预测参数的选择与建筑物逐时冷负荷的预测

利用逐步回归分析进行了预测参数的选择和建筑物逐时冷负荷的预测，并将其与采用相同数据集的神经网络（ANN）的冷负荷预测结果进行了对比分析。     

冰蓄冷系统基于负荷预测和优化的实时控制

首先基于西安地区某办公楼空调季节的数据,进行了逐时温度和冷负荷的预测。然后,讨论了温度预测对负荷预测,负荷预测对离线优化的影响。结果表明,人工神经网络冷负荷预测的准确度不受异常天气情况的影响;而负荷预测的准确度直接影响非线性优化的结果;在线修正是至关重要的。最后,给出了实时控制中负荷预测及离线优化结果在线修正的实例。     

冰蓄冷系统基于负荷预测和优化的实时控制

首先基于西安地区某办公楼空调季节的数据，进行了逐时温度和冷负荷的预测。然后,讨论了温度预测对负荷预测，负荷预测对离线优化的影响。结果表明，人工神经网络冷负荷预测的准确度不受异常天气情况的影响；而负荷预测的准确度直接影响非线性优化的结果；在线修正是至关重要的。最后，给出了实时控制中负荷预测及离线优化结果在线修正的实例。     

面向功能分区的大型商场建筑冷负荷预测方法

针对大型商场面向建筑整体冷负荷预测不能为商场各区域按需供冷提供合理控制策略的问题,通过研究商场不同区域冷负荷特点,采用灰色关联度分析法筛选影响商场不同区域冷负荷的关键影响因素,针对实际情况中各输入特征对冷负荷影响程度的不稳定性,提出了基于双重注意力机制和LSTM的短期分区冷负荷预测模型。LSTM网络充分考虑空调冷负荷与相关特征变量之间的非线性关系,特征注意力自主分析历史信息和输入变量之间的关系,提取重要特征,时序注意力选取LSTM网络关键时刻的历史信息,提升较长时间段预测效果的稳定性。以西安某大型商场建筑的冷负荷数据集为实验数据,实验结果表明所提模型相比于LSTM模型、CNN-LSTM模型和Attention-LSTM模型,误差指标MAPE和RMSE均有显著降低,R2明显增加且稳定0.99以上,具有较好的泛化能力和较强的稳定性。     

基于VMD-GRU网络大型公共建筑冷负荷预测

基于冷负荷时间序列固有的复杂性和不规则性,针对预测过程中容易出现梯度消失、模态混叠和过拟合等问题,提出一种集成变分模态分解（variational mode decomposition,VMD）和门控循环单元网络（gated recurrent unit,GRU）的VMD-GRU模型。对原始数据进行相关性分析,挑选出相关性高的进行预测;使用VMD将原始数据序列分解为独立固有模式函数;使用GRU对每个分量进行预测;将分量预测结果相加得出冷负荷预测值。为验证模型的有效性,以西安某大型公共建筑为例进行能耗分析,并与BP、 GRU、EMD-BP、VMD-BP、EMD-GRU等其他预测模型进行对比。实验结果表明,提出的VMD-GRU模型可有效解决梯度消失、模态混叠和过拟合等问题,预测精度显著提高,预测效果优于其它预测模型,符合大型公共建筑冷负荷的变化规律,为节能优化提供有力数据支撑。     

短期电力负荷预测的基本模型

负荷预测是根据负荷过去的历史资料，建立恰当的数学模型对未来的负荷进行预测。在进行电力系统的短期负荷预测时，针对负荷变化的特点，既要充分分析，掌握并利用其规律性，叉要兼顾各种因素的影响。本文通过对影响负荷的各种因素的分析和预测模型应满足的要求，提出了短期电力负荷预测的基本模型。     

中长期电力负荷预测研究综述

电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一.该文对电力负荷预测的概念及分类等问题进行了简要论述,重点分析了中长期负荷预测的特点、成熟方法,对中长期负荷预测方法进行了综述,并对负荷预测问题的研究方向提出了一些建议.     

区域供冷系统逐时冷负荷的分析及数值预测

为了正确选择区域供冷系统设计负荷并优化其主机运行策略,对某区域供冷系统的逐时实际冷负荷变化规律及数值预测进行研究。通过对该区域供冷系统冷冻水供回水温度及流量进行实测,得到并分析实际逐时冷负荷;通过增加输入层数据,建立改进人工神经网络负荷预测模型并对预测值及其误差进行分析。研究结果表明:区域供冷系统在各负荷区间运行时间分布较均匀;在实测期间,系统在高负荷区间的运行时间所占比例为17.5%,最低负荷区间的运行时间所占比例为13.5%,其他负荷区间运行时间比例为15%～20%,这与单区域供冷系统负荷越大则运行时间越短的特点完全不同;并且区域供冷系统连续24h工作,实测日最小运行负荷仅为当日最大实际负荷的11.8%,逐时负荷变化范围大,这说明区域供冷系统更应注意机组容量选型和运行策略优化;由经改进人工神经网络算法得出的负荷预测值与实际值较吻合,其相对误差受用冷区域功能与特点的影响。     

临汾电网负荷预测分析

总结了2007年以来临汾市电网负荷预测考核指标的完成情况,对网供负荷特性进行了分析,根据地区电力负荷特点,提出了提高负荷预测准确率的措施。     

综述电力系统负荷预测

综述了电力系统负荷预测的定义及其主要目标,并对已有的负荷预测方法及其存在的问题进行深入的分析和比较。随着电力市场的深入开展,要求负荷预测更具实时性、更准确,而迄今为止,还没有一种适用于不同条件的通用方法。因此,关键在于如何根据预测地区的负荷特性及负荷构成来选择综合哪几种预测方法。     

唐山矿瓦斯涌出量动态预测模型

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性.     

