检索结果-南通市图书馆

吉林建筑大学学报 2022年第2期39卷 36-42页

作者：李明柱纪田雨李亚男陈灏馨吉林建筑大学市政与环境工程学院长春130118

对求解反向传播(BP)神经网络中的Sigmoid函数需要无限多个值且不保证有唯一解的问题,改进后的神经网络即小波神经网络(WNN)具有较强的学习能力、较快的收敛速度等优点.因此,本文用WNN模型和BP神经网络模型预测了暖通空调系统的短期热负... 详细信息

对求解反向传播(BP)神经网络中的Sigmoid函数需要无限多个值且不保证有唯一解的问题,改进后的神经网络即小波神经网络(WNN)具有较强的学习能力、较快的收敛速度等优点.因此,本文用WNN模型和BP神经网络模型预测了暖通空调系统的短期热负荷,并将预测值与实测值进行比较.结果表明,WNN模型预测值的拟合度高于BP神经网络模型预测值的拟合度,WNN模型提高了暖通空调系统短期热负荷的预测精度.

关键词：暖通空调系统短期热负荷预测小波神经网络人工神经网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

改进Elman神经网络在短期热负荷预测中的应用

引用

工业仪表与自动化装置 2020年第1期 50-53页

作者：王琦杨超杰李丽锋山西大学自动化系太原030013 山西河坡发电有限责任公司山西阳泉045001

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层... 详细信息

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。

关键词：短期热负荷预测 Elman神经网络相关系数预处理归一化平均化

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于RF的并行CNN-TGLSTM热负荷预测模型

引用

华北理工大学学报（自然科学版） 2024年第2期46卷 112-123页

作者：谭全伟薛贵军谢文举华北理工大学电气工程学院河北唐山063210

精准的热负荷预测不仅可以提高用户舒适度,还可以有效降低能源消耗。为了提升热负荷预测的准确性,本研究提出了一种基于随机森林的并行CNN和TGLSTM的短期热负荷预测模型。首先,采用随机森林算法对特征进行筛选;其次,利用并行网络CNN和... 详细信息

精准的热负荷预测不仅可以提高用户舒适度,还可以有效降低能源消耗。为了提升热负荷预测的准确性,本研究提出了一种基于随机森林的并行CNN和TGLSTM的短期热负荷预测模型。首先,采用随机森林算法对特征进行筛选;其次,利用并行网络CNN和改进的LSTM分别提取时空特征;最后,将提取的特征与多头注意力机制动态结合。实验结果表明,并行CNN-TGLSTM-MA相较于传统的串行CNN-TGLSTM模型,在MAE和MSE方面分别降低了16.9%、26.8%,同时提升了3.5%的R2值,证明了所提出的并行CNN-TGLSTM-MA模型在短期热负荷预测方面的有效性和优越性,为热力系统供热负荷的精准调控提供了参考。

关键词：短期热负荷预测卷积神经网络转换门控长短期记忆网络多头注意力机制随机森林

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

集中供热系统的热负荷预测与规划

集中供热系统的热负荷预测与规划

引用

作者：庞明月大连海事大学

学位级别：硕士

短期热负荷预测是实现集中供热系统“按需供热”,解决供热不均问题,保障热用户舒适性的基础和前提。热负荷受多种因素影响,各因素与热负荷之间的关系既有线性的也有非线性的,使热负荷预测的难度加大。因此,选取合适的预测方法,建立恰当... 详细信息

短期热负荷预测是实现集中供热系统“按需供热”,解决供热不均问题,保障热用户舒适性的基础和前提。热负荷受多种因素影响,各因素与热负荷之间的关系既有线性的也有非线性的,使热负荷预测的难度加大。因此,选取合适的预测方法,建立恰当的热负荷预测模型,为操作人员提供针对性的指导显得尤为重要。本文以热负荷的自身规律及其影响因素为研究对象,主要研究内容包括以下几点:首先,对历史数据进行预处理,探究气象因素对热负荷的动态影响效果,通过各影响因素与热负荷之间的相关性分析以及采用多元逐步回归法确定输入变量,求得多元逐步回归方程。由于热负荷还受自身规律的影响,气象因素对热负荷的影响并非完全是线性的,使多元逐步回归模型在特定的时间段内能较好的反映热负荷的变化趋势,超出该时间段,模型的泛化能力变差,精确度变低。因此,在全部时间段内将热负荷与气象因素之间的关系线性化是不合适的。其次,为解决热负荷与气象因素之间的非线性问题,并提高标准粒子群算法的搜索性能,提出基于相似度权重动态调节的粒子群优化支持向量机(DPSO-SVM)的热负荷预测模型。实例验证:DPSO算法具有比PSO算法更强的搜索性能;DPSO-SVM模型能够很好地解决多元逐步回归模型特定时间段泛化能力强、超出时间段泛化能力弱的问题,相比于多元逐步回归模型,模型的精确度提高4.9%。最后,提出基于重大节假日修正的DPSO-SVM热负荷预测模型,修正后模型的精确度提高12.7%。因此,DPSO-SVM模型更适合对热负荷进行逐时预测。将DPSO-SVM预测模型应用到大连某供热企业中,逐时预测未来时刻的热负荷值,并按照热规划值进行供热。通过热用户的反馈情况表明,DPSO-SVM热负荷预测模型是可靠的,能够为操作人员提供针对性指导。因此,DPSO-SVM热负荷预测模型对供热企业具有积极的指导作用。

