企业电能耗的BP神经网络预测模型

在我国节能减排的大环境下,企业的电能耗预测问题一直都备受关注.准确预测电能耗对企业决策有重要的意义.本文以鞍山某矿山公司电能耗历史数据为研究对象,通过Grubbs检验进行数据的离群检测,以剔除某些失真数据,并用主成分分析法对电能耗的影响因素进行降维处理,建立了BP神经网络的电能耗预测模型.利用Matlab对数据分析,给出了该公司未来一年内各月份的电能耗情况.     

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。     

自编码器与PSOA-CNN结合的短期负荷预测模型

提出了一种自编码器与PSO算法优化卷积神经网络结合的电力系统短期负荷预测模型。首先利用自编码器对相关变量数据进行处理,降低所需数据的噪声变量,提高预测效率;然后利用粒子群算法对卷积神经网络的权值和阈值进行优化,可有效提高预测模型的预测精度和预测速度。通过对实际电网的负荷数据进行仿真,验证了模型具有较高的预测精度。     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

基于经验模态分解-粒子群优化-长短期记忆的车间电力能耗预测方法

针对传统能耗预测方法不能充分提取数据特征并利用神经网络的学习、预测能力，提出了一种基于经验模态分解-粒子群优化-长短期记忆(EMD-PSO-LSTM)的电力能耗预测模型。该模型首先采用经验模态分解算法将时间序列数据分解为多个本征模函数分量和趋势分量，然后对每个分量分别建立长短期记忆网络进行预测。各个长短期记忆网络的参数则由粒子群算法分别进行最优化求解，最后将所有分量的预测结果进行叠加得到最终的能耗预测结果。将预测结果与实际能耗数据进行对比分析来验证所提模型的预测性能。试验结果表明，该方法能够对电力能耗数据进行合理预测，预测精度较高。     

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.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

多种智能算法在混凝土配比优化中的应用研究

利用神经网络模型对混凝土强度进行预测得到了较广泛的研究,但由于高强混凝土组方数据的复杂性,其预测精度较差.本文首先利用自组织人工神经网络,根据混凝土试验样本数据的分布规律对其进行自然分组,然后对每组样本数据分别建立多层前向神经网络模型,利用该模型对混凝土强度进行预测,得到了较高的精度.