基于IPSO算法优化GRU神经网络的燃气负荷预测

燃气负荷具有非平稳性、非线性等特点,机理建模困难。为寻求更准确的燃气负荷预测方法,提出一种基于改进粒子群(IPSO)算法优化门控循环单元(GRU)的燃气负荷预测模型。首先,确定了模型的结构与输入变量;然后,针对长短期记忆(LSTM)神经网络复杂度高,训练速度慢的问题,提出采用相较于LSTM单元结构更加简单的GRU作为预测模型,并采用粒子群优化(PSO)算法对GRU网络参数进行优化,引入非线性惯性权重对PSO算法进行改进。实验表明:所提模型相对误差为1%,精度高于传统LSTM与GRU模型。

基于ARIMA结合ConvLSTM的燃气负荷预测

燃气负荷预测对于燃气资源的优化调度至关重要.燃气负荷预测除了具有趋势性、周期性等时间特性外,相邻燃气调压站的负荷数据与温湿度数据之间也存在空间特性,导致燃气负荷预测机理建模困难且模型预测精度较低.针对以上问题,提出了一种基于自回归移动平均模型(ARIMA)与卷积长短时神经网络(ConvLSTM)结合的燃气负荷预测模型.首先,选取皮尔逊相关系数对燃气负荷数据进行分析,筛选与燃气负荷相关性强的变量作为模型的输入.其次,采用ARIMA模型去除数据的趋势性使其平稳化,利用ConvLSTM模型提取数据中的时空特征,并对ARIMA-ConvLSTM模型的参数进行寻优.最后,通过燃气负荷数据对模型进行训练和验证.实验结果表明,ARIMA-ConvLSTM模型的预测准确率为98.65%,在均方根误差、平均绝对误差、绝对误差百分比方面均优于ARIMA模型、ConvLSTM模型和CNN-LSTM并行组合模型.

混合气体中异种分子之间的平均相对速率

从相对速率的定义出发,结合两气体分子所满足的麦克斯韦速率和速度分布率,导出了混合气体中异种气体分子之间的平均相对速率.

中低能区程函近似的复径迹修正及其对核半径的分析

分别比较了包含库仑力、库仑力+核力实部及库仑力+核力(实部及虚部)三种情况下的程函近似的径迹修正方法。通过入射能为12.5~50 MeV/u时^(16)O在^(12)C、^(63)Cu和^(208)Pb靶上的弹性散射角分布计算表明了包含核力虚部的复径迹修正方法的重要性。这样的修正方法对于轻靶、中等质量靶上的计算尤为重要。利用复径迹修正下的程函近似重新分析了入射能约为25~65 MeV/u时轻-重核^(6-9,11)Li、^(9-12)Be、^(10-15)B、^(11,12,14-18)C、^(14,16-19)N、及^(15,17,19-21)O在^(nat)Cu靶上的总反应截面数据并得到了相应弹核核物质密度分布的方均根半径。Liatard等利用Glauber模型分析该数据得到的方均根半径结果与Ozawa等利用Glauber模型分析入射能约为650~1 020 MeV/u时高能总相互作用截面数据得到的半径结果间整体性偏差为7.7%,而本文半径分析结果与高能结果间的整体性偏差为1.9%。