基于小波降噪的神经网络盾构泥水分离系统参数预测方法

泥水盾构穿越复合地层时,掘进控制参数和泥水分离系统参数往往出现大幅波动,影响施工安全和掘进效率。为提升施工过程的安全稳定性,实现异常工况预测,依托望京隧道盾构工程,针对地层状况采用筛分、双旋流、离心/压滤固液分离协同控制技术,采集盾构机掘进参数(掘进速度、刀盘转速和总推进力等)和泥水分离系统运行参数(进浆量、进浆密度和进浆黏度等),通过Cook距离离群检测和小波阈值去噪处理提升数据质量;以双旋流分离密度比值、黏度比值等12个参数为输入,排浆量、排浆密度和排浆黏度为输出,建立BP神经网络泥水分离系统参数的预测模型,并选取3个不同地层环段进行预测对比分析。预测结果表明:预测平均绝对误差均在5%以内,该预测模型在复合地层下仍具有较高的准确性。

基于麻雀搜索算法和长短期记忆神经网络的轨道交通站点客流预测

准确的短时客流预测可以为城市轨道交通的良好运营提供保障,但轨道交通的短时客流具有非线性和高随机性等特点,为了提高对短时客流的预测精度,提出将ISSA算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型.针对SSA算法收敛速度慢,容易陷入局部最优解的问题,引入黄金莱维飞行策略,通过动态调整探索者移动步长的方法,使得它在未知范围内搜索时,能够覆盖更大的范围,提高SSA算法全局搜索的能力.通过使用ISSA算法对LSTM模型的隐含层、学习率和迭代次数的神经元个数进行优化,构建ISSA-LSTM组合预测模型,用于城市轨道交通短时客流的预测.将该模型与BP、LSTM和SSA-LSTM等3种短时客流预测模型进行对比,结果表明:在针对工作日和非工作日客流的预测中,ISSA-LSTM模型预测误差最小,具有较好的预测效果.

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。提出一种基于鲸鱼优化卷积神经网络(convolutional neural networks, CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network, BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm, WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明:所提出模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(root mean square error, RMSE)下降了0.030 5 mm。

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题,建立萤火虫算法(FA)优化BP神经网络的预测模型,解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象,利用巷道顶板和两帮的位移监测数据进行预测分析,并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明:FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%,说明FA-BP神经网络模型具有更好的预测精度。

基于IWOA-SA-Elman神经网络的短期风电功率预测

由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算法和模拟退火组合优化的Elman神经网络短期风电功率预测模型,模型首先利用改进鲸鱼算法结合模拟退火策略获得高质量神经网络初始权值,接着引入正则化损失函数防止其过拟合,最后以西班牙瓦伦西亚某风电场陆上短期风电功率为研究对象,将该算法与BP、LSTM、Elman、WOA-Elman、IWOA-Elman 5种神经网络算法进行算法性能测试对比,结果表明IWOA-SA-Elman神经网络模型预测误差最小,验证了该算法的合理性和有效性。

基于BP神经网络的分层相控碳酸盐岩储层渗透率预测方法

碳酸盐岩储层受成岩作用影响大,孔隙-喉道结构复杂,孔隙度—渗透率相关性较低,渗透率预测难度较大,常规以线性关系为主的预测方法结果不理想。提出了基于BP神经网络的储层渗透率综合预测方法,可以有效预测碳酸盐岩储层渗透率。方法主要分3步。首先对岩心数据和测井数据进行质量控制;然后结合地质特征,优选预测测井曲线参数和神经网络模型的参数,建立预测模型;最后综合多来源资料,进行预测结果质量控制。将该方法应用于中东地区碳酸盐岩A油藏,渗透率预测结果较好。碳酸盐岩储集空间复杂,孔、洞、缝均发育,岩心塞的渗透率测量只能代表局部位置,而试井资料的动态有效渗透率测量范围较大,可以体现储集空间特征,加之储层黏土矿物含量低,不存在储层敏感性问题和各向异性较弱等因素,最终导致试井动态渗透率数值一般高于岩心渗透率。

