基于EMD-PSR-LSSVM的城市燃气管网短期负荷预测

城市燃气管网短期负荷预测对燃气调度系统的安全与稳定具有重要意义. 为了提高城市燃气管网短期负荷预测精度,建立了基于经验模态分解(EMD)-相空间重构(PSR)-最小二乘支持向量机(LSSVM)的组合预测模型. 首先,运用EMD算法把原始非线性时间序列分解为互不耦合的模态分量,并采用PSR算法确定LSSVM建模中各个分量的输入输出结构; 其次,运用PSO算法对LSSVM建模中的参数进行优化,使用训练好的LSSVM模型对各个IMF分量进行回归预测; 最后运用该组合模型对郑州市燃气管网负荷进行短期预测.结果表明:与LSSVM回归预测和BP神经网络预测模型相比,本文提出的组合模型的预测精度更高,是一种更为有效的城市燃气管网短期负荷预测方法.     

短期电力负荷预测的粗糙集方法

针对短期电力负荷预测外部影响因素的非线性特点,为得到精确的预测结果,采用粗糙集方法对电力负荷及其实际影响因素进行分析.建立了由代表自然因素的条件属性和代表负荷的决策属性所构成的短期电力负荷预测指标体系,利用粗糙集分析各个条件属性对决策属性的重要程度,得到约简后的预测指标体系,并根据实际历史数据进行短期电力负荷预测.并将所得预测负荷与BP神经网络算法进行对比,结果表明了粗糙集方法的优越性.     

基于混合算法的电力系统负荷预测

电力系统负荷预测是电力系统中的一个重要的研究课题。对神经网络算法和时间序列预测算法进行加权融合,提出一种混合算法对EUNITE竞赛数据进行了短期电力负荷预测。实验结果表明负荷预测精度得到了很大的提升。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

城市供水系统的计算机仿真

随着城市人口和经济的不断发展,城市供水系统的规模及供水量不断增加。对城市原有供水系统进行扩建和改造是城市供水部门急需解决的问题之一。为保证合理地改造原有的供水系统,必须利用计算机对其进行仿真计算。另一方面,随着城市供水系统规模及复杂性的不断提高,利用计算机实现供水系统的优化调度势在必行。供水系统的仿真问题是实现系统优化调度最基本的问题之一。因而解决供水     

运用样本更新的实时神经网络进行短期电力负荷预测

用多层神经网络模型解决短期电力负荷预测问题 ,提出了运用基于非梯度的单参数动态搜索(SPDS)算法训练网络 .这种学习算法可以克服 BP学习算法对规模大、特征多的问题难以收敛的困难 .根据预测日的天气信息进行样本集的动态构造和网络的实时训练 .计算结果表明 ,文中提出的模型可以较好地进行短期电力负荷预测 ,也验证了 SPDS学习算法的有效性.     

基于小波-神经网络的电力系统短期负荷预测

基于小波变换和神经网络,提出了一种电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相应的人工神经网络模型进行预测,最后重构得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,根据其子序列各自所具有的特征采用相应的预测方法.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

基于混沌理论和LSSVM的蒸汽负荷预测

蒸汽是一种重要的二次能源, 如何预知热电厂在未来时刻需生产的蒸汽负荷, 对于安全、经济地向用户提供高质量的热负荷具有重要意义. 针对短期蒸汽负荷序列的预测问题, 首先证明了蒸汽负荷序列具有混沌特性, 根据Takens定理, 重构蒸汽负荷时间序列相空间, 分别采用C-C方法和Cao方法确定延迟时间和嵌入维数; 然后在相空间中, 利用最小二乘支持向量机(LSSVM)建立蒸汽负荷预测模型, 并采用模拟退火算法(SA)改进的粒子群优化算法(PSO), 即SA_WPSO算法对LSSVM参数的选择方法进行了优化, 结果证明该方法能够取得很好的预测效果.     

