排序方式: 共有14条查询结果,搜索用时 62 毫秒
1.
近年来,海上风电成为我国新能源发电的新增长点,海上风电与远方清洁能源在东部负荷中心地区协调配置和运行策略问题亟待解决.文中通过综合分析海上风电与远方清洁能源供电成本,结合出力特性、负荷预测和需求侧管理等因素,建立了综合成本的能源配置分析方法,针对负荷中心多种类型电源优化问题,结合上网电价和辅助费用建立了系统综合成本估算方法,提出了以综合成本最低为目标,满足运行、安全和环保约束的电源运行协同优化模型,并以江苏省某地区为例进行了详细分析计算,论证了模型具有优化效果,为海上风电与远方清洁能源的协调配置和优化运行提供了分析手段. 相似文献
2.
本文根据灰色系统理论,建立了华北电网最大负荷及峰谷差的灰色等维递补预测动态模型,并计算出了直到2000年的最大负荷及峰谷差预测值。经检验此方法具有预测精度高、计算速度快及使用方便等优点,不失为一种实用的负荷预测方法。 相似文献
3.
4.
时间序列的小波神经网络预测模型的研究 总被引:33,自引:1,他引:32
针对非线性时间序列,建立了小波神经网络预测模型,通过计算小波分解和小波级数,达到最优的逼近效果.经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷. 相似文献
5.
鉴于传统制造业企业仓储分类方法分类边界不明确、难以适应现代企业信息化发展趋势的问题,提出了基于聚类算法的ABC库存分类算法,提升了传统库存分类模型的分类精度和效率。以某电力制造业企业的库存产品数据为研究对象,结合聚类算法与ABC分类法提出了适用于实际研究场景的评价函数,并给出了新的基于k-means 算法的ABC分类法。采用该分类模型对库存环网柜产品进行分类,并基于ERP系统中存储的产品数据将库存环网柜产品分为A、B、C三类,根据分类结果对不同类别的环网柜产品采取不同的库存控制策略。研究结果表明,将数据挖掘算法应用于库存管理实现了企业库存管理决策的科学化和智能化。 相似文献
6.
电力需求侧响应利益联动机制的系统动力学模拟 总被引:1,自引:0,他引:1
考虑到在我国实施需求侧响应可能使得电网企业不能有效回收需求侧响应的成本, 且由于发电公司实际上是需求侧响应的最大受益者, 因此需要在电网企业和发电公司之间建立一个利益联动机制. 运用系统动力学模型模拟发电公司和电网公司联动的行为对电力系统产生的效果, 来证明这种利益联动机制存在的必要性. 模拟系统将需求侧响应的利益链条分为用户子系统、电网子系统和发电子系统三个部分, 通过层层建模剖析了各子系统内部和外部影响因素之间的关系. 以某市电网的基础数据为例进行模型, 模拟结果表明, 如果设计合理, 需求侧响应将为整个电力系统带来巨大的效益, 而且发电公司应该积极参与到该机制中, 因为他们的消极对待不仅会给其它主体带来不利影响, 还会影响到公司自身的利益. 相似文献
7.
随着信息技术的发展,国家电网公司亟待改变人工项目审核的现状,实现项目重复审核自动化。因此,提出了基于Lucene的全文检索技术在电力项目计划审核方面的应用方案。首先深入分析了国家电网公司的项目审核现状和全文检索技术的研究现状,其次简单介绍了全文检索技术和Lucene全文检索引擎的概念,然后详细介绍了全文检索过程;最后将全文检索技术引入电力企业项目计划审核,给出了一个基于全文检索的电力企业项目计划审核系统的架构设计。使用Lucene全文检索引擎进行企业专项项目重复审核,可以方便、快速地获得检索排序结果和文档相似度,并且检索准确度高。 相似文献
8.
本文对易效明目功防治青少年近视眼的效用进行了显著性统计分析,P<0.05,效果显著。同时对功法明日效果显著的原因、机理进行了深入的分析。 相似文献
9.
本文首先分析火电项目建设过程后评价的含义,对其重要性进行阐述。在此基础上,分析我国火电项目建设过程后评价的特点。最后,针对我国火电项目建设过程后评价工作特点,提出了适合火电项目建设过程后评价的原则,为火电项目后评价科学合理地进行提供辅助依据。 相似文献
10.
多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明:1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。 相似文献