基于BPT-MLR模型的建筑能耗分析和预测

通过对福建省厦门市某高校8栋公寓楼的房间日平均用电量的分析,提出一种建筑能耗的平衡点温度-多元线性回归(BPT-MLR)模型.使用统计方法识别平衡点温度,并根据该平衡点温度分段对房间日平均用电量进行多元线性回归预测分析;对8个参数进行筛选,最终选4个参数作为模型变量,包括1个数值型变量(室外空气平均温度)和3个定类型变量(性别、节假日指数和晴雨天指数).结果表明：对比3种数据驱动模型,BPT-MLR模型的预测性能最优,其R²值达到了95.29%,比BP神经网络模型和多元线性回归模型的R²值分别高出0.04%和24.64%.     

基于小波神经网络模型的中国能耗预测

通过中国能源消费数据分析,结合小波分析与神经网络理论方法,建立了相应的中国能耗的小波神经网络模型,对中国能源消费增长率进行了预测,并以此预测出未来中国能源消费需求总量.通过实际数据与预测数据的统计分析表明,小波神经网络模型的预测结果有较高的精度,对中国能源消费需求总量的预测有较高的可信度.     

基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

遗传神经网络能耗预测模型在钢铁企业中的应用

为改善BP网络训练速度慢,易收敛于局部极小点及全局搜索能力弱等固有缺陷,采用遗传算法优化神经网络的初始权值和阈值,以通化钢铁公司炼铁厂为研究对象,建立了基于遗传算法的人工神经网络能耗预测模型。用MATLAB编写计算程序进行测试,并与纯BP算法进行分析比较,结果表明,文中所提出的方法在预测精度和收敛速度方面均得到了改进。     

基于TentSSA-BPNN模型的钢铁企业能耗预测研究

为提高对钢铁企业电力能耗的预测精度,本文提出一种基于改进后的麻雀搜索算法的能耗预测模型TentSSA-BPNN。该模型利用Tent混沌映射改进SSA算法,设计出的TentSSA算法具有良好的稳定性和不易陷入局部最优的特点,再将其应用于传统BP神经网络,提升了预测精度。以某钢铁企业的电力能耗数据作为算例,对TentSSA-BPNN模型进行充分训练,再将其应用到对该企业的电力能耗预测当中。最后,设立对照组与本文提出的TentSSA-BPNN能耗预测模型进行对比分析。对照结果表明,TentSSA-BPNN预测模型对电力能耗的预测精度较高,在钢铁企业的节能减排方面具有一定的指导作用。     

基于LSTM神经网络的乘用车能耗预测

为改善当今石油供需矛盾和环境问题,针对乘用车提出了基于LSTM神经网络的燃油乘用车能耗预测模型。通过纵向动力学建模并匹配相应车型进行求解,结合GB/T 38146.1行驶工况数据,得出能耗随时间的变化率。构建LSTM神经网络架构,根据处理后的数据样本,对LSTM神经网络进行训练和评价。最后,通过LSTM神经网络和BP神经网络的仿真对比表明,随着迭代周期的增加,LSTM神经网络模型具有更高的精度,对能耗预测的准确性较好,对改善无人驾驶车辆的节能减排具有工程应用价值。     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于小波与BP神经网络的太阳黑子时间序列分析预测

太阳黑子年平均数序列是典型的非线性、复杂时间序列.本文利用小波变换,将太阳黑子年平均数序列进行分解重构,对信号的周期特性进行分析,然后采用BP神经网络对重构信号进行预测,建立太阳黑子年平均数的预测序列.结果表明,该模型具有较高的预测精度.     

权函数神经网络及在选矿厂能耗预测中的应用

针对大孤山选矿厂磁选工艺过程的多指标强耦合、时变、非线性和大滞后等特点,使基于数学模型的常规预测方法难以应用问题,提出一种新型的权函数神经网络建立能源消耗预测模型。该模型网络拓扑结构只有输入输出两层,网络权值由传统的常数改为权函数。在权函数构造上,结合选矿厂实际生产过程中所提供的生产数据,根据数据样本间隔距离的大小,分别采用不同的函数作为网络的权函数。训练算法仿真实验表明,该算法计算量小,且建模误差为10^-2数量级,取得很好的预测效果,从而克服了传统算法局部极小与收敛速度慢的问题。     

