基于鱼群优化算法和Elman神经网络的短期电力负荷预测

精确的短期负荷预测允许用户选择合适的能源利用策略,并最大限度地降低电费支出。为实现更为精确且全局最优的短期负荷预测,提出一种基于鱼群优化算法和Elman神经网络的短期电力负荷预测方案。首先利用小波变换将时间序列分解成分量,并基于对立人工鱼群优化算法进行特征选择。接着基于Elman神经网络模型的水波优化算法进行短期负荷预测,从而显著提高了预测的精确度。最后应用逆小波变换得到每小时的负荷预测数据,借助武汉市电力负荷数据对所提方案进行验证评估。验证结果表明所提方案在冬季数据和夏季数据上的平均绝对百分比误差分别为1.43%和1.98%,明显优于支持向量机、混合网络和小波变换-神经进化算法。

人工神经网络技术在海浪预报中的应用

利用人工神经网络中的算法,建立了南海硇洲岛海区风浪的预报方案。结果表明,人工神经 BP 网络方法在海浪的定性及定量预报上,均有较好的拟合历史风浪浪高的能力。该方案对风浪浪高的预报也达到了一定的精度。文中还针对网络容易产生振荡,易发生不收敛的情况,建立了不同的预报方案并 BP 进行了对比分析,达到了较好的预报效果。

人工神经网络技术在台风浪预报中的应用

利用人工神经网络中的BP算法 ,结合南海硇洲岛海区近30年的台风及台风浪资料 ,经预报因子的选择并作对比试验 ,建立了本海区较为理想的台风浪人工神经网络预报模型。结果表明:人工神经网络方法在台风浪的预报上 ,有较好的拟合历史台风浪高的能力 ,利用该模型对台风浪高的预报也达到了一定的精度。为实际台风海浪的预报增加了新方法、新思路。

基于BP神经网络模型的福建海域赤潮预报方法研究

赤潮往往给渔业生产和人类的生命安全造成极大的危害,但由于赤潮的成因十分复杂,对其进行预报非常困难。本研究收集了福建海区2000年至2016年发生的219个赤潮案例有效数据,应用BP神经网络人工智能模型建立了其与气温、降水、风速、气压和日照5个气象因子的非线性关系,并将这些赤潮案例数据与相应的气象指标按闽东、闽中和闽南3个海区,分别输入模型进行学习、训练与预测。结果显示:1)闽东海区53个训练样本45个预测正确,正确率达84.91%,3个模拟预测样本全部正确;2)闽中海区69个训练样本58个预测正确,正确率达84.06%,4个模拟预测样本全部正确;3)闽南海区85个训练样本的运算预测结果63个正确,正确率74.12%,5个模拟预测样本全部正确,达到预期的结果。研究表明,以气象因子为自变量采用BP神经网络模型对赤潮的发生进行预测是可行的,该方法可为赤潮的预测提供新的途径。

优化背景值的GM(1,1)模型组合改进

针对提高模型的拟合效果.在GM(1,1)模型基础上,提出改进方案生成紧邻生成序列.利用组合预测思想,结合BP神经网络预测算法对改进后的灰色模型做进一步的优化修正,同时引用新陈代谢灰色模型理论成为BP-GM(1,1)等维新息模型.该模型充分利用了两种预测方法的优势,适当的减小了单个模型预测时的误差.数据拟合结果表明:BP-GM(1,1)模型具有更好的拟合精度,该模型应用范围更广.

灰色神经网络的鱼雷经济寿命预测

为减少军费开支、降低鱼雷全寿命费用,从经济性角度提出了鱼雷最佳服役年限模型。利用灰色等维新息GM(1,1)模型对鱼雷年度使用维修费用进行预测;采用分组的思想将原始数据分为多组,采用神经网络对灰色模型的预测残差进行修正,以提高预测精度。通过实际算例预测了鱼雷经济寿命,从而证明了模型的实际应用价值。

农机总动力预测的灰色神经网络新方法

为提高农机总动力变化趋势的预测精度,将pGM(1,1)模型与RBF神经网络相结合,建立了基于pGM(1,1)-RBF神经网络的农机总动力预测模型,并以中国农机总动力数据预测为例,验证了该模型精度高、可行有效,适用于农机总动力预测。

GM-BP组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。

基于人工神经网络的毫米波雨衰减预报

在考虑了电波雨衰减与工作频率、仰角、降雨率、极化角等多个参数的综合非线性映射的基础上 ,建立了基于人工神经网络的毫米波雨衰减预报模型 ,并将结果与 CCIR预报模型进行了分析比较 .结果表明 ,利用神经网络的非线性特性进行高频电波雨衰减的预报 ,可降低平均误差 0 .59d B,并减小均方差 0 .69d

灰多变量ANN模型在城市用地预测中的应用

合理确定城市用地规模,是衡量城市理性发展的重要依据。选择了年度GDP、工农业总产值、总人口等重要的建城区影响因子,分别用灰色GM(1,N)、BP神经网络构建了单项预测模型,并对各模型的优缺点进行比较分析。其次采用标准差法进行权重分配,建立组合模型。实例计算结果表明,组合预测模型的精度优于其他两个单一预测模型,这是对建城区面积预测方法的有益探索。

