泰达电力负荷与气象因子的关系

从泰达电网2003--2005年逐日电力负荷资料中分离出随气象因子变化的气象电力负荷,分析了气象电力负荷与同期气象资料的相关关系,重点研究了气象负荷随气温变化的规律。     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

基于BP神经网络的城市燃气月度负荷预测研究

应用MATLAB科学计算软件编制了对浙江省某城市燃气月度负荷的预测程序,建立了燃气月度负荷预测的BP神经网络模型,对模型进行训练后,利用它对该市燃气月度负荷进行了预测,预测结果的相对误差最在±6.34%以内,由预测结果可知该模型预测精度较高,完全可以达到工程实际应用的目标。     

基于改进Elman网络的燃气负荷预测

为提高燃气负荷预测的精度,分析了燃气小时负荷的变化规律和影响因素,建立了燃气小时负荷预测模型,采用具有输出-输入反馈机制的改进Elman(OIF Elman)网络对燃气小时负荷进行预测.与传统的Elman网络比较,OIF Elman网络不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本点较少时,无论在训练速度上,还是在预测精度上,OIF Elman网络明显优于Elman网络.OIF Elman网络提高了网络的泛化能力,既降低了对训练样本个数的需求,又能提高预测精度,在燃气负荷预测中得到成功的应用.     

基于灰色理论的城市燃气负荷预测

城市燃气负荷与城市工业发展,城市人口等因素密切相关,由于传统的城市燃气负荷GM（1,1）预测模型仅与历史数据有关,预测结果并不能真实反映燃气负荷在未来的变化趋势。应用灰色GM（1,N）模型,将工业产值和城市人口两个因子引入燃气负荷预测模型,建立一个一阶3个变量的灰色GM（1,3）模型,进行预测。实例预测计算结果表明该模型能够准确预测城市燃气负荷,而且该模型考虑了影响燃气负荷的主要因素,使得预测模型和结果更为合理。     

基于增量式随机森林的燃气负荷预测方法

随着智能燃气网概念的普及和燃气智能表的发展,燃气负荷数据量呈指数级增长,燃气负荷预测面临新的挑战,传统的基于离线批量学习的数据预测方法已无法满足大数据量的实时数据预测需求。针对燃气负荷数据增量到达的预测场景,提出了一种增量式的随机森林回归(Incremental Random Forest Regression,IRFR)算法。该算法将一定量的样本存储在叶节点,通过衡量样本集变异系数来控制叶节点分裂;针对大数据量的情况,设计了样本丢弃策略来控制内存空间。在对上海市燃气负荷数据进行特征选择、提取并建模后,将IRFR算法应用于燃气负荷预测。实验结果表明,IRFR算法相比于传统的随机森林算法具有相当的准确率,同时所需训练时间较短,更适用于大数据量的增量学习场景。     

基于小波神经网络的燃气系统短期负荷预测

在燃气负荷预测中,由于日负荷的不稳定,仅以历史负荷为训练样本得到的人工神经网络难以满足日预测的精度要求。提出一种小波分析与BP神经网络相结合的预测方法。首先,将历史负荷序列进行小波分解成概貌序列和细节序列,并在此基础上利用概貌序列、细节序列,以及指数平滑和温度等多种因素训练BP神经网络,预测出未来燃气的日负荷。最后,对...     

基于神经网络的燃气日负荷智能预测方法

为解决城市燃气日负荷具有随机性和不确定性问题,首先分别采用广义回归神经网络(GRNN)、灰色-GRNN和梯度-GRNN对燃气日负荷数据进行预测,通过MATLAB仿真表明,得到的预测误差大部分都在20%以内,说明这3种预测模型总体上是可行的,但预测精度并不是很高;然后针对城市燃气日负荷可能发生的预测模型故障现象,将GRNN、灰色-GRNN和梯度-GRNN的预测数据作为组合预测模型的数据基础,采用广义动态模糊神经网络(GD-FNN)进行智能组合预测,仿真结果表明:GD-FNN的平均预测精度为93.639%,平均每组预测用时为7.668 s,从预测精度上看,组合预测模型的预测精度要明显高于单一预测模型的预测精度,尤其是在预测过程中发生故障现象时更显其优势。     