关键词：短期热负荷预测多元逐步回归 DPSO-SVM 供热不均

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于BP神经网络的短期供热负荷组合预测研究

基于BP神经网络的短期供热负荷组合预测研究

引用

作者：章婕大连海事大学

学位级别：硕士

目前集中供热系统大多按经验供热,并未实现“按需供热”的生产模式。在热源处进行短期热负荷预测是供热企业实现“按需供热”的前提。热负荷预测源于历史数据与既往经验,供热现场的运行数据虽被存储在工业信息平台中,但目前并未得到有... 详细信息

目前集中供热系统大多按经验供热,并未实现“按需供热”的生产模式。在热源处进行短期热负荷预测是供热企业实现“按需供热”的前提。热负荷预测源于历史数据与既往经验,供热现场的运行数据虽被存储在工业信息平台中,但目前并未得到有效的挖掘利用。利用单一预测方法建立热负荷预测模型很难达到满意的预测精度,组合预测可充分利用单一方法的优势,达到更高的预测精度。故本文针对热源采用组合预测进行短期热负荷研究,为实现智慧供热进行了积极有益的探索。首先,从影响因素筛选、数据清理以及相似日选择三个方面有效处理数据。由于热负荷受诸多因素影响,数据繁杂,故采用随机森林(RF)筛选出影响程度高的因素作为预测模型的输入变量。为了保证数据的可靠性,利用K均值聚类方法辨识异常数据,将缺失值按不同缺失规则分别采用平均值、拉格朗日以及支持向量回归(SVR)进行填补。采用模糊C均值聚类(FCM)考虑气象及日期因素进行相似日选择,实验结果表明,经过相似日选择后的极限学习机(ELM)和SVR预测模型的精度有所提高。其次,在数据处理的基础上,提出基于BP神经网络的短期供热负荷组合预测方法。利用BP网络自学习调节权重将解决小样本非线性问题的SVR与容错性强、运算简单的极限学习机(ELM)进行非线性组合。由于SVR的预测精度依赖于内部参数,采用粒子群算法(PSO)寻找SVR模型的最优参数。实验结果表明,组合预测模型可综合单一模型的优势。基于BP神经网络组合模型的平均绝对百分比误差为1.98%,比PSO-SVR预测精度提高了 19.5%,比ELM模型预测精度提高了 19.8%,比基于信息熵等线性组合模型预测精度提高了 18.5%。最后,基于BP神经网络组合预测方法能够满足供热企业需求,为供热生产管理和调度提供指导意见,达到更加科学化与精细化的供热管理。

关键词：短期热负荷预测数据处理支持向量回归神经网络组合预测

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于CEEMD与GWO-LSTM的精细非侵入性负荷监测

引用

综合智慧能源 2023年第11期45卷 36-44页

作者：陆潍潍殷林飞广西大学电气工程学院南宁530004

针对集中供热系统滞后性等因素导致的短期热负荷预测精度较低问题,提出一种基于互补集合经验模态分解(CEEMD)数据处理技术与灰狼优化算法-长短期记忆网络(GWO-LSTM)的精细非侵入性负荷监测方法。采用CEEMD将采集得到的原始热负荷数据分... 详细信息

针对集中供热系统滞后性等因素导致的短期热负荷预测精度较低问题,提出一种基于互补集合经验模态分解(CEEMD)数据处理技术与灰狼优化算法-长短期记忆网络(GWO-LSTM)的精细非侵入性负荷监测方法。采用CEEMD将采集得到的原始热负荷数据分解为若干个平稳的固有模态函数(IMF)并对每个IMF分别进行建模预测,叠加每个IMF的预测值作为最终的预测输出。为了提高预测精度,利用GWO算法对LSTM的隐藏层神经元数目、训练次数和初始学习率进行参数寻优,建立CEEMD-GWO-LSTM短期热负荷预测模型。以实际热负荷数据进行仿真试验并与单一LSTM模型、CEEMD-LSTM模型进行对比,试验结果表明,CEEMD-GWO-LSTM模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为0.5915 MW,0.4602 MW和8.0838%,显著低于其他对比模型。

关键词：集中供热系统短期热负荷预测非侵入性负荷监测长短期记忆网络灰狼优化算法互补集合经验模态分解

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：