应用回归分析和BP神经网络方法模拟北京地区电力负荷

根据2002～2004年5月1日至9月1日期间的日最大电力负荷与相应日期的日平均气温、相对湿度和风速资料,分析了北京地区夏季电力负荷的变化特征,并将2002年和2003年数据作为训练样本,2004年数据作为测试样本,应用多元回归、非线性回归和BP神经网络方法对每日电力最大负荷进行模拟.结果表明,几种方法均能对电力负荷进行较好地模拟,其中神经网络方法的模拟能力最强,其次为非线性回归和多元回归分析方法.     

基于BP神经网络的北京夏季日最大电力负荷预测方法

利用2006~2017年北京夏季（6~8月）逐日最大电力负荷和同期气象资料,分析最大电力负荷与各种气象因子的相关性,基于BP（Back Propagation）神经网络算法,建立了两种夏季日最大电力负荷预测模型并对比。结果表明:北京夏季周末基础负荷远小于工作日,剔除时应加以区分;气象因子对气象负荷的影响具有累积效应,累积2 d时两者的相关性最强;结合实际,根据自变量的不同分别建立了两种日最大电力负荷预测模型;经实际预测检验,两种预测模型均取得了较好的预测效果,能够满足电力部门的实际需求,其中自变量中加入前一日气象负荷的模型效果更优。     

一种新的温度传感器湿度补偿方法

针对温度传感器测量中易受湿度影响的问题,通过对思维进化算法（Mind Evolutionary Algorithm,MEA）中的趋同操作、异化操作及收敛条件进行研究改进,对趋同操作中的散布权值进行自适应调整,在异化操作中引入差分进化算法的变异操作,并考虑收敛条件中搜索平面平缓的情况,提出了基于改进思维进化算法的BP神经网络湿度补偿方法.由湿度影响检定实验得到的样本数据,利用此补偿方法建立湿度补偿模型,将补偿结果与未经优化的BP神经网络模型的结果进行比较研究.结果表明,基于改进思维进化算法的BP神经网络模型补偿精度较高,收敛速度快,计算量小,可有效提高温度传感器的测量精度和可靠性,便于实际应用.     

遗传算法优化的BP神经网络在地面温度多模式集成预报的应用研究

基于TIGGE资料集中的ECMWF、CMA和JMA的数值预报产品,利用加权集成、回归集成和消除偏差集成等线性集成方式与遗传算法优化的BP神经网络(GABP)集成,对我国大部开展地面2 m温度在24 h、48 h和72 h预报时效的多模式集成预报试验。通过对2013年1—6月的预报检验,结果表明:GABP集成预报效果有较大提升,均方误差明显小于各单一模式预报。GABP集成的误差分布在新疆和华北均方误差较大,但是在预报效果改进上GABP集成在西部地区相对单一模式的误差减小更加明显。在进行几种多模式集成方式时,GABP集成相比线性方法预报结果更加精准。对于天气过程个例的预报,GABP集成预报出预报量的变化趋势,预报效果优于单一模式和线性集成预报。无论是较长时间段还是短时间的天气过程,在改进预报效果上GABP集成都起到了最佳的作用。     

基于BP神经网络与遗传算法反演大气温湿廓线

为提高地基微波辐射计大气探测精度,融合BP神经网络与遗传算法,研究0~10 km大气温湿度廓线。首先,结合数据特征,基于数值模拟技术,建立一套TP/WVP-3000型号地基微波辐射计的一级数据质量控制和订正模型。然后,为减小训练样本代表性误差对模型反演精度的影响,利用遗传算法优化训练样本数据,建立一套精度更高的神经网络大气温湿度反演模型。最后,利用构建的反演模型,开展大气温湿度反演试验,结合探空资料和微波辐射计二级产品,评价反演模型精度。研究结果表明:(1)经过质量控制后的实测数据与模拟数据之间的相关性有显著提升;(2)经过质量控制与订正后建立的神经网络模型对比原微波辐射计二级产品的反演精度有一定提升,温度提升6.77%,湿度提升20.11%;(3)经过遗传算法优化后的训练样本所建立的神经网络反演模型对比原微波辐射计二级产品反演精度有进一步的提升,温度提升10.21%,湿度提升23.75%,反演结果与该地区同类型研究结果相比有着较大提升。      

气象因子对夏季最大电力负荷的敏感性分析

利用2016—2018年武汉夏季(6—9月)逐15 min电力负荷以及同期逐日气象数据,分析最大电力负荷变化特征及与气象因子的相关关系。利用逐步回归和双隐含层BP神经网络算法,建立了武汉夏季最大电力负荷的预测模型。结果表明:平均温度、平均最高温度、平均最低温度与气象电力负荷存在显著的正相关,其次是日照时数。前1 d最大电力负荷与当日最大电力负荷的相关性最好,当日电力负荷对前1 d温度的平均和舒适度指数的变化最为敏感。以历史电力负荷和气象数据为联合预报因子,逐步回归和BP神经网络算法对武汉夏季最大电力负荷具有较好的模拟效果,尤其是对持续高温造成高位运行的最大负荷模拟。当敏感性在10%以内时,逐步回归算法中气象因子正的贡献要小于负的贡献,BP神经网络算法中气象因子正的贡献要高于负的贡献;当敏感性高于10%时,两种算法中气象因子均为正的贡献。     

基于遗传神经网络的乡镇降水量预报方法试验

利用T213数值预报产品.采用遗传算法与神经网络相结合的方法,进行了乡镇降水量预报模型的预报建模研究;并将这种遗传一神经网络乡镇降水量预报模型与逐步回归预报方法和中尺度模式降水输出结果进行对比分析,试验预报结果表明,遗传-神经网络方法在大雨以上降水具有更好的预报能力.     