基于灰色GM(1,1)和BP神经网络组合预测模型及应用

在分析灰色GM(1,1)模型和BP神经网络模型优缺点的基础上,构建了基于GM(1,1)与BP神经网络组合预测模型。首先利用GM(1,1)模型对系统发展进行预测得到一组预测值,同时分别将原始数据与预测数据作为输入输出数据对BP神经网络进行训练,以便得到权值和阀值,最后利用得到的权重和阈值并输入预测年份,即可得预测值。将构建的组合模型对中国人口未来发展趋势进行预测,预测结果表明,人口总量在中短期内继续增长,增速较为平稳,每年以0.11亿人口数增长。该算例表明了该组合预测模型具有较高的预测精度。

基于MMAS-BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。

基于灰色G(1,1)和小波神经网络的预测模型及应用

将灰色系统、小波分析和三层BP神经网络各自优点集于一身建立了基于灰色G(1,1)和小波神经网络的预测模型,大幅度提高了模型的预测精度和可靠性。选用我国自1994年至2006年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,将拟合值做小波神经网络的输入进行二次拟合和预测。实验结果及仿真验证表明,本文模型预测效果远优于单一的灰色模型预测。

基于灰色BP神经网络组合模型的郑州市商品住宅价格预测

针对郑州市商品住宅价格问题进行了研究,在传统GM(1,1)模型的基础上引入BP神经网络模型,建立了灰色BP神经网络组合模型,采用传统GM(1,1)模型与灰色BP神经网络组合模型预测郑州市商品住宅价格.结果表明,灰色BP神经网络组合模型比传统GM(1,1)模型预测精度高,具有更好的应用价值.

基于灰色BP神经网络的质心数据处理方法

为减小传感器的随机误差对三点支撑小型农业机质心测试系统质心高度数据的影响,同时提高质心高度的测试效率和安全性,对该类测试系统在有限次、小角度条件下测试获得质心高度的数据处理方法进行了研究。提出灰色GM(1,1)模型与BP神经网络相结合的灰色BP神经网络模型的构建方法,采用该方法构建的预测模型,对质心高度测试获得的数据进行处理可以获得较高精度的质心高度数据,并搭建了小型试验台对预测模型进行验证。结果表明,采用该方法构建的质心高度预测模型得到的质心高度数据相对误差为0.759%。

中国海域及邻区基于BP神经网络的矩震级转换模型

海域地震对我国海洋资源开发和沿海地区的经济建设形成严重威胁,开展相关地震活动性研究的重要前提是编译我国海域及邻区的地震目录。我国常用的震级标度为面波震级(MS),而国际上最新的地震活动模型多采用矩震级(MW),因此在应用这些模型时需要拟合面波震级与矩震级之间的转换关系。本文以中国海域及邻区为研究区,收集了1988—2020年中国地震台网的面波震级和全球矩心矩张量(GCMT)项目的矩震级数据,从中提取年份、深度、经度、纬度、面波震级作为影响因子,以实际记录的矩震级值作为标记,训练BP神经网络建立以GCMT的矩震级为目标的震级转换模型。同时,使用最小二乘回归和正交回归建立线性模型作为对比。结果显示,最小二乘回归和正交回归的平均绝对误差和均方根误差比BP神经网络高40%左右。此外,BP神经网络的残差绝对值更小、分布更集中。

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等,利用LSTM深度神经网络方法,开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域,通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子,分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析,得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差,RMSE分别降低了41.3%和38.8%,MAE平均降低了43.0%和40.0%;风速误差统计和极端大风分析发现,LSTM模型能够抓住地形、短时大风和台风等敏感信息,对于大风过程预报结果明显优于WRF模式;两种LSTM模型对比发现,ALL_LSTM模型风速预报误差最小,具有很好的稳定性和鲁棒性,OBS_LSTM模型应用范围更广泛。

忠武输气管道沿线滑坡预测方法研究

基于忠武管道沿线滑坡不具有成面、成片分布的特点及其管道沿线滑坡监测方案,系统地分析了忠武输气管道沿线滑坡预测过程,根据灰色GM(1,1)模型具有对数据量需求少、对时间有关的序列有很好的预测效果等优点,重点研究了灰色GM(1,1)模型及其改进模型,并对各种改进的灰色模型预测结果进行比较分析;同时顾及BP神经网络的各种优点,本文还较深刻地研究了灰色神经网络组合预测模型,在此之上提出了一种改进的串联灰色神经网络模型,通过实例分析对该模型在忠武管道沿线滑坡预测方法进行了探讨。

雷达高度计海况偏差估计神经网络模型研究

本文基于Jason-2高度计数据,在12个不同季节的cycle数据中组合1~6个cycle的有效波高、风速和海况偏差为训练集,选取Jason-2的另外3个不同季节的cycle数据集为测试集。经检验分析,确定3个cycle对应的BP神经网络模型。将该模型应用于HY-2高度计海况偏差的估计,通过海况偏差与有效波高及风速的拟合优度、解释方差和残差对比分析,结果表明:神经网络BP模型可以有效应用于HY-2的海况偏差估计并明显优于传统海况偏差参数模型。

基于新陈代谢无偏灰色神经网络的水质预测模型

针对水质参数样本数据少且非线性的特点,建立了新陈代谢无偏GM(1,1)与BP神经网络的组合预测模型,将通过新陈代谢无偏GM(1,1)模型得到的数据集作为BP神经网络的输入,原始序列作为神经网络的期望输出,训练得到最佳BP神经网络。将该组合模型应用于乐山岷江大桥断面溶解氧浓度的预测,结果表明,相对误差均在3%以下,与传统灰色神经网络水质预测模型相比,该模型具有实时性及预测精度更高的优点。