机理计算与机器学习结合的空调负荷预测

文章提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立了统计学预测模型、支持向量机预测模型、随机森林预测模型。并通过将溧阳某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对1年内和1年后的泛化能力进行分析。模拟结果表明,随着实际负荷数据的逐步增加,通过在线学习逐步完善性能,可以快速建立建筑的空调负荷预测模型。机器学习预测空调负荷的方式扩大了负荷预测的使用范围,提高了冷冻站智能化运行的水平。     

基于地表监测数据和非线性时间序列组合模型的滑坡位移预测

针对滑坡位移–时间曲线的非线性特征和以往预测模型的不足,提出基于地表监测数据和非线性时间序列分析的组合模型预测滑坡位移。以新滩滑坡和三舟溪滑坡为例,通过对位移、降雨、库水位等资料的分析,研究滑坡的变形特征及影响因素。在利用逆序法和小波分析检验滑坡位移的趋势特征和周期特征的基础上,采用非线性组合模型进行预测,包括利用多项式拟合并预测趋势项位移;用一种基于小波分析的三角函数法(WA-TF)对周期项位移进行预测;遗传算法优化选参的BP神经网络(GA-BP)对波动项位移进行预测。最终将各位移分量累加得到滑坡的累积位移预测值,并与监测值进行对比分析。结果表明非线性组合模型的预测精度高且具有较好的通用性,为滑坡位移定量预测提供了一种可行的思路。     

超高层建筑用电最大负荷预测研究

针对100 m以上250 m以下的超高层建筑研究用电最大负荷,对已有实测超高层建筑用电数据进行分析与处理,分别采用BP神经网络算法和支持向量机算法进行建模和预测,最后对两种预测结果进行比较,从而确定出更适合超高层建筑用电最大负荷预测的方法。     

北方农村燃气日负荷预测的BP神经网络优化

在调研部分农村地区煤改气居民用户实际用气情况的基础上,建立了一种基于小波阈值去噪和采用遗传算法优化BP神经网络的短期燃气负荷预测模型(称为GA-BP神经网络预测模型)。以华北地区农村煤改气居民用户作为研究对象,对974户管道天然气居民用户2018年1月—2021年12月的日用气量进行采集。对采集数据进行小波阈值去噪处理,进行日负荷预测影响因素的选择及量化。将负荷预测影响因素和日负荷组成的数据集划分为训练集和测试集,对BP神经网络预测模型、GA-BP神经网络预测模型进行训练和测试。将两种模型的日负荷预测值与真实值进行对比,并将两种模型的评价指标进行对比,验证两种预测模型的准确性。研究结论如下。小波阈值去噪处理去噪效果良好,可用于燃气日负荷预测数据预处理。日平均温度、天气类型、节假日情况、前一日用气量、供暖情况是影响燃气日负荷预测的5个主要影响因素。有必要关注供暖过渡期的日负荷变化。这段时期温差变化大,用气情况复杂多变,对供气不确定性影响较大。对这部分的合理处理可以有效减小预测误差。日平均温度是影响农村居民用气非常重要的因素。遗传算法对BP神经网络的优化,可以很好地为网络初始权值和阈值的确...     

基于经验模态分解和遗传支持向量机的多尺度大坝变形预测

 利用经验模态分解算法分解大坝变形数据,得到不同物理特征尺度的变形分量,分析各变形分量特征及其相关影响因素。针对各变形分量的特点,分别建立基于GA-SVM的各变形分量预测模型,将各分量预测模型相加,最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。由大坝变形数据的经验模态分解实例分析,证实经验模态分解算法能有效对大坝变形数据进行多尺度分解,由经验模态分解算法分解得到的各变形分量其物理特征更加显著,更易于各变形分量影响因素分析和变形模型建立,因此,针对各变形分量的特点所建立的GA-SVM的各变形分量模型具有较高精度。基于经验模态分解和支持向量机的多尺度变形预测模型由各分量预测模型相加而得,能充分挖掘大坝变形中隐含的多种内在规律,能同时在不同特征尺度上进行大坝变形预测。通过对多尺度大坝变形预测模型和多元回归、时间序列分析、GM(1,4)、BP网络和GA-SVM大坝变形预测模型进行精度对比,证实基于经验模态分解和支持向量机的多尺度变形预测模型是一种精度较高的大坝变形预测新方法。     

居住建筑用电数据分析与随机模型构建

近年来居住建筑能耗呈快速上升趋势,而居住建筑全年用电曲线体现出明显的季节性差异;同时由于不同住户行为模式的差异,用户的用电模式和用电水平存在一定的随机性。为了指导夏季和冬季用电高峰电力系统的容量设计与调节、应对蓄能系统的全年容量设计与调节,需要提出一个可以反映用户全年用电特征和随机特性的模型。本文以江苏六市的用电数据为例,基于大数据的分析方法提出了一个模拟全年逐月用电数据的随机分布模型,采用K-means聚类算法和Calinski-Harabaz指标将用户按照用电水平和用电特征划分为16个子类,并针对每一个子类将用电特征参数进行分布拟合,得到了全样本的随机分布模型。根据随机分布模型可以随机生成符合样本特征的用户用电曲线,通过参数检验、模拟检验和交叉检验的方法验证的模型的可靠性,并探讨了模型的实践应用。     

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。     

基于数据挖掘的医院建筑电负荷特性分析预测

本文基于青岛某医院建筑2017年全年逐时总用电能耗实测数据,将冷热源电耗从中分离,得到用于分布式能源系统运行策略研究的逐时电负荷数据。首先利用k-means聚类算法对该建筑的全年逐时电负荷特性进行分析,并根据聚类结果为神经网络的训练构建相似日样本集。然后利用相关性理论针对不同的相似日样本集筛选特征参数,作为神经网络的输入参数。最后利用平均绝对百分误差(MAPE)、变异系数(CV)、均方根误差(RMSE)等指标对本文提出的复合优化预测模型性能进行定量评价。结果显示,复合优化预测模型的预测精度相较于既不聚类也不进行相关分析的传统BP网络有了很大的提高。其中,MAPE、CV、RMSE分别降低了39.4%、36.9%、38.1%。     

基于小波分解的城市供水管网短期水量负荷预测

利用小波分解和人工神经网络相结合的方法建立了城市供水管网短期水量负荷的组合预测模型。该方法首先利用小波分解技术将时负荷水量分解为相对简单的带通分量信号，然后根据各分量信号的特点分别建立独立的神经网络预测模型，最后将预报结果集成。由于小波分解后各分量的频率相对单一，因而可有效缩短网络训练时间，提高计算速度。仿真计算结果表明，该方法建模合理、计算量适中，可准确预测管网水量。     

基于数据动态模态分解的基坑沉降稳定性预警预测研究

为合理实现基坑沉降稳定性的预警预测研究,该文在基坑沉降数据动态模态分解基础上,先利用尖点突变分析实现趋势项分量的稳定性现状评价,再利用分项组合预测模型实现沉降稳定性的预测评价,两者综合实现沉降稳定性的预警预测研究。实例分析表明：DMD模型在沉降数据的分解过程中具有良好效果,可将其合理分解为趋势项分量和误差项分量;通过基坑沉降稳定性的现状评价,得出基坑沉降在现状条件下的稳定性均处于稳定状态,且在基坑沉降稳定性的预测评价过程中,得出分项组合预测模型在基坑沉降变形中的适用性,得出各监测点的沉降变形仍会呈小速率增加趋势;综合评价,各监测点的预警等级为Ⅲ～Ⅳ级,为现场安全施工提供了一定的理论指导。