基于灰色Elman-NN模型的乡村旅游游客流量预测方法

影响乡村旅游游客流量因素较多,导致乡村旅游游客流量预测误差较大,并且效率较低,设计一种基于灰色Elman-NN模型的乡村旅游游客流量预测方法。将所有数据按照一定的顺序排列,选取预测因子,对旅游数据关联度计算,采用灰色Elman-NN模型实现了乡村旅游游客流量预测。实验结果表明,所研究的基于灰色Elman-NN模型的乡村旅游游客流量预测方法在节假日前与节假日时的客流量预测上误差都较低,并且预测效率较高,满足乡村旅游游客流量预测方法的设计需求。

基于Bagging算法和Elman-NN融合的短期负荷预测模型

针对传统神经网络经常无法满足短期负荷预测的实际应用要求,本文提出了基于Bagging算法和Elman神经网络结合的电力系统短期负荷预测模型。把经预处理过后的数据分为原始训练集和测试集,然后通过Bootstrap方式在原始训练集中随机抽取若干个子训练集,并建立相应的Elman神经网络负荷预测模型,并将子训练集分别用于训练不同的网络模型,最后利用测试集进行预测,最终的预测结果取不同模型预测结果的平均值。利用训练不同模型的Bagging算法,消除Elman神经网络的不稳定性,提高了预测模型的精度和稳定性。通过某城市负荷预测的实际算例,对所提出的预测模型与单一的Elman神经网络预测模型进行对比分析。分析结果表明,基于Bagging算法和Elman神经网络融合的预测模型具有较好的预测精度和稳定性。该研究具有一定的应用前景。

基于卡尔曼滤波和神经网络的PMSM参数辨识

永磁同步电机(PMSM)是一种非线性、强耦合的控制对象,电机参数的变化加大了其控制难度.因此,参数辨识对于其闭环控制系统的稳定运行有着重大的意义.文中针对这一非线性、强耦合的模型,研究了一种基于扩展卡尔曼滤波(EKF)和El man神经网络(El man NN)的永磁同步电机参数Rs,ψd和ψq的辨识方法.仿真结果表明,该方法具有很快的收敛速度,能很精确地辨识PMSM的Rs,ψd和ψq,该网络具有良好的泛化能力,在变速变负载等复杂情况下也适用.

基于Elman网络LM算法的异步电机故障诊断

电机故障诊断问题在生产安全运行中非常重要,但难以建立准确数学模型,而神经网络能较好地解决故障诊断问题,Elman网络是一种动态递归神经网络,具有适应时变特性的能力,训练速度快、精度高,识别能力强。针对电机转子故障样本应用Elman网络并采用LM算法训练,将其训练效果与BP网络训练效果进行比较,显示了Elman网络和LM算法的优越性。

基于改进的ELMAN神经网络的内模控制方法及应用

提出一种基于改进的Elman网络的内模控制方法,更好地适用于具有大惯性、大延迟和时变等特性的系统,并用于热工对象中的主汽温系统。仿真研究结果表明,该控制方案适应对象参数的变化并表现出良好的控制特性,具有较强的鲁棒性和自适应能力。

基于Elman网络的空调预冷时间的预测

本文介绍了一种基于智能家庭控制系统的空调预冷时间的预测系统。该系统在不增加硬件设施的条件下,通过对空调房间系统模型的动态辨识,利用Elman神经网络预测空调系统的最佳预冷时间,并保存为神经网络的学习样本。

计及储能调度因素的短期负荷预测模型

为了进一步提升电力系统短期负荷预测模型的精度,提出了计及储能调度因素的短期负荷预测模型。预测模型考虑了数量日益攀升的储能用户对负荷预测产生的影响,并针对基于电价和基于合同两种储能调度运行控制策略,分别构造与其对应的储能充放电模型。在改进后的负荷预测模型的构建过程中融入了与储能调度行为相关的电价因素和合同因素,并采用Elman神经网络(Elman-NN)进行短期负荷预测。仿真实例证明,计及储能调度因素的Elman-NN短期负荷预测模型预测精度优于传统的短期负荷预测模型,测试结果的平均相对误差和最大相对误差的平均值分别达到0.019 4和0.065 4,验证了该模型具有较好的预测性能及稳定性。

基于改进小波-Elman神经网络算法的蜂窝网流量预测

对于在现代蜂窝网资源管理中,动态信道资源和能源效率控制技术的提升,很大程度依赖于早期精准的监测和对蜂窝基站流量的预测。分析基站流量数据,主要通过有效提取基站间隐含的时空信息进行流量预测。在本文中,我们通过对华北某大城市的实测数据,进行了基于时空关联性的分析,采用k-NN算法,获取蜂窝网基站间的时间相关性,选择合适的移动窗口大小,并结合了小波-Elman神经网络(ENN)算法来实现流量预测。最后,通过量化蜂窝网流量预测的准确度,并与先前存在的其他方法进行对比,得出了本文提出的方法有优越性。