基于SARIMAX-XGBoost模型的区域能耗预测

为了对能源消耗做出精准的预测,文章提出了一种基于带外生变量的季节差分移动自回归(seasonal autoregressive integrated moving average with exogenous,SARIMAX)模型与极限梯度提升算法(extreme gradient boosting,XGBoost)混...     

单位产值能耗模型在区域用水量预测中的应用

将单位产值能耗模型应用于区域用水量预测中,提出了水资源总量的约束条件,在基准情景、优化情景、可持续发展情景三种情景下,预测分析了2010～2050年河北省用水量。通过与河北省水资源评价中不同水平年的用水量预测值比较,表明本文模型的预测值准确性较高,切合实际情况,可持续发展情景能满足区域水资源总量的约束要求,为适合今后水资源和社会经济发展的最优情景。     

基于VMT法公交行业能耗监测模型研究

为解决城市公交行业能耗监测能力不足的问题,以公交行业能耗统计监测管理手段、公交行业发展相关政策、公交企业能耗统计档案、企业能耗监测管理措施为基础数据为来源,基于VMT的能耗测算方法,根据城市公交行业能源消耗影响因素特点,设计能耗测算模型.同时通过科学分层,减少数据采集需求和采集难度,形成合理的城市公交能源消耗总量与单耗...     

基于建筑环境因子的建筑能耗预测研究

通过研究严寒与寒冷地区的建筑外部环境因子与建筑供暖能耗指标的关系,分析两者之间存在线性关系。对能耗指标未知地区,根据建筑外部环境因子直接计算建筑的能耗指标。在研究过程中,主要使用MATLAB的数学建模功能,实现因变量与自变量之间的线性或者非线性关系的探究,并且通过MATLAB对求得的数据进行图形化处理和百分比平均误差的算法计算,判断回归线性模型的好坏,从而求得相对优越的回归模型,实现相对误差最小的能耗指标计算,为低碳发展提供可量化的技术支撑。     

能耗的灰色系统模型及对我矿能耗预测的探讨

<正> 能源系统工程是自70年代以来发展形成的一门新兴学科。它将系统工程学的基础理论与能源技术科学、计量经济学有机地合为一体,以先进的现代数学方法和计算机技术作为工具和手段,在能源规划,能源需求与供应、能源政策和战略研究等领域的应用中显示出了强大的生命力。本文提出一种用于能源规划的灰色模型方     

基于BP神经网络的输油管道能耗预测方法

为准确预测输油管道运行过程中的能源消耗,通过分析输油管道运行报表,确定评价输油生产过程中的主要能耗指标,利用BP神经网络,建立了输油管道能耗预测模型。用某输油管道运行能耗数据做样本,对所建立的能耗预测模型进行训练与测试。预测结果表明,该模型能准确地预测输油管道的能耗,预测平均相对偏差不超过4％。该方法为输油管道能耗预测提供了一种新思路,有较高的使用价值。     

基于DPBIL-SVM混合模型的电力现货市场出清价预测研究

为准确预测现货市场出清价,利用改进的基于种群增量学习的进化算法(DPBIL)对SVM参数进行优化,构建了基于DPBIL-SVM的混合预测模型,将该模型应用于挪威电力市场短期电价预测中,并与灰色GM(1,1)模型和BP人工神经网络模型进行比较。结果表明,所提模型能够将现货市场出清价预测误差控制在5%以下,合格率97%,效果优于灰色GM(1,1)模型和BP人工神经网络模型,符合现货市场实际报价的要求。     

嵌入式电力能耗检测系统的开发与调试

为解决建筑电力能耗的监测问题本文介绍了一种基于ARM9的电力能耗检测设备的分析与设计,该设备可检测多项电能指标,能够对电能消耗情况进行实时检测,实现了电能能耗数据的实时采集、实时传输;同时具有功耗小、成本低、实用性强、实时性高等特点。文章对该系统的基本结构、硬件设计、软件设计及系统调试的过程进行了介绍。     

需求方管理技术在电力用户的应用

需求方管理技术是当前国际上推行的一种先进的管理技术,能够在资源合理开发有效利用方面发挥更大的作用,能有力地促进经济、能源和环境的协调发展。它适应市场经济运行机制,遵循法制原则,讲求成本效益,主张活化市场,鼓励资源竞争,提倡经济、优质、高效的能源服务。 一、     

联产供冷与电力供冷能耗比较分析

文中将两种供冷能耗比较分解成用电煤耗差、用热煤耗量、增加产汽用电煤耗量三部分进行分析，按照热量法得出在目前一般情况下联产供冷比电力供冷通常费能和定性定量结论，为全面研究比较热电冷联产与分产的能耗奠定一个基础。     

