一种战车主减速器温度预测方法研究

目的针对战车主减速器温度预测需求,建立时间序列ARIMA多步预测和BP神经网络预测模型,提出基于BP神经网络修正误差的ARIMA模型温度预测方法。方法结合BP神经网络的非线性能力与ARIMA模型预测能力,分析ARIMA在多步预测时误差产生原因,在神经网络对ARIMA多步误差进行预测基础上计算修正因子,把误差修正因子和BP网络结合,实现对多步预测误差的修正。结果ARIMA模型多步预测时,预测误差随预测步数的逐步增加不断增大,引入了误差修正因子进行修正。通过预测值与实际值进行对比,可有效提高预测准确度。结论 BP神经网络和误差修正因子结合应用可显著提高温度预测效果。     

人工鱼群神经网络应用于城市污水处理厂进水量预测研究

城市污水处理厂进水量的预测精度对污水厂的安全运行与科学管理具有重要影响。将人工鱼群算法用于神经网络的训练过程,并根据污水厂进水量的变化特性,考虑其周期性及气温、天气和节假日等影响因素,建立人工鱼群神经网络的预测模型。将人工鱼群神经网络预测模型应用到实际中,研究结果表明人工鱼群神经网络具有预测精度高、误差小的优点,在污水管网监测预警及实现管网与水厂联动等方面具有一定的实际意义。     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.      

城市供水系统优化调度现状与展望研究

总结论述了优化调度的内涵以及优化调度三部分内容的国内外研究的现状。针对国内外优化调度软件及工程应用现状问题进行了总结和论述,提出了城市供水管网优化调度系统的研究发展前景及重心。通过优化调度系统的实际应用及效益产值论证优化调度的研究意义及价值所在。优化调度是改善传统管网系统运行模式不足的有效手段和必要途径。实现供水管网优化调度可有效保障管网运行的安全性和可靠性,降低管网运行维护成本,提高社会效益和经济效益。     

基于神经网络的海水脱硫系统脱硫效率模型

针对海水脱硫运行优化和环保监测的需求,运用BP神经网络建立了海水脱硫吸收塔脱硫效率模型,模型以烟气量、入口SO_2、海水量、海水温度、海水升压泵电流为输入变量,脱硫效率为输出变量,运用这模型对某320 MW机组海水烟气脱硫装置脱硫效率进行预测。结果表明:模型的预测值与实际值基本一致,相对误差范围在-0.5%~0.5%范围之内,并运用该模型对20组测试样本进行仿真输出,所得误差最大为0.451%,误差在工程允许范围内,具有较好的预测精度,说明BP神经网络用于海水脱硫效率预测是可行的。     

基于经验小波变换的鄱阳湖CODMn预测

高锰酸盐指数(COD_Mn)是衡量水质状况的最重要参数之一,能反映水体受还原性物质污染的程度。结合经验小波变换(EWT)和双向长短期记忆(BLSTM)神经网络,提出了一种先利用EWT将原始的COD_Mn时间序列分解成若干成分,然后利用BLSTM神经网络对分解出来的每个成分进行预测,最后将所有成分的预测结果重建获得最终COD_Mn预测值的新的混合模型EWT-BLSTM;并以2017年8月—2020年4月鄱阳湖COD_Mn监测数据为研究对象,进行模型性能验证。结果表明：EWTBLSTM模型具有良好的预测性能,预测未来1 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为2.25%,与单一BLSTM神经网络模型相比降低了10.53%;预测未来7 d以后的COD_Mn时,EWT-BLSTM模型的平均绝对百分比误差为8.36%,与单一BLSTM神经网络模型相比降低了16.16%。在COD_Mn峰值处,该模型依然保持较高稳定的预测性能,说明在...     

基于注意力机制优化的LSTM河流溶解氧预测模型研究

溶解氧(DO)是水体中的重要水质指标,构建数据驱动模型,实现对溶解氧的准确预测,将为水环境管理提供科学有效的技术手段. 考虑到溶解氧序列数据非线性强、非平稳性突出的特点,提出一种基于双阶段注意力权重优化机制的长短时记忆网络(long short-term memory, LSTM)的河流溶解氧预测模型(DAIW-LSTM模型),该模型的编码器包含双阶段权重优化的空间注意力机制,而解码器包含双阶段权重优化的时间注意力机制. 将该模型应用于流溪河流域白云李溪坝、流溪河山庄、从化街口等水质监测站溶解氧日均值预测的研究,开展了该模型与DA-LSTM、LSTM、Bi-LSTM等基线模型的预测效果对比分析,探讨了特征权重优化机制及上游站点水质数据输入对模型预测性能的影响. 结果表明:①通过与基线模型的预测效果对比,验证了DAIW-LSTM模型的精准性,其对白云李溪坝站溶解氧预测的对称平均绝对百分比误差(SMAPE)、平均绝对误差(MAE)、均方误差(MSE)分别为0.075、0.611、0.712,在所有模型中最优. ②对于新的注意力权重优化机制,第二阶段会对第一阶段的初步权重进行优化修正;针对pH、电导率、水温、气温等影响溶解氧预测的重要特征,DAIW-LSTM模型会自适应调整其权重在时间序列上的分布,从而提高该模型的预测精度. ③加入上游水质特征的输入影响,通过9个组合试验对比可知,DAIW-LSTM模型仍然为表现最佳的模型,该系列组合试验也证明上游站点及其特征变量选取的重要性. 研究显示,注意力权重优化机制的引入使得该模型相较其他基线模型展现出更好的适用性和精准性,可为地表水水质预测研究提供新思路.      