基于聚类的神经网络及其在预测中的应用

提出了一种基于聚类的神经网络算法，可以很好解决大样本情况引起的网络结构复杂、收敛性和泛化能力差等神经网络的固有问题．算法采用聚类算法为分类器，进行模式空间分解，以分类后的模式子空间为各样本集合，用神经网络集学习，最后根据重力模型计算检测样本对各样本子集的隶属度，整合各子空间的输出结果．通过实验对比表明该算法精度较高，容错性好．     

BP神经网络用于停车场空余泊位的预测研究

采用BP神经网络,对停车场的空余泊位数量进行了预测,并针对BP神经网络训练过程中易震荡、收敛速度过慢和容易陷入局部最小的缺点,采用BP动量法与调节学习速率相结合的方法对其进行改进.通过仿真验证了BP神经网络对停车场空余泊位数预测的有效性,为区域的停车诱导提供了依据.     

基于BP神经网络的关口电能计量装置测量误差预测及校正

关口电能计量装置造成的误差通常会给电网公司带来巨大的经济损失,因此提高关口电能计量装置的准确度,具有十分重要的应用价值.通过对关口电能计量装置的历史数据进行分析,采用BP(back propagation)神经网络算法进行误差预测,筛选出最适合关口电能计量数据的优化模型,并且校正计量异常值,从而减小电能计量装置产生的误差,提高电能计量的准确性.实验表明,误差预测及校正模型能准确预测关口电能计量装置误差,修正异常值.     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

基于ARMA与BP神经网络模型的产品质量安全风险预测

主要通过对产品伤害人数的预测来表征产品质量安全风险。依据产品伤害人数的时间序列数据,建立较为稳定的ARMA模型和BP神经网络模型对产品伤害人数做出了科学的预测;并对两种预测方法进行了实证结果比较与分析,为管控产品质量安全风险提供方法支持。     

一种基于AC-RBF神经网络的网络安全态势预测方法

为了准确地把握网络安全发展态势,提出了一种基于自适应聚类径向基函数(adaptive clustering radical basis function,AC-RBF)神经网络的网络安全态势预测(network security situation prediction, NSSP)方法?该方法对网络安全态势样本自适应聚类,获得了神经网络隐层节点数,采用梯度下降法训练神经网络,寻找网络安全态势样本之间的非线性映射关系,利用该关系对未来时刻网络安全态势进行了预测? 仿真实验表明,相对于 K-均值 RBF 神经网络及支持向量机(support vector machine,SVM)预测模型,该方法在神经网络规模较小的情况下,不仅能够反映网络安全态势的总体趋势,而且还提高了预测精度,能够提供给网络安全管理员一个直观的网络安全态势图 ?     

基于流形分析与AP算法RBF神经网络分类器

提出了一种基于流形分析与近邻传播（AP）算法的径向基函数（RBF）神经网络分类算法.通过流形分析算法对数据集进行初步处理,然后通过指数函数调整相似度矩阵,再重新进行AP聚类,在此基础上构造RBF神经网络分类器,通过拟合正确率来判断算法是否收敛,并对分类结果运用FMI指标进行评价.实验结果表明：改进算法中RBF网络隐节点数普遍得到增加,使得RBF神经网络拟合精度得以提高;从分类结果可以看出该算法对训练数据集都获得了很好的拟合正确率,对测试数据集也获得了较高的测试正确率.     

基于BP神经网络的工程项目安全耐久性评价

通过对人工神经网络的分析,结合工程项目安全耐久性评价,将BP神经网络的技术应用于拟建工程项目安全耐久性的评估中,可以实现在项目建设前期对工程项目质量等指标的客观定量评价,为工程项目建设的决策提供有效的依据。     

寒冷地区校园度日数法建筑能耗基准线的确定方法

校园建筑面积的迅速增长,导致校园建筑能耗占社会总能耗的比重越来越大。为了加强节约型校园建设管理,在建筑能耗基准线理论方法学的基础上,进行校园建筑能耗基准线的测算与研究。基于大量的能耗数据,笔者对校园建筑进行分类研究,提出了在使用功能分类的基础上将公共教学建筑按照空调系统形式进行细化分类的方法。最后采用四分位数法测算了各类校园建筑能耗基准线,提出低能耗水平、平均能耗水平和高能耗水平三类基准线,并给出实际应用中的建筑能耗基准线的修正方法。