共查询到20条相似文献,搜索用时 31 毫秒
1.
提出一种基于GRU(Gate Recurrent Unit)神经网络的锅炉用户小时用气量和日用气量预测方法,基于200个锅炉用户数据对模型进行训练和预测。结果表明:不虑天气因素应用GRU模型进行小时用气量预测时,200个锅炉用户中,40%的锅炉用户预测相对误差绝对值的平均值小于5%,70%的锅炉用户预测相对误差绝对值的平均值小于8%,95%的锅炉用户预测相对误差绝对值的平均值在10%以内。预测结果在工程实际可接受范围内。考虑逐时室外温度后,算法复杂度变大,且运行时间变长,但锅炉用户小时用气量预测精度并未出现明显提升。不虑天气因素应用GRU模型进行日用气量预测时,日用气量预测相对误差绝对值的平均值高于小时用气量。考虑室外温度因素后,锅炉用户日用气量预测精度并未出现明显提升。应用GRU模型进行小时用气量、日用气量预测时,建议综合考虑预测相对误差与算法复杂度、时间成本等。 相似文献
2.
3.
气象因素对城市燃气日用气量的影响 总被引:2,自引:0,他引:2
气象是城市燃气日用气量的重要影响因素.本文以我国华北某城市为例,分析了温度、湿度、风速、云量等气象因子对城市燃气日用量的影响作用,通过相关分析和因子舍选,最终确定日平均温度、日平均相对湿度、日照时数为城市燃气日用气量的关键影响因素,该研究对于城市燃气用气规律分析和负荷预测工作具有指导意义. 相似文献
4.
5.
由于上游气源单位要求下游燃气公司执行日计划用气量申报制度,因此,燃气日用气量预测的准确性十分重要。构建的燃气预警指挥智慧平台是通过研究气温和燃气日用气量之间的规律进而实现燃气日用气量预测的软件,由基础数据采集层、数据信息处理层和业务功能展示层3层架构组成。供暖期预测模型采用动态的综合线性回归和自回归相结合的混合线性方程,非供暖期预测模型采用动态非线性方程,两个预测模型均基于前一天的气温和日用气量来预测后一天的燃气日用气量,并将预测结果进行可视化图表展现。分析燃气预警指挥智慧平台的建设背景、建设目标、组成、各部分的功能、燃气日用气量预测模型的构建、后台管理。实践表明,该平台预测效果良好。 相似文献
6.
1 前言 “十五”期间是我国城市燃气行业的大发展时期,随着西气东输、俄气南送和引进液化天然气等各项工程的逐步推进,今后天然气产业的工作重点是下游市场和用户的发展。如果用户发展不平衡,易造成冬夏季用气差别较大,如青岛市到2001年底发展大型采暖锅炉用户61户和家庭分户采暖用户12 000多户,导致冬季日用气高峰为55万m~3/d,夏季日用气量仅为25万 m~3/d,冬夏季差别一倍多,日不均匀系数和时不均匀系数也较大。随着天然气于2002年底引进青岛,为减少燃气公司运行管理费用和储气费用,发展用气比较平衡的客户就非常重要。 相似文献
7.
8.
9.
基于物联网智能抄表技术获取的准确的居民日用气数据,采用机器学习方法实现居民日用气量的预测与影响因素评价。在采用LSTM模型对居民日用气量进行预测时,分别进行无特征预测(在预测过程中,不添加特征值)、特征预测,特征预测的精度比较高。在对居民日用气量的影响因素进行评价时,采用XGBoost模型,主要考虑小区外部特征(地理位置、物业费价格、容积率、房价、建造时间、绿化率、交通情况、教育特征)的影响,地理位置、物业费价格、容积率、房价、建造时间、绿化率的重要性靠前,其他小区外部特征的重要性不明显。 相似文献
10.
11.
12.
13.
阐述了城市天然气利用规划中常用的分类用户用气量预测的计算方法,提出可将能源消费弹性系数法和碳减排目标法等宏观预测方法的预测结果用于检验气量预测的准确性,最后分析了天然气市场的主要影响因素. 相似文献
14.
国庆节日期间,北京市燃气集团节日值班共有7000名职工坚守在自己的工作岗位,确保了全市燃气的安全、稳定供应。全市燃气生产指挥调度中心加强了对全市节日供气需求的预测和管网运行的指挥调度,今年国庆期问北京市天然气购气量共达1818.3万m^3,其中用气高峰日10月1日达到日用气286万m^3。 相似文献
15.
16.
2008年北京市太阳宫、郑常庄、京丰三大燃气电厂,首次向城市热网供热.由此今冬天然气供应量将再创新高。据预测.今年冬季天然气日用气量高峰将达到4000万m^3,供暖期全市供气总量将达到40亿m^3。使用燃气进行供暖的建筑面积已超过全市总供暖面积的60%以上。比去年同期用气量将增加25%。为此,北京市燃气集团采取6大措施全力以赴确保冬供用气.目前各项工作已全面启动。 相似文献
17.
1 前言 随着城市天然气的不断发展,齐齐哈尔市天然气用户已发展到15万多户,工业、商业及饮食服务行业的用户也已超过1000户,年平均用气量总共已达到3800万m^3。由于用气量的不断增加,从购气量与销气量之差(即供销差率)上面所体现出来的经济效益问题越来越明显。如果供销差率始终居高不下,那么气量的损失也就随着购气量的增加而不断地增加,而严重地影响经济效益的提高。 相似文献
18.
将燃气日瞬时流量和日用气量作为研究对象,提出基于K-means聚类、特征标签、用户画像、k折交叉验证和岭回归的用气负荷异常检测方法。结合实例,对该异常检测方法进行探讨。将案例用户某段时间的瞬时流量组成数据集,使用K-means算法进行聚类分析,将用气分为工艺生产和停工小火两类用气行为,得到工艺生产数据集。针对工艺生产数据集中的每个样本,得到6个特征标签(日最大负荷、日均负荷、日用气时段百分比、日用气量、用气负荷相似度、用气负荷冲击度)。将特征标签归一化后绘制修正箱线图,即用户画像,剔除了异常样本。使用k折交叉验证和岭回归算法构建异常评价标准。利用岭回归算法构建异常评价模型。将案例用户另一段时间的瞬时流量输入异常评价模型,进行负荷异常检测,与实际结果对照,得到该异常检测方法的准确率达到90%以上。 相似文献
19.