基于DA-RBF模型的微电网负荷预测研究

针对传统径向基神经网络(RBF)在微电网负荷预测上精度低的问题,采用具有全局搜索以及优化能力的蜻蜓算法(DA)对RBF神经网络进行优化。利用蜻蜓算法对RBF神经网络的中心向量、宽度向量以及隐含层和输出层之间的连接权值进行优化处理,构建出DA-RBF的微电网负荷预测模型。使用夹角余弦法对负荷数据进行夹角余弦的计算从而获得相似日,确定模型的训练集和测试集数据,以此来降低数据本身对模型精度的影响。然后将选择的数据放入模型中进行仿真实验,并选择平均百分比误差(MAPE)来衡量模型精度的高低,将预测结果同DA-BP、CEEMD-RSVPSO-KELM、CPSO-LSSVM及AMPSO-BP作比较,DA-RBF的MAPE均最低,由此证明了DA-RBF在微电网负荷预测上的可行性及优越性。     

基于阈值模型的室外气象参数研究

室外空气干球温度、湿球温度与太阳辐射强度是研究空调设计负荷的三个重要室外气象参数,研究它们同时出现的极端情况对于空调负荷设计具有重要意义.基于二元阈值模型研究室外空气干球温度与太阳辐射强度两参数统计规律,采用MCMC方法估计模型的参数,对该阈值模型进行分析与预测.结果表明,天津市6~9月平均每20天会出现一次极端高温,此时空调处于"失效"状态.     

基于支持向量机的城市燃气日负荷预测方法研究

天然气是绿色、高效的能源,在工业生产和居民生活中应用日益广泛。天然气日负荷预测有助于科学合理地进行供应调配,预测结果对于实际工作具有重要参考价值。该文采用支持向量机方法对华北某城市的燃气实际日负荷数据进行了分析,建立了城市燃气日负荷预测模型。讨论了影响燃气日负荷变化的若干主要因素及其对燃气负荷预测建模的影响,分析了数据规则化方法对预测模型准确性的影响。该文建立的模型,对于全年负荷的预测误差小于5%;对于供暖期负荷的预测误差约为2%,结果较好。该文对建模影响因素和预测准确性的讨论,对类似问题有一定借鉴意义。     

基于结构模型的调度员工作负荷优化研究

高铁调度指挥中心承担着对铁路上运行车次的运行状态监督和综合调度工作,同时还需负责控制铁路上的车流,确保各项平衡,在保障行车安全方面发挥着不可替代的作用。在高铁铁路非正常行车的应急场景下,调度人员需要迅速、正确地针对突发事件进行应急处置的操作,对列车的安全运营起着决定性的作用。本文以高铁调度员在应急处置时认知决策过程为研究对象,利用实验室仿真实验平台,面向非正常行车的应急场景,设计了认知决策机理模型的结构及对应测量模型的数据采集方法。基于信息处理模型,结合知觉负载理论和情景意识概念,增添脑力负荷元素,建立面向高铁调度员的认知决策机理模型。针对脑力负荷的评估,设计并采用了一种特征选择和支持向量回归(Support Vector Machine, SVM)参数选择联合优化的粒子群算法,对基于多源生理信号的支持向量回归模型的训练过程进行优化,综合运用信号处理理论及数学方法,针对脑电、心电和眼动三类生理信号提取各自的数据特征。对结构方程模型进行拟合,研究脑力负荷与注意力和工作记忆之间的关系,对后期调度员工作负荷及适岗能力优化更具实用价值。     

基于气象因子的烟粉虱发生预测

利用冬季温度和春季寒潮可以预测烟粉虱的越冬虫源数量,利用扩散期间的风向、风力、持续时间可以预测烟粉虱的扩散方向和在田间的分布区域;利用6-9月份的温度可以预测大田烟粉虱的发生量。应用该方法,作者根据11月至翌年4月的温度、降水和日照,对2007年江苏东台市大田烟粉虱的发生进行了成功预测。     