一种短期电力负荷预测新方法的研究与应用

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中pij(t)改进模糊聚类分析;然后以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型。对山东地区1年的实际数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况(夏季典型日负荷)也有较好的预测精度。     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

组合预测法的改进及其在负荷预测中的应用

阐述了传统组合预测方法的基本原理,并从理论上论证了组合预测方法相对于单一预测模型的优越性。在此基础上,总结了组合预测方法的具体步骤,对组合预测方法基于最小二乘法的最优权重确定方法进行了改进,提出了一种新的基于BP神经网络模型的最优权重确定方法。最后将改进后的组合预测方法应用于电力系统短期负荷的预测中。通过分析和比较,验证了该方法的有效性。     

基于贝叶斯理论的日用水量概率预测

为解决城市日用水量的概率预测问题,提出了基于贝叶斯理论的日用水量预测法.引入贝叶斯理论,建立了日用水量概率预测系统.在系统中,利用支持向量机建立日用水量预测模型、似然函数和先验密度,并采用自适应马尔可夫链蒙特卡罗模拟方法求解日用水量的后验密度,得到日用水量的概率预测值.实例表明,本文提出的预测方法不仅显著提高了日用水量的预测精度,而且通过定量给出预测值的置信区间,为城市供水系统的调度提供了更科学、可靠的决策依据.     

含加压泵站城市供水系统的递阶优化调度

本文建立了含加压泵站城市供水系统优化调度问题的数学模型,并利用库恩-塔克的最优性必要条件,提出了解决该大规模非线性优化问题的一种算法。计算机仿真结果表明该算法对解决我国目前一些城市供水系统的优化高度问题是有效的。     

货币供应量与通货膨胀的关联性:基于时间和频率双视角

利用小波分析.从时间和频率双领域分别对中国城市和农村总体通货膨胀和八大类商品通货膨胀与货币供应量变动之间的关联性进行实证研究.结果表明:无论是在城市还是农村,货币供应量变动对各类通货膨胀的正向调节作用主要集中在短期,尤其是在周期小于3个月时,而在长期中正向调节效果微弱,负向调节占主导:根据货币供应量变动与各部门通货膨胀的时频关联性特征,可将八个商品部门划分为三大类:一类是与总体通货膨胀紧密一致靠拢,一类是按照特定规律变化,还有一类是不规则波动性变化;且城市和农村对应部门的通货膨胀和货币供应量变动的时频特征存在差异性.这为中国实施差异化货币政策以保证经济的持续快速发展提供了实证依据.     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

基于自评判自学习机制的短期电力负荷预报

以RBF神经网络为基础，提出了一种吴有白评判自学习能力的短期电力负荷预报方案，该方案包含预报器、评估器、探测器：和学习机四个组成部分．预报器用来预测未来时段的电力负荷，评估器用来对预报结果进行评估，探测器用来确定预报的有效步长，学习机用于预报器的自我学习．预报器根据评估结果通过学习机制能够自动适应电力负荷的变化，从而保持一种良好的预报状态．仿真实验表明该方法在电力负荷规律不明确的环境下预报精度比传统方法高。     

支持向量机的时间序列回归与预测

详细分析了支持向量机用于时间序列预测的理论基础。采用支持向量机、RBF和Elman神经网络模型,对仿真时序和工程滑坡变形时序进行了回归与外延预测。结果表明,在噪声水平较低时,SVR回归效果稍好,Elman与RBF网络的稳健性相对较差;随着噪声水平增大,两种神经网络的回归精度迅速下降。对于外延预测,两种神经网络仅限于短期的非线性模拟,而泛化性能更好的SVR在短期具有比较理想的效果,在较长的时间区间里也具有较高的预测精度(7步预测准确度控制在83.5%以上)。     

数据挖掘在城市供水系统中的一个应用

针对目前供水系统普通存在的产销差异问题 ,提出了在建立一个基于 GIS的城市供水系统的数据仓库的基础上进行数据挖掘来发现差异显著的区域或管段的一种方法 ,最后给出了一个运用此方法的实例 .