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

混合图神经网络和门控循环网络的短期光伏功率预测

为了能从大量历史光伏发电数据中提取出有效的时序特征以及在非欧几里得域中的关联,建立了基于混合图神经网络以及门控循环网络的短期光伏功率预测模型。该模型首先通过最邻近分类算法生成气象及出力数据的最邻近图,再将其结合图神经网络作为编码器对气象及出力数据进行编码形成时间序列,最后通过门控循环网络以及全连接层解码输出光伏功率预测结果。通过仿真分析验证,该模型具有更优的特征挖掘能力和分析性能,能更好地突出某时间节点的气象及出力数据特征,适应天气突变带来特征变化,从而提升光伏预测整体模型的表达能力。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。构建主成分分析-反向传播(principal component analysis-back propagation,PCA-BP)模型,针对受多因素影响的复杂备件,先利用PCA将影响风电备件的要素进行筛选,再利用BP神经网络算法,得到最为精确的预测结果。比较自回归积分滑动平均(autoregressive integrated moving average,ARIMA)模型、BP神经网络预测和PCA-BP神经网络预测的结果。结果表明:PCA能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用于风机备件的需求预测。

自动驾驶电动车辆基于参数预测的径向基函数神经网络自适应控制

针对具有不确定性的自动驾驶电动车辆的运动控制问题,提出了一种基于参数预测的径向基函数(RBF)神经网络自适应协调控制方案。首先,考虑系统参数的不确定性及外部干扰的影响,利用预瞄方法建立可表征车辆循迹跟车行为的动力学模型;其次,采用RBF神经网络补偿器对系统不确定性进行自适应补偿,设计车辆横纵向运动的广义协调控制律;之后,考虑前车车速及道路曲率影响,以车辆在循迹跟车控制过程中的能耗及平均冲击度最小为优化目标,利用粒子群优化(PSO)算法对协调控制律中的增益参数K进行滚动优化,并最终得到一系列优化后的样本数据;在此基础上,设计、训练一个反向传播(BP)神经网络,实现对广义协调控制律中增益参数K的实时预测,以保证车辆的经济性及乘坐舒适性。仿真结果证实了所提控制方案的有效性。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明:所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致;该预测模型充分挖掘了混凝土拌和站生产实时监控数据的价值,实现了传统混凝土抗压试验结果提前化,对提高工程建设质量水平具有重要意义。

基于BP神经网络的陈皮干燥含水率预测

为探索陈皮的热泵干燥特性,并实现热泵干燥过程中陈皮的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、堆叠厚度(20、30、40mm)对陈皮干燥时间和干燥速率的影响。将干燥温度、干燥风速、堆叠厚度和干燥时间作为输入层,隐藏层个数为10,陈皮的干燥含水率为输出层,搭建一个BP神经网络预测模型。研究结果表明:干燥温度、干燥风速和堆叠厚度都是影响陈皮干燥含水率的重要因素,提高干燥温度、增加干燥风速和减少堆叠厚度能够提高陈皮的干燥速率,缩短干燥时间。基于陈皮热泵干燥特性构建结构为“4-10-1”的BP神经网络模型,含水率预测值与实测值之间的均方误差MSE为0.00421,决定系数R^(2)=0.997,模型运行稳定,含水率预测结果准确且快速,能够为陈皮干燥过程中的含水率在线预测提供科学依据。

基于深度卷积神经网络的电力系统故障预测

通过对深度卷积神经网络的深入研究,提出基于深度卷积神经网络的电力系统故障预测方法,保障系统安全运行。采用广域测量系统测量每个支路与节点,将获得的功率与关键特征值分别作为深度卷积神经网络模型输入、输出,训练这2个数据,并使用深度卷积神经网络AlexNet分析输入数据与输出数据的映射关系,建立基于深度卷积神经网络的电力系统故障预测模型,通过特征值分组、振荡模式筛选、数据预处理、模型训练和模型评估,实现电力系统运行状态评估,完成电力系统故障预测。实验结果说明:该方法的关键特征值计算结果与实际结果基本一致,可靠性高;使用正则化可提升模型泛化效果,防止模型过拟合;与其余方法的准确率和误报率指标相比,所提方法的准确率高达99.52%,误报率为1.16%,综合评价指标较高,评估效果优势显著。

基于遗传算法优化BP神经网络对滑坡位移时间序列预测的研究

利用遗传算法优化BP神经网络对滑坡的位移时间序列进行预测,可提高预测的准确性。文章探讨了通过遗传算法优化BP神经网络的权值和阈值以解决局部最优问题的可行性,然后利用改进后的BP神经网络算法对喜旧溪河漫滩至G324国道滑坡(海拔1 245 m)及G324国道往上至南昆线铁路(海拔1 315 m)地区往年的滑坡位移进行时序预报。对训练样本和验证样本进行相关性分析,结果表明:该模型在训练集上拟合效果优异且具有良好的泛化能力,训练集数据的平均误差接近于0;经过遗传算法优化后的BP神经网络在时间序列预测中表现出更高的精确性和稳定性,有效地提高了预测模型的性能。这对滑坡位移的预测意义重大,为滑坡灾害的预警和防治提供了更加可靠的科学依据。

