基于改进灰色模型的ATS测试仪器校准周期确定

针对自动测试系统ATS中测试仪器校准周期的确定问题,提出了改进的灰色GM(1,1)模型预测方法。首先从GM(1,1)模型出发对模型本身进行改进,然后建立等维新息模型,并确定其最佳维数,递补动态更新预测信息,为进一步提高预测精度,提出了残差修正预测模型,并引入马尔可夫过程解决其修正残差的符号问题。实例结果表明,改进的模型预测方法比单独的模型预测具有更高的精度,可以应用于测试仪器校准周期的预测过程。

井下巷道贯通误差预计及精度提高措施

本文以某矿2#采掘工作面的一水平北翼回风大巷的贯通为例,论述了井下巷道贯通的测量方案及误差预计。并针对预测误差提出了提高精度的措施。

基于改进核极限学习机的短期负荷预测全网模型设计

为了更好地实现对电力系统子网负荷的快速、准确预测,设计了一种通过优化核极限学习机实现的预测模型,同时建立了Cholesky分解的核极限学习机以及短期负荷预测模型。分析了隐含层中的神经元个数引起的模型泛化性差异性,发现在神经元数量为25个时误差达到最低。结果表明,按照聚类方式获得的改进Kernel极限学习机(KELM)模型表现出更强拟合性能。采用聚类方式的组合预测模型具备可靠性,通过聚类方法选取最佳训练样本能够显著降低模型预测误差。改进KELM模型总共进行了5次聚类,改进KELM方法计算短期负荷准确率均在97%以上,满足设计要求。该研究为后续的全网负荷预测起到一定的理论支撑作用。