一种基于神经网络的遥感图像压缩编码

为了更好地在恒定压缩率条件下,实现卫星遥感图像的压缩,提出１种将像素分为３类的编码方案．每类采用基于Ｌｅｖｅｎｂｅｒｇ Ｍａｒｑｕａｒｄｔ算法的双层神经网络进行预测,和基于偏置学习规则的竞争神经网络实现量化．对长城、珠峰、香港等地遥感图像的压缩试验证实了算法的有效性．同时还表明该算法压缩图像的ＭＳＥ高于距离 权值方法与最小均方误差法,且时间复杂度为Ｏ（ｎ）．     

基于改进遗传小波神经网络的雷暴预报方法

为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGA-WNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性.     

一种基于故障逻辑解释器的电源电路故障诊断模型

设计了一个基于故障逻辑解释器的电路故障诊断模型,结合传统的故障树分析方法和脚本语言分析方法的优点,以XML技术构造故障树,用脚本语言配合故障树节点的故障逻辑推理,为实现自动推理过程,创建了一个故障逻辑解释智能组件,对故障树和脚本语言进行解释,形成一套智能故障分析模型.在软件工程师实现软件系统后,建立、维护知识库及推理测试的过程只需电子工程师和录入员进行,分工明确.该系统方便灵活,在实际应用中,取得了良好的效果.     

故障树分析法在新一代天气雷达故障诊断中的应用

故障树分析法直观、形象、灵活、多用,特别适用于复杂大型电子设备的故障诊断,更重要的是它是以国家标准形式推广的故障诊断方法.首先介绍了故障树分析法的基本概念、数学基础;其次介绍了如何进行故障树的定性分析和定量分析,如何确定最小割集重要度;最后,以雷达发射机故障为例详细说明了故障树分析法的计算过程.通过对重要度从大到小的排序,确定底事件对顶事件发生故障的贡献程度,依据排序的先后顺序进行故障检测,查找发生故障的部件.     

基于遗传优化BP神经网络的水稻气象产量预报模型

利用1951—2010年江苏省水稻产量及同期14个气象站点的逐日平均气温、降水资料,采用因子膨化及相关分析,研究了水稻气象产量的影响因子及影响时段。在此基础上建立了逐步回归、PCA-BP神经网络以及PCA-GA-BP神经网络3种产量预报模型。结果表明:(1)7—9月份是水稻产量形成的关键时期,对气温、降水的变化最为敏感,气温对气象产量的影响大于降水;(2)两种神经网络模型预报效果好于回归模型;(3)遗传优化的神经网络模型比未优化模型的训练速度提高了70%左右,预报精度也提高了4.3%。     

基于案例推理的电力设备多故障诊断方法

在分析多故障模式特点的基础上,建立了面向多故障的案例知识库,并提出了一种基于二次检索策略的电力设备多故障诊断方法.采用基于权重隶属度的候选案例生成方法对案例库进行初步检索,有效地减少了候选案例的数量.通过灰色关联分析对案例相似度进行计算,获得最有可能发生的故障案例,避免了多故障组合爆炸所带来的大计算量问题.最后通过实例对所提出的方法进行了说明.     

新型自动气象站故障智能诊断系统设计

为提高台站人员对新型自动气象站的运行保障能力,基于2017—2020年江西省93个台站新型自动站设备的省级维修保障档案,将新型自动站仪器系统故障设备进行归纳分类,分析了故障诊断的逻辑方法,厘清故障现象与故障设备的关联性,归纳"现象—故障件—处理方法"的映射关系,在此基础上设计新型自动站故障智能诊断系统.系统包括硬件模块和短距离无线通讯模块,硬件模块实时检测自动站采集器的运行状态参数;无线通讯模块实现硬件与软件之间的短距离远程通讯.软件程序安装在值班机房,实现远程控制、故障状态显示、智能诊断、记录存档等功能.     

大气背景场对云中液态水反演结果影响

基于机载对空微波辐射计GVR讨论应用BP神经网络算法反演液态水路径时大气背景资料对反演结果的影响,为合理选择训练样本获取更准确的液态水观测数据提供依据,同时有利于了解反演算法的探测适用范围。文章选择多个历史探空资料,按照历史资料时间序列长度、季节和区域进行分类,建立不同类样本集训练BP神经网络获取反演方程,选择样本检验集模拟计算每类反演方程的反演精度,通过反演精度对比分析大气背景资料差异在反演云中液态水时造成的影响。结果表明训练样本的大气背景时空差异影响反演结果,在一定时间范围内增加历史资料序列长度可以减小大气背景差异对反演误差的影响,但当时间序列长度到达一定程度时,增加历史样本量将不再是提高反演精度的一种有效措施。季节分类可以减小大气背景差异对反演误差的影响,但在实际应用中,资料分类带来样本容量减小,对一定时间序列长度的历史资料,按照季节进行分类并不能有效提高垂直累积液态水的反演精度。