基于MI-PSO-RBF神经网络的铁路客货运量预测研究

准确地预测铁路客货运量对合理配置运输资源、提高铁路客货运组织工作效率有重要作用。为提高铁路客货运量的预测精度,提出一种基于MI-PSO-RBF神经网络的客货运量组合预测模型。本研究对铁路客货运量的影响因素及其内在关联进行分析,选取相关指标,利用互信息素法对指标进行筛选,构建影响因素指标体系。基于该指标体系,运用粒子群算法优化的RBF神经网络模型分别对铁路客货运量进行预测,并与传统的BP神经网络、RBF神经网络预测模型进行比较。结果显示,经过参数调整优化后的MI-PSO-RBF神经网络在铁路客运量及货运量的预测精度方面表现最佳,测试集R2分别达到了0.9481与0.9911,具有较高的精度及泛化能力,表明该组合预测模型能够进一步提升神经网络模型预测铁路客货运量精确度。

基于改进BP神经网络的河北省碳排放预测

“双碳”目标背景下,针对河北省高碳经济发展模式难以改变、以往预测模型难以满足现实需求等问题。论文根据统计年鉴数据,研究河北省能源消费趋势和分行业碳排放特征,并借助脱钩指数探究河北省碳排放动态变化趋势,选取IPCC二氧化碳排放的计算方法,基于6项碳排放量影响因素建立遗传算法(GA)优化BP神经网络的河北省碳排放模型,对河北省2021—2030年碳排放量进行仿真预测。结果显示:河北省能源效率低于全国水平,河北省工业碳排放量最高;河北省的经济增长与碳排放之间主要呈弱脱钩态势;GA-BP模型预测结果比BP模型更加稳定,误差较小,更适合用于碳排放量的预测。预测结果显示,河北省未来碳排放量呈缓慢增长趋势,以期为政府决策提供理论依据,助力河北省“双碳”目标的实现。

基于灰色神经网络的地铁牵引用电预测模型

[目的]为了提高列车运行效率,需对地铁牵引能耗进行监测,并建立相关能耗模型对地铁牵引能耗进行预测分析。[方法]介绍了灰色预测模型和BP(反向传播)神经网络的基本原理;以天津某典型地铁车站2021年6月的牵引日用电量数据为例,采用灰色关联分析法筛选出与地铁牵引日用电量关联度大的影响因素,基于GM(1,1)灰色预测模型预测出短期牵引日用电量;将所筛选出的关联度大的影响因素、GM(1,1)灰色预测模型预测的短期牵引日用电量及相邻历史牵引日用电量数据,作为BP神经网络模型中的输入量进行训练,建立GM-BP灰色神经网络模型,并生成所需短期地铁牵引日用电量预测数据。[结果及结论]与传统GM(1,1)灰色预测模型和BP神经网络模型相比,通过GM-BP灰色神经网络模型预测的短期牵引日用电量预测误差有明显的改善,能够作为有效的地铁牵引能耗数据进行短期预测数据分析。

基于改进PSO-BP神经网络的热采管柱应力预测

稠油热采过程中,油套管柱由于在温度、地层等多重载荷作用下发生塑性形变进而导致断裂或失效。文中根据热采管柱高温服役工况,引入异步变化学习因子和自适应权重建立输入参数为注汽温度、井深、非均匀系数和水泥环温度,输出参数为套管应力的改进PSO-BP模型。文中以N80热采套管为例,选取260、280、300、320、340℃5种温度工况下有限元模拟结果作为训练数据,对比BP模型、GA-BP模型、MEA-BP模型、PSO-BP模型和改进PSO-BP模型在300℃工况温度下井深200、300、400、500、600、700 m处套管应力的预测值和试验值、有限元计算值。结果表明:改进PSO-BP模型预测的应力与试验值最接近,最大和最小误差分别为2.69%和0.06%。最后从训练数据、预测误差、计算时间等方面对建立的改进PSO-BP模型进行了评价,为热采管柱服役过程中的强度安全分析提供智能高效的模型。