基于数据分解的大气污染物短期预测组合方法综述

大气污染物的短期预测,对制定有效的大气环境治理措施和降低居民健康风险具有重要的实际参考价值。组合模型通过数据分解挖掘时间序列中蕴含的时频信息,可以进行精准且可靠的预测,已成为大气污染物短期预测的发展趋势。从时间尺度,将现有的大气污染物短期预测方法进行梳理,重点综述了基于小波分解、经验模态分解和变分模态分解的组合模型。随后,依据处理目的,将现有模型组合结构的优化方向归纳为数据降噪、二次分解、分量处理和误差修正,并对各结构的优缺点与适用范围进行总结。结果发现：4种组合结构并非普遍适用于所有预测情况,应根据数据特征等条件有选择性地使用。最后,总结了现存组合预测模型存在的问题,指出未来应从自适应组合结构、数据特征对性能影响和模型多性能平衡的角度开展相关研究。     

基于神经网络的城市夜间环境监控与预测

因夜间天空亮度分布具有非线性变化特点,故引入神经网络算法,建立基于时间序列的夜天空亮度预测模型,夜天空亮度预测模型可为城市光污染防治提供评价依据.文章对神经网络的原理进行了论述,建立了基于时间序列预测模型.以测试数据为训练样本集,基于MATLAB(矩阵实验室,Matrix Laboratory的简称),采用改进的BP算法(误差反向传播算法)对网络进行学习训练,并对存在的误差进行了分析.基于时间序列BP神经网络的夜天空预测模型,当隐含层神经元数目为5,训练函数为L-M优化算法(trainlm)时,最大绝对误差可达到0.003 6 cd/m2,最大相对误差达到2.361 4%.结果表明,模型的运行结果与试验数据比较吻合,输出与目标矢量之间相关性也较好.     

基于动态剪枝的城市供水管网优化调度算法

城市供水管网的优化调度模型,需要反复调度水力学模型来计算目标函数和约束条件,从而产生巨大的计算和时间成本。在优化迭代过程中,为了获得更优秀的优化结果,通常在搜索空间中约束条件的边界进行搜索,产生了大量不满足约束的样本和较低的优化效率。为解决这一问题,提出了一种高效的基于约束条件的动态剪枝方法,在运行水力学模型前,利用优化计算过程中积累的数据来判断样本是否符合约束条件,从而剔除不满足约束的样本,提高优化效率。模型分别在1个案例管网和1个真实管网上进行测试,结果表明:使用朴素贝叶斯、决策树和支持向量机作为动态剪枝算法,在获得和原始优化模型几乎相同结果的同时,分别减少56.4%、58.5%和56.8%的计算次数。     

机器学习在材料服役性能预测中的应用

针对材料服役性能预测存在误差大、计算复杂、适用性差等问题,提出了基于数据挖掘的机器学习预测方法。首先阐述了机器学习的应用流程,并总结了常用模型原理及其在材料性能预测中的应用。然后采用多种机器学习模型对RPV钢的辐照性能进行预测,并通过Stacking集成方法提高了模型的预测精度。结果表明,机器学习可用于材料服役性能预测,具有较高的预测精度和可靠性。根据材料服役数据的不同特征选择合适的学习模型,同时进行模型融合和参数优化,可有效提高模型的预测精度及运算速度。     

基于混沌神经网络模型的水库叶绿素a浓度短期预测

通过混沌理论对水库叶绿素a浓度时间序列进行分析计算,得到最大Lyapunov指数为0.0218(正数),表明该时间序列具有混沌特性,可进行短期预测。同时,利用相空间重构的方法计算出时间延迟τ和嵌入维数m,并由此构建了可用于水库叶绿素a浓度短期预测的混沌神经网络模型。将该模型对于桥水库的叶绿素a浓度时间序列进行短期预测,平均预测相对误差为7.85%,取得较为满意的预测效果。该方法对水库的水环境管理具有一定的参考价值。     

