建立柴油—天然气双燃料发动机工作过程仿真模型,将仿真得到的环境温度和换热系数作为热负荷加载到活塞上,计算得到活塞温度场分布情况,活塞仿真温度值与实测值误差在工程允许范围内,以喷油提前角、替代率、功率、
本文基于深度学习LSTM网络,研究了电力负荷预测的方法,通过分析电力负荷的时序性特点,构建了LSTM网络模型,提出了一种短期电力负荷预测方法。此方法能够通过历史负荷数据对未来电力负荷进行预测,在电力供
其中样本数据Load1998,主要记录了欧洲某地区1998年1月1日至12月31日每30min一次的电力负荷数据。样本数据Temperature1998记录了该地区1998年1月1日至12月31日每天
本资料介绍了一项基于Elman神经网络的电力负荷预测模型研究,旨在利用神经网络的强大计算能力对电力负荷数据进行预测和分析。通过对历史电力负荷数据的学习和训练,该模型可以准确预测未来一段时间内的电力需求
我自己写的一个股票预测的例子,解压之后可以双击用knime打开,可以用于knime的学习,如果安装了knime可以直接双击解压后的knime文件
% 学习速率的调整 if derros(n)=kkk*derros(n-1) studyspace(1,n)=betat*studyspace(1,n-1); end for j=1:HN wincr
为了解决传统短期用电负荷预测系统存在响应时间慢、预测精度差的问题,设计了一种基于梯度提升树的短期用电负荷预测系统。该系统框架采用C/S架构模式搭建,根据预测需求选择系统的组成硬件,并以梯度提升树为核心
为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和
用户基线负荷是工商业用户参与需求响应项目执行效果的重要参考,受到环境、用户用电行为等多种因素的影响。为提高工商业用户基线负荷预测的精度,提出了一种基于时间序列(ARMA)和卡尔曼滤波(Kalman F
基于机器学习的短期电力负荷预测方法研究