基于气象因子的森林可燃物含水率预测

在分析影响森林可燃物含水率关键气象因子的基础上,利用多元回归、分类与回归树（CART）等方法分别构建了云南松（阴坡）、云南松（阳坡）、华南松和侧柏4种不同林型的活、死可燃物含水率预测模型。结果表明：多元回归模型对不同林型森林活、死可燃物含水率预测的平均相对误差介于5.90%～6.60%、20.1%～36.9%;CART模型在基于气象因子的森林可燃物含水率预测中适用,其对活可燃物含水率预测的最优平均相对误差（5.38%～7.00%）明显低于死可燃物（22.88%～26.64%）,这与多元回归模型一致且精度普遍更高,同时解决了多元回归模型无法预测云南松（阳坡）活可燃物含水率的问题。     

基于气象数据的洱海蓝藻水华驱动因子及预警研究

以2013年洱海夏秋季蓝藻水华遥感监测结果为基础,探讨影响蓝藻水华形成的主要气象要素,统计分析发现,洱海蓝藻水华多发生在阴雨天转晴之后,长时间强日照及较大的气温日较差是诱发水华发生的主要因素,同时低风速、低气压有利于蓝藻上浮聚集,对水华形成起到促进作用.在此基础上,构建以水华发生与否的二值变量为因变量,各气象因子为预测变量的Logistic蓝藻水华气象风险概率预测模型.结果表明,模型各项检验指标均表现良好,预测准确率达到87.5%,该模型能够用于分析影响洱海蓝藻水华形成的关键气象因素,同时证明了利用气象数据辅助实现水华监测、预报预警的可行性.     

气象因子对工业生产影响的研究

工业与气象是有直接关系的，若能掌握影响工业生产的气象因子，对工业生产是很有利的。为此，本文综合分析了有关方面的实际研究，为气象服务于工业生产提供了可靠的依据。     

基于因子分解机的推荐模型研究

针对传统推荐模型中无法处理稀疏大数据的缺点,提出了一种基于因子分解机(Factorization Machines,FM)的推荐模型。FM模型对所有的特征分量引入了辅助向量,改进了非线性的特征向量模型方程,并采用最小交替二乘法、随机梯度下降法和马尔科夫蒙塔罗法训练该模型。理论与实验结果证明了该模型在精确度以及速度上都优于传统模型。     

气象因素对电网负荷特性影响的研究

电网运行中电网负荷受气象因素的影响显著,对于电网安全经济运行有重要影响,本论文将气象因素与电网运行负荷结合起来分析,在分析了气息因素与电网负荷特性关系的基础上,重点探讨分析了常见的气象因素,如温度、湿度、气压和风速等因素对于电网负荷特性的影响规律,对于进一步加强气象因素的监测,及保障电网安全经济运行均具有一定借鉴意义。     

基于小波回归分析法的短期负荷预测模型研究

电力负荷预测在能源领域中是一项非常重要的研究课题，它对于保障系统的安全运行，并在此前提下实现能源的节约和生产的效益最大化真有非常重要的应用价值．本文以大孤山选矿厂的电能消耗为研究对象，首先利用小波变换对负荷序列进行分解，得到不同频率的各个负荷分量，然后利用数据分类和多元回归分析方法分别对各个分量进行预测，最后再将各个分量的预测值组合起来，得到最终的预测结果。     

基于小波回归分析法的短期负荷预测模型研究

电力负荷预测在能源领域中是一项非常重要的研究课题,它对于保障系统的安全运行,并在此前提下实现能源的节约和生产的效益最大化具有非常重要的应用价值.本文以大孤山选矿厂的电能消耗为研究对象,首先利用小波变换对负荷序列进行分解,得到不同频率的各个负荷分量,然后利用数据分类和多元回归分析方法分别对各个分量进行预测,最后再将各个分量的预测值组合起来,得到最终的预测结果。