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。     

基于NARX神经网络的千岛湖藻类短期预测模型构建

局部水域的藻类异常增殖现象逐渐成为千岛湖面临的水环境保护难题. 构建以数据驱动的水华预测模型,实现对重点水域叶绿素a (Chla)浓度短期动态变化的预测,是快速应对潜在水华风险的有效手段之一. 鉴于NARX神经网络在预测非平稳时间序列动态特征方面的优势,以千岛湖国控监测断面小金山2016—2019年Chla的高频时间序列作为研究对象,对Chla剖面数据进行沿深平均、缺失值插补后,分别以连续3 d和连续7 d的Chla浓度作为输入,构建了基于NARX神经网络的藻类预测模型,用于预测未来0.5~7 d Chla浓度的变化,探讨了相关参数设置、训练及评价方法,并针对不同的预见期分析了模型性能. 结果表明:① 模型预测性能稳定,预测值与实测值相关系数保持在0.8~0.9之间,均方误差在15~30之间. ②随着预见期的变化,模型性能不同. 其中,在未来0.5~4 d的预测中,使用连续3 d的 Chla浓度作为输入的预测效果较好;在未来4.5~7 d的预测中,使用连续7 d的Chla浓度作为输入的预测效果较好. 研究显示,该模型可以较为准确地预测未来0.5~7 d的Chla浓度,可为构建以数据驱动的千岛湖水华监测预警系统提供科学依据.      

基于遗传算法的人工神经网络在降水酸度预测中的应用

在误差反向传播(Back Propagation)算法的人工神经网络结构模型的基础上，应用遗传算法训练神经网络权重，实现网络结构的优化。用优化后的BP人工神经网络建立了江西省南昌市的降水酸度预测模型。并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的人工神经网络优于BP算法及多元线性回归法，具有良好的预测效果。     

基于RBFNN的催化再生烟气二氧化硫浓度预测研究

为了提前掌握催化裂化再生烟气中二氧化硫的排放浓度,有效动态指导烟气脱硫设施运行参数调节,研究开展了RBF和BP神经网络在催化裂化再生烟气二氧化硫浓度预测中的应用。通过业务和数据分析,确定了影响再生烟气二氧化硫浓度的工艺特征变量。利用2组采用不同方法清洗的数据,对比分析了RBF和BP神经网络模型在提前15 min情况下,预测再生器出口二氧化硫排放浓度的效果,结果表明2种模型的预测精度分别为90.36%和86.43%。RBF神经网络二氧化硫浓度预测模型经过400个工业样本测试,浓度预测值的最大误差为14.01 mg/m³,最小误差为0.05 mg/m³,平均误差为6.08 mg/m³,满足企业现场应用的要求。     

自适应人工鱼群-BP神经网络算法在径流预测中的应用

为了提高水库和河流中长期径流预测精度,提出了弹性自适应人工鱼群算法(RAAFSA)。应用RAAFSA算法训练BP神经网络,实现BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对石泉水库进行中长期径流预测。仿真计算表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法、人工鱼群-BP神经网络算法和RBF神经网络算法。该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,每次预测相对误差绝对值都小于6%,合格率达到100%。该算法成功地解决了石泉水库中长期径流预测精度不高的难题,可有效用于水库和河川中长期径流预测。     

基于修正组合模型的青海省城市需水量预测

根据城市用水量系统具有非线性和随机波动性的特点,为了充分发挥组合灰色神经网络预测模型能够综合单变量预测及非线性处理的优势,同时降低组合权系数计算方法的不确定性对模型预测效果的影响,论文提出了基于马尔科夫链修正的组合灰色神经网络预测模型。将其应用于1980—2009年青海省城市用水量序列的拟合分析,并预测其2010、2015以及2020年的城市需水量。结果表明:基于马尔科夫链修正的组合灰色神经网络预测模型预测结果的误差更小,精度更高。     

基于自适应调整蚁群-RBF神经网络模型的中长期径流预测

径流预测历来是水利部门的一项重要工作,针对水库和河流中长期径流预测精度不高,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节人工蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑影响径流预变化因素,对安康水库进行中长期径流预测。对预测效果进行检验,结果证实该模型可真实地反映河川径流变化的总体趋势, 并为判断时间序列数据的非线性提供了一种新方法。与RBF神经网络模型、人工蚁群-RBF神经网络模型预测结果进行对比,结果表明,应用ARACS-RBF模型对中长期径流量进行预测,预测精度更高、效果更好。该方法克服了RBF神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了径流预测的精度,置信度为98%时的预测相对误差小于6.5%。可有效用于水库和河川中长期径流预测。     

基于CEEMD-BiGRU模型的徐州市大气污染物浓度预测

目前大气污染物对于地区经济以及人体健康的影响不容忽视。选取徐州市2016-01-01—2021-01-24大气污染物和气象要素数据,针对大气污染物浓度波动性强等特点,运用互补集成经验模态分解(CEEMD)将污染物数据分解为本征模态分量,提取出原始数据的各项特征,再对分解出的各本征模态分量构建双向门控循环单元模型(BiGRU),通过双向循环训练,学习各分量的特征趋势并获得最优训练参数,将输出结果重构,得到最终的预测值。结果表明:与BiGRU、BP模型相比,CEEMD-BiGRU模型预测各项大气污染物的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别下降15%、20%和2百分点以上,预测精度有较大提升。在此基础上,利用CEEMD-BiGRU模型预测后一时间段残差,以修正原预测值,得到大气污染物预测区间上界,进一步扩展模型的适用性。