基于组合式神经网络的短期电力负荷预测模型

通过对电力负荷变化规律和影响因素的分析 ,提出了一种基于组合式神经网络的短期电力负荷预测模型。该模型综合运用神经网络、模糊聚类分析和模式识别理论方法进行建模。首先 ,采用模糊聚类分析方法 ,以每天的 2 4点负荷数据、天气数据以及天类别数据为指标 ,将历史数据分成若干类别 ;其次 ,对每一类别建立相应的神经网络预测模型 ;预测时通过模式识别 ,找出与预测天相符的预测类别 ,利用相应的神经网络预测模型进行 2 4小时的短期电力负荷预测。对绍兴地区 2年多的实际负荷变化数据进行预测分析的结果表明 ,该模型不仅对普通工作日有较高的预测精度 ,对双休日。

基于组合式神经网络的转子系统状态预测模型

针对反映转子系统工作状态的特征参数时间序列具有不确定性的、差异较大的分段函数变化规律的特点 ,提出了一种组合式神经网络转子系统状态预测模型。该模型将故障诊断和状态预测有机地结合起来 ,利用转子系统当前状态特征参数样本 ,通过故障诊断系统判断预测时的转子系统工作状态模式 ;从多种神经网络预测模型组合而成的预测模型库中调用同该工作状态模式相应的神经网络预测模型 ,对多种特征参数时间序列进行预测 ;依据预测出的未来某一时刻的多种特征参数 ,利用故障诊断系统判断转子系统的未来工作状态模式。仿真试验结果表明 ,该模型可以对转子系统状态进行可靠的预测。文中详细讨论了模型的建立和仿真实验结果。

组合式神经网络在转子故障诊断中的应用

在组合式神经网络的故障诊断中,模糊积分是一种对各神经子网的诊断结果进行信息融合的方法,其中需要计算模糊密度。本文首先介绍组合式神经网络故障诊断的思想,给出了基于模糊C均值聚类的模糊划分方法;其次分析一种不可取的模糊密度计算方法,基于模糊粗糙函数,给出计算组合式神经网络重要性的方法;然后,阐述了组合式神经网络的网络训练和诊断方法;最后,用故障模拟数据验证了诊断方法的有效性。

用类随机训练组合网络以辅助含硫苯衍生物分子设计

提出一种线性与非线性相结合的组合式神经网络，用以研究化合物的定量构效关系。网络线性部分的参数和局部输出值可以解释分子结构片段对化合物活性效应的贡献，而其非线性部分则可进一步提高网络模型的拟合与预报精度。还提出了一种快速的类随机搜索训练方法，并实际应用于含硫苯衍生物构效关系的建模中，取得了良好的效果。