基于EMD和长短期记忆网络的短期电力负荷预测研究

针对电力负荷非线性、非平稳性、时序性等特点,提出了一种基于EMD-LN-LSTM的短期电力负荷预测模型。利用经验模态分解(EMD)将经数据预处理之后的原始电力负荷数据分解为有限个内涵模态分量(IMF)和一个残差分量,以降低负荷序列的非平稳性和复杂度。将分解后的各分量分别输入到长短期记忆网络(LSTM)中进行预测,同时利用层标准化(LN)对LSTM进行规范化处理,优化网络模型。对各分量预测值进行重组,求出最终的负荷预测结果。以多伦多真实数据为算例,分别使用EMD-LN-LSTM模型和其他模型进行预测,结果表明:EMD-LN-LSTM模型24 h平均绝对百分比误差相较于RNN模型、LSTM模型分别降低了3.600%、1.864%,而拟合优度均高于RNN模型、LSTM模型,表明该模型能够更好地拟合负荷曲线,具有较高的预测精度。     

基于PSOGRNN的我国电力消费预测

为准确预测电力消费并给电力发展规划制定提供依据,提出一种电力消费混合预测模型(PSOGRNN),将GDP、人均可支配收入和电力消费历史数据作为输入变量,运用粒子群优化(PSO)算法优化选择用于电力消费预测的广义回归神经网络(GRNN)模型参数值,以此提高模型的预测精度。实例验证结果表明,与自适应GRNN模型、DGM(1,1)模型和最小二乘线性回归模型相比,PSOGRNN模型的预测精度最高,且有效可行。     

基于多源数据的自适应电力负荷预测方法

为满足电力规划部门的实际需求,并充分利用海量开源数据,提出一种基于开源大数据,自主整理数据并自适应选择预测模型的电力负荷预测方法,该方法通过收集海量数据并归类,筛选得到多个与负荷预测强相关的数据源,并提出自适应负荷预测模型,该模型应用灰色预测函数、弹性系数预测函数、人均用电量预测函数、人工神经网络预测函数等多种数学方法,且可以根据数据来源进行相应拓展,并采用四种评价指标对多源预测结果进行修正。实例应用结果表明,该方法可以提高预测精度,工程实用价值较大。     

电改背景下的重要电力用户认定规则研究

随着电力体制改革的深化,售电侧逐渐放开,传统供电公司将要面临愈加激烈的市场竞争。以往供电公司对于重要电力用户的认定过多注重于用户的影响力和停电危害等定性描述,较少考虑用户对企业的市场价值,包括用电量大小和发展潜力等可量化指标。这种认定规则不利于电改后供电企业的市场竞争。参考了上海市重要电力用户认定现状,引入并研究了经营性认定指标,并利用AHP方法将传统的定性认定规则改进完善为定量认定。     

基于深度神经网络的电力负荷预测方法研究

电力负荷预测在能源领域具有重要的应用价值,电力负荷预测是电力系统运行和管理中的重要环节。准确的电力负荷预测有助于电力系统运营商提前做好供电计划,能优化资源配置,提高运营效率。随着人工智能技术的发展,基于深度神经网络的电力负荷预测方法引起了学者们的广泛关注,探究基于深度神经网络的电力负荷预测方法能有助于电力设备的稳定输出,对经济发展具有重要的现实意义。     

基于数据变换技术和无偏NGM(1,1,k)模型的电力负荷预测

针对电力负荷数据以近似非齐次指数规律增长时采用GM(1,1)及其各类改进模型模拟误差较大同题,基于无偏NGM(1,1,k)模型的建模机理,采用函数变换方法作为数据变换技术处理负荷数据,并以预测精度作为数据变换技术优选条件.实例应用结果表明,该方法有效可行.     

基于ARMA-SVM组合模型的售电用户用电量预测方法

影响用户用电量的因素较多,根据其分别受线性和非线性因素影响的特点,该文提出1种基于自回归移动平均模型和支持向量机模型的组合预测方法,构建组合模型后,分别与仅采用自回归移动平均模型和支持向量机模型的预测结果进行对比分析.对比结果表明,组合模型的平均绝对百分误差指标相比单一模型明显降低,可以有效提高用电量预测的精度.     

基于最小二乘组合灰色模型的中长期电力负荷预测

电力负荷预测是实现电力系统管理现代化的重要内容,有效的中长期电力负荷预测可为电网运行方式、电源建设规划等提供可靠的决策依据。针对中长期电力负荷预测,综合考虑负荷的历史数据和未来可能走势,在对三种灰色预测模型分析的基础上,以其预测值为解释变量,实际负荷值为被解释变量,通过最小二乘法建立多元回归方程,并通过计量经济检验,以此构造了负荷预测组合模型。将该模型应用于北京市年用电量预测中,结果表明所构造模型具有较高的预测精度,有效可行。     

基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。