|本期目录/Table of Contents|

[1]王 琦,杨超杰,李丽锋.改进Elman神经网络在短期热负荷预测中的应用[J].工业仪表与自动化装置,2020,(01 总271):50-53.
 WANG Qi,YANG Chaojie,LI Lifeng.Application of improved Elman neural network in short-term thermal load forecasting[J].Industrial Instrumentation & Automation,2020,(01 总271):50-53.
点击复制

改进Elman神经网络在短期热负荷预测中的应用

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:
期数:
2020年01期 总第271期
页码:
50-53
栏目:
出版日期:
2020-02-15

文章信息/Info

Title:
Application of improved Elman neural network in short-term thermal load forecasting
作者:
王 琦1杨超杰1李丽锋2
1.山西大学 自动化系,太原 030013;2.山西河坡发电有限责任公司,山西 阳泉 045001
Author(s):
WANG Qi1YANG Chaojie1LI Lifeng2
1. Department of Automation, Shanxi University, Taiyuan 030013, China;2. Shanxi Hepo Power Generation Co., Ltd., Shanxi Yangquan 045001, China
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
Keywords:
short-term thermal load prediction Elman neural network correlation coefficient preprocessing normalization averaging
分类号:
TP181
DOI:
-
文献标志码:
A
摘要:
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。
Abstract:
The short-term thermal load forecasting of thermal power plants plays a vital role in urban central heating,directly affecting the economic benefits and thermal energy utilization of thermal power plants.The short-term thermal load forecasting of power plants is generally predicted by neural network prediction models,while BP neural networks are the most widely used.The Elman neural network algorithm adds a receiving layer to the BP neural network as a one-step delay operator to realize the memory ability,so that the system can adapt to the time-varying ability and enhance the global stability of the system.However,the construction of the Elman neural network algorithm model still needs a large number of samples to support, and the input layer has many variables, resulting in a long prediction time and a slow convergence rate. In this paper,before the Elman neural network prediction,the correlation coefficient preprocessing and the averaging preprocessing of the outliers in the sample are performed.Through the data normalization operation,the input layer variables of the Elman neural network are greatly reduced.Simulation experiments show that the improved Elman neural network algorithm makes the prediction model fast optimization,reduces the prediction time,and significantly improves the prediction accuracy.

参考文献/References:

[1] 肖健,曾令全.基于BP神经网络电动轮汽车行驶状态监测分析[J].机械设计与制造,2019(05):237-240.

[2] 周福来.基于BP神经网络的齿轮设备故障诊断应用[J].电子技术与软件工程,2019 (10):139-141.
[3] 贾伟,赵雪芬.改进量子粒子群BP神经网络参数优化及应用[J].软件导刊,2019 (5):49-54.
[4] 李佟,李军.基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测[J].环境科学学报,2016,36(2): 576-581.?
[5] 李海侠,林继灿,唐海洋.基于BP神经网络永磁同步电机矢量复合控制[J].现代电子技术,2019(11):104-107+112.
[6] 宋云东,周志强,韩洪刚,等.关于DL/T 911标准中相关系数计算方法探讨[J].变压器,2019(05):26-29.
[7] 安淑一,方兴,姚文清.Elman神经网络与ARIMA模型对甲肝月发病率的预测研究[J].实用预防医学,2019,26(04): 409-412.
[8] 刘子英,朱琛磊.基于Elman神经网络模型的IGBT寿命预测[J].半导体技术,2019, 44(05):395-400.
[9] 陈涛,王立勇,徐小力,等.基于改进Elman神经网络的烟气轮机运行状态趋势预测[J].广西大学学报(自然科学版), 2019, 44 (02):367-375.
[10] 滕明鑫.回归神经网络预测模型归一化方法分析[J].电脑知识与技术,2014,10(7):1508-1510.?
[11] 张雅晨,刘财,陈光宇.基于Hartley变换的归一化总梯度法[J].吉林大学学报(地球科学版),2019,49 (03):831-837.
[12] 张涛,郭基联,徐西蒙,等.基于Elman神经网络的战斗机空战轨迹预测[J].飞行力学,2018,36(05):86-91.
[13] 王锦锦,聂鑫,王伟,等.基于Elman反馈神经网络的导线串扰问题预测[J].计算机应用与软件,2018,35(05):33-36 +66.
[14] 辛大欣,王长元,肖峰.BP 神经网络在回归分析中的应用研究[J].西安工业学院学报,2002,22(2):129-135.?
[15] 孙国庆.智慧水务关键技术研究及应用[J].水利信息化, 2018,142(1):46-49.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期:2019-08-05
基金项目:山西省重大科技项目资助(md2016-2)
作者简介:王琦(1973),女,教授,研究方向为脱硫脱硝控制,热电负荷预测,背压控制等。wq288@sina.com,13513625816
更新日期/Last Update: 2020-01-10