基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段.面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题.基于集成经验模态分解(EE-MD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果.实验结果表明,本方法能很好的预测工业需量负荷变化,M A PE/MAE/NRMSE精度指标基本控制在2％ 以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求.     

基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.     

基于聚类与机器学习的零售商品销量预测

本文提出一种基于K-means聚类与机器学习回归算法的预测模型以解决零售行业多个商品的销售预测问题,首先通过聚类分析识别出具有相似销售模式的商品从而实现数据集的划分,然后分别在每个子数据集上训练了支持向量回归、随机森林以及XGBoost模型,通过构建数据池的方式增加了用于训练模型的数据量以及预测变量的选择范围.在一家零售企业的真实销售数据集上对提出的模型进行了验证,实验结果表明基于K-means和支持向量回归的预测模型表现最优,且所提出的模型预测效果明显优于基准模型以及不使用聚类的机器学习模型.     

基于改进eRCNN的局部路网交通流预测

针对误差反馈循环卷积神经网络在运用到短时交通流预测时存在仅仅能接收时序误差序列,忽略交通流误差数据中隐含的空间拓扑特征,且在模型初始化时其采用的通用卷积神经网络初始化方法降低了模型训练效率的问题,本文提出一种优化的误差反馈循环卷积神经网络模型,在误差反馈循环卷积神经网络模型基础上根据预测误差数据的时空特性对误差反馈层进行结构强化,能够处理包含简单空间关系的误差序列。同时通过在模型训练的过程中分离模型产生的历史预测误差和训练误差,使得模型构建过程更加高效,加速了模型收敛速度。通过北京市四环道路交通数据的实验表明,优化的误差反馈循环卷积神经网络预测模型在预测精度、构建效率及鲁棒性上均得到有效提高。     

基于改良灰色理论的电网短期负荷预测算法

在分析传统灰色负荷预测理论与GM（1,n）模型的基础上,再次对GM（1,n）模型进行改进,以解决由于传统的灰色理论对原始数据要求的严格造成预测结果误差较大的问题。实验表明,用此方法建立的负荷预测模型,在预测精度上有较大的提高,为今后灰色理论模型的改进提供了一定的依据。     

面向交通流量预测的时空超关系图卷积网络

交通流量预测是智能交通系统中的重要研究课题,然而,交通对象（如站点、传感器）之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展,但是它们忽略了交通对象们跨时空维度的直接关联性。目前仍缺乏一种全面建模局部时空关系的方法。针对这一问题,首先提出一种新颖的时空超图建模方案,通过构造一种时空超关系来全面地建模复杂的局部时空关系;然后提出一种时空超关系图卷积网络（STHGCN）预测模型来捕获这些关系用于交通流量预测。在四个公开交通数据集上进行了大量对比实验,结果表明,相比ASTGCN、时空同步图卷积网络（STSGCN）等时空预测模型,STHGCN在均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）这三个评价指标上均取得了更优的结果,不同模型运行时间的对比结果也表明,STHGCN有着更高的推理速度。     

基于SOFM和BP短期负荷预测方法

基于以自组织特征映射神经网络(Self-organizing feature map,SOFM)先聚类、神经网络再预测的模型以往多用在对疾病、天气方面的预测,由此提出了一种以SOFM与误差反向传播算法的神经网络(Back Propagation,BP)相组合应用为基本原理的短期电力负荷预测的组合模型。该模型主要基于SOFM网络的主要特性聚类,预先将训练样本集采取聚类分析,对其分为具有相似数据的若干子类,再根据每一子类构造一个BP网络模型。利用内蒙古自治区某市的实际日平均负荷数据进行仿真,证明了本文方法的有效性。     

基于贝叶斯平均法的洪水分类组合预报研究

以实测样本隶属于某一模型的后验概率为权重,对各模型预报变量的后验分布进行加权平均,获得综合预报变量的概率密度函数,进而推导出均值、方差公式和置信区间。将“基于BP神经网络和遗传算法的分类洪水预报”与“基于贝叶斯模型平均法的多模型组合预报”相结合,实现“洪水分类多模型加权组合预报”。该方法综合考虑了各模型对不同类型洪水的适应条件及多个模型的优势,可同步降低模型参数与模型结构不确定性对预报结果的影响。以大伙房水库为研究区域,采用大伙房水库1960年~2016年的25场历史典型洪水作为本研究的基础资料,分别完成实例验证与分析,效果整体上优于单个模型。     

建筑施工过程碳排放量预测模型及应用研究

在明确碳排放量计算公式和碳排放因子的基础上,文章建立建筑施工过程中碳排放量预测模型,并对建筑施工过程中材料及机械设备使用情况进行实证分析,得出建筑面积与施工过程碳排放量存在显著的线性关系。最后通过实例对该碳排放量预测模型进行应用研究。     

基于多因素改进型PSOSVM算法的中长期负荷预测

中长期负荷预测作为电力规划与调度中的重要一环,其影响因素有着多样性和不确定性等特点.选取支持向量机作为中长期负荷预测的核心算法,筛选多种区域宏观经济因素,利用粒子群(PSO)寻优与循环寻优的改进型算法对支持向量机(SVM)的参数进行优化及负荷预测.仿真结果显示,改进型PSOSVM算法有着较高的预测精度.