基于HALRTC理论的短时交通流预测算法

针对目前短时交通流预测算法多考虑交通流的低维信息特征,导致无法满足预测精准度要求等问题,引入高精度低秩张量填充理论（HALRTC）,构建基于周、天、时段等多时间维度的动态张量模型,设计了一种融合高维交通流特征的短时交通流预测算法,并以京港澳高速公路杜家坎路段交通流速度数据为例进行实证验证。研究结果显示,算法能够基于较少历史数据较快达到良好预测效果,可有效实现针对工作日与非工作日的交通流预测,平均绝对误差（MAE）平均值约为3.6%,并能及时跟踪交通流波动性。在缺失数据情况下,所提出算法预测精度随数据缺失比例增大而降低,但相较于3种经典预测算法可表现出更好的预测精度。     

基于Elman组合预测模型的瓦斯涌出量预测

为提高矿井瓦斯涌出量的预测精度,基于Elman回归神经网络原理,以指数型线性回归、双曲线型线性回归及灰色预测三种方法得到的瓦斯涌出量预测值为样本数据,建立Elman组合预测模型,并利用MATLAB软件进行预测。结果表明,Elman组合预测结果的拟合曲线更接近实际情况。该模型有效提高了瓦期涌出量的预测精度,为煤矿安全生产提供了理论支持。     

基于小波神经网络的工业以太网延时预测控制

随着网络控制研究的兴起,对工业以太网延时进行补偿成为研究的重点方向.针对网络延时给网络控制系统带来的问题,提出用小波神经网络对工业以太网延时进行预测,根据输入的过去时间延迟序列预测输出下一采样时刻的网络延时值.预测模型的参数通过训练算法实时更新,以保证预测输出的准确性.对实际工业以太网延时数据样本的预测分析表明,该预测模型能够有效预测延时.为进一步说明延时预测效果,将延时预测模型应用于网络控制系统进行延时的预测与补偿,系统仿真结果证明了预测模型预测的准确性及补偿的有效性.     

预测模型可靠性的模糊数学评价方法

预测模型的可靠程度是通过预测结果中分布规律的可信度体现出来的。针对常见的预测模型可靠性评价中存在的问题,将预测模型预测结果的可信概率定义为预测模型的可靠度,提出了一种评价预测模型的新方法。在新方法中,运用模糊数学理论对预测结果的可信程度进行了评价,建立了预测结果可信度与预测结果相对误差绝对值之间的隶属函数关系,并将模糊数学与可靠性理论相结合,给出了求解预测模型可靠度的计算公式。以含蜡原油粘温关系模型为例,对新方法的评价过程进行了验证。结果表明,对同一种油样采用不同的隶属函数,或对不同油样采用同一个隶属函数,所得预测模型的可靠度均不相同,这说明该方法具有通用性。     

基坑位移时间序列预测的高斯过程方法

应用高斯过程理论,采用机器学习的方法,针对基坑工程中常规分析方法的预测结果与实测值出入较大的问题,提出一种基于高斯过程的基坑非线性位移时间序列预测的新方法.工程实例应用结果表明,该方法科学可行,具有很强的自学习、非线性动态处理的能力,预测精度高.     

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。     

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。     

轮胎垂直特性预测精度对侧偏特性的影响

该文利用轮胎模态参数建立了垂直特性和侧偏特性模型,并在垂直特性模型中计入胎侧非线性柔度,使模型预测精度得到提高。分析了不同精度的垂直特性模型对侧偏模型计算结果的影响,并与试验结果进行比较。结果表明:小载荷时胎侧非线性柔度对垂直特性和侧偏特性结果影响很小;大载荷时,胎侧非线性柔度对侧偏特性预测有较大影响,侧偏刚度预测的最大误差由-18.7%降至-11.4%。侧偏模型的预测完全符合M ag ic Form u la的描述。     

松花江水中有机化学品的生物毒性预测

应用人工神经网络技术构建的定量构效关系模型(QSAR)对存在松花江水中的有机化学品的毒性进行了预测.结果显示,有机化学品对酵母菌毒性的预测值与实测值接近,预测误差较小.另外,采用所建立的有机化学品对酵母菌毒性和对呆鲦鱼毒性的相关性方程预测了松花江水中有机化学品对呆鲦鱼的毒性,结果显示,有机化学品对酵母菌的毒性与对呆鲦鱼的毒性之间具有很好的相关性(R=0.9826),从整个有机化学品对呆鲦鱼毒性大小的趋势上看,预测值与实验值基本吻合.因此,得出采用低等微生物—酵母菌替代高等生物—鱼作为指示生物进行有机化学品毒性的评价是可行的,这一研究成果对大量有机化学品毒性筛选和进行优先污染物控制方面具有重要的意义.