城市燃气日负荷的模糊预测

城市燃气日负荷除了以星期为周期变化外,同天气、温度、节假日等因素密切相关,呈高度非线性和随机性。根据城市燃气日负荷变化的特点和历史数据,依据模糊理论,确定出各影响因素与日负荷的关系,建立了日负荷预测模型,给出了预测实例。由于可以考虑多种影响负荷的因素,因此提高了预测的精度。     

基于PCA-LSTM的城市燃气日负荷预测

天然气是一种优质的低碳能源,燃气负荷预测可为燃气规划及调配提供重要依据。为寻求更精确的负荷预测方法,提出一种基于PCA-LSTM的燃气负荷预测模型,通过主成分分析对燃气日负荷影响因素特征提取,随后采用LSTM网络进行预测。并且由于不同时期的负荷具有不同的特点,将全部数据分为供暖季、过渡季及非供暖季3个时期分别进行预测,并与基于全年数据的预测模型进行对比。实验结果表明,与其他预测模型相比,基于数据分组的情况下,采用PCA-LSTM模型可以得到更好的预测效果,为城市燃气日负荷预测提供了一种更为有效的预测方法。     

基于BP神经网络城市燃气短期负荷预测

论述了BP神经网络的预测模型结构,提出了基于该模型的城市燃气短期负荷预测方法和程序流程,结合某城市燃气负荷数据进行了燃气负荷模拟预测,预测结果和实际情况有很好的一致性。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

北京首都机场供暖季燃气日负荷预测模型的初步研究

以北京首都机场2012—2013年供暖季燃气日负荷和大气温度作为样本,分析了二者的相关性,并建立了基于日最高温和最低温的燃气日负荷的一元线性回归预测模型。通过模型分析与验证,认为以日最高温为自变量的预测模型可以较为精确地预测首都机场的燃气日负荷。     

基于气温的城市燃气小时负荷预测

燃气小时负荷随着气温的变化而波动,考虑气温变化的影响,利用Elman神经网络构建燃气小时负荷预测模型。通过对杭州市燃气小时负荷进行预测,结果表明预测和实际值有较好的一致性,所建立的模型收敛速度快,精度高,具有较好的工程应用前景。     

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...     

城市燃气负荷的灰色预测

根据城市燃气中长期负荷预测的要求和存在的问题,利用灰色理论与灰色预测的原理,提出了动态等维灰数递补城市燃气负荷灰色预测模型,并进行了实际应用。     

基于Dropout-LSTM模型的城市燃气日负荷预测

提出采用Dropout技术的长短期记忆神经网络模型(Dropout-LSTM模型),对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点，将全年分为供暖期、过渡期及非供暖期，分别对3个时期的日负荷和影响因素进行相关性分析，确定3个模型的输入特征，建立3个时期的日负荷预测Dropout-LSTM模型，采用平均绝对百分比误差对模型预测效果进行评价。Dropout-LSTM模型可以很好地预测城市燃气日负荷，比BP模型、LSTM模型以及SVM模型有更好的预测效果。与基于全年数据的全年预测模型相比，分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强，对供暖期的日负荷预测精度最高，非供暖期次之，由于过渡期日负荷波动大，预测效果是3个时期中最差的。     

基于遗传算法优化神经网络的燃气日负荷预测研究

燃气负荷预测能够为管网调度运行工作提供指导,进而提高管网运行的安全性和天然气供应的可靠性,是燃气企业实现科学调度和精细管理的重要手段。但由于燃气负荷受到气温、节假日、经济等多因素的影响,仅通过建立线性关系式难以达到预测所需的精度,需要借助智能算法搭建负荷预测模型。本文基于遗传算法优化人工神经网络搭建燃气负荷预测模型,通过遗传算法确定了人工神经网络的结构、优化了初始权值和阈值,并收集了实际用户的燃气负荷作为样本用于训练模型和测试精度,结果表示该模型能够较好的满足燃气负荷预测需求。     

基于机器学习的供热系统热负荷多步递归预测

为预测供热系统的短期热负荷动态概况,提出一种基于机器学习的热负荷多步递归预测策略,该预测策略是对热负荷单步预测模型的拓展。介绍热负荷多步递归预测的流程,该流程可分为4个步骤:数据预处理、数据集划分、模型训练和模型评估。数据预处理细分为特征选择、特征工程和特征变换。在模型训练步骤中,介绍2种机器学习模型:支持向量回归(SVR)和极限梯度提升(XGBoost)。分别利用这2种机器学习模型建立了热负荷单步预测模型,根据建立的单步预测模型,采用提出的多步递归预测策略,可以实现对短期热负荷的动态概况预测。选取某实际供热系统的热源首站的运行数据用于案例分析。结果表明:在预测精度和预测稳定性方面,基于XGBoost的热负荷多步递归预测策略均优于基于SVR的热负荷多步递归预测策略;二者在各时间步长上均未产生明显的误差累积;该热负荷多步递归预测策略可以准确预测供热系统短期热负荷的动态概况。     

城市燃气负荷的特点与预测模型的特征

分析了城市燃气负荷的特点和影响因素,讨论了天然气负荷的特点,提出了燃气负荷预测模型应具备的特征。     

基于SVR空调负荷预测模型的参数优化研究

基于数据驱动的负荷预测模型在既有建筑运行阶段的准确性和可靠性受到人们越来越广泛的认可.特别是支持向量回归机(SVR)算法,基于统计学习理论和结构风险最小化原则克服了小样本学习困难、维数灾难等缺陷,在准确有效地解决复杂工程问题方面展现出巨大潜力,越来越深入地应用于暖通空调负荷预测领域.但在实际建模过程中,SVR算法对应的...     

燃气负荷及其模型研究

分析了燃气负荷的特性。论述了燃气负荷模型分类，提出了可以按功能将燃气负荷模型分为描述模型与预测模型。列举了较主要的用于解决燃气负荷的描述模型建模类型。     

数据规格化在燃气负荷预测的应用

探讨了燃气负荷预测中规格化处理方法,建立了径向基神经网络燃气负荷预测模型。结合实例,对分别采用最大最小、零均值规格化处理的预测结果进行了比较,后者的精度较高。     

基于遗传算法优化支持向量回归机参数的供热负荷预测

为了进一步提高供热负荷的预测精度,通过分析影响支持向量回归机(SVR)性能表现的参数,提出了基于遗传算法优化的SVR供热负荷预测模型。该方法利用交叉验证思想在模型性能评估和选择方面的优势,结合遗传算法的全局寻优能力,实现了参数的自动优选,并用由此得到的最佳模型进行供热负荷预测。应用某热源的实测数据进行了仿真实验,与其他算法的比较表明,该方法相对误差绝对值的平均值为4.33%,比传统SVR降低了10.77%,比小波神经网络降低了5.28%。     

人工神经网络法燃气日负荷预测输入变量选取

研究了RBF神经网络在城市燃气日负荷预测中的应用及输入变量的选择问题,提出了基于逐步回归的输入变量选取方法。对实例进行了预测,对不同输入变量方案进行了对比分析。以逐步回归选取的输入变量为基础,增加日期类型、前一天平均气温两项数据作为输入变量,完全满足神经网络用于城市燃气日负荷预测精度的要求,且合理可行。     

基于神经网络的城市燃气短期负荷预测

采用VC语言编写基于神经网络技术的城市燃气短期负荷预测模型,经实例验证可以较精确地预测出城市燃气短期负荷.预测模型在权值修正项中引入动量项以加速收敛,在数据输入时引入噪声,以提高网络的泛化推广能力.     

基于一次累加法的城市燃气年负荷预测

由于燃气负荷原始时间序列非线性随机变化,而一次累加法具有削弱时间序列随机性的特点,提出了一次累加法在城市燃气负荷预测中的应用方法。实例表明,一次累加法预测模型精度高,预测结果可靠,可用于城市燃气年负荷预测。     

供热锅炉用燃气调压器运行特性分析

通过分析正弦型及实际热负荷输出下的供热负荷特点,基于热量输出特性要求,结合燃烧器开关量控制及档位控制的方法,针对给定的正弦型及实际热负荷曲线数据,建立了相应的供热调节方法,同时面向燃气调压器内部动态过程分析,给出了燃气调压器运行、维护及保养等建议,为优化调压器调节给出合理化建议,避免相关操作降低调压器的工作寿命。