工业企业用户短期负荷预测的仿真研究

电力负荷预测在能源领域中是一项非常重要的研究课题,它对于保障系统的安全运行,并在此前提下实现能源的节约和生产的效益最大化具有非常重要的应用价值.对于电力负荷预测的研究主要运用了数据挖掘与数据分析等自动控制领域的经典理论和方法,所以它也是自动控制领域的重要研究课题之一.该文主要介绍了针对工业企业用户的短期负荷预测技术,同时指出了它与目前研究得比较多的针对电能提供方--电厂的短期负荷预测的异同之处,并通过某大型钢铁企业电力负荷的实例进行说明.     

基于支持向量机的企业用电量的短期预测

支持向量机（SVM）是以统计学习理论为基础的一种新的机器学习方法,它对于短期预测的数据具有一定的学习能力。综合应用支持向量机方法,着重考虑企业增加值、月平均气温等因素对电量的影响,确定了一种有效的电量使用短期预测方法。用2004年~2006年的逐月资料进行训练建模,用2007年的资料做效果检验,研究结果证明这种方法对于电量短期预测的趋势预测较好。支持向量机方法在短期预测的应用前景广阔。     

上证指数短期预测的数学模型

本文通过对上证指数K-线图、准备金率、CPI、宏观政策等进行分析,得到一些对上证指数有影响的因子,利用人工神经网络与粗糙集理论的优势,先采用粗糙集对数据进行处理,然后利用人工神经网络构造出上证指数短期预测模型,并以此模型进行分析,最后应用于股票市场,在股票的交易中取得了很好的效果。     

粮食产量短期预测系统的建立

本文从我国粮食生产的特点出发,以粮食产量预测为目标,在定性与定量分析的基础上,综合考虑计量经济模型与规划模型的特点,构建了粮食产量闭环预测系统,并结合系统仿真技术实现了该系统.运行该系统对产量预测进行模拟分析,表明它能较准确的预测产量.     

基于神经网络的短期销售预测

针对常用销售预测方法预测精度较低的问题,在分析、试验了常用BP神经网络及训练算法后,提出了用引入月份因子及运用贝叶斯 正则化的方法,并应用于具有淡、旺季特性产品短期销售量预测,使预测精度大幅提高。     

短期负荷预测方法综述

电力系统为电力用户提供可靠、优质、经济、环保电能的前提条件是能对电力负荷进行精确的预测。电网中的调度部门要根据短期负荷的预测结果来安排发电和供电计划,从而优化资源配置,提高经济效益。因此,短期负荷预测具有重大意义。为了提高负荷预测的准确性,较为全面的综述了短期负荷预测方法的研究状况。首先简述了短期负荷预测的意义、特点以及影响因素,综合叙述了短期负荷预测方法的历史发展。然后分别从数据预处理和组合预测两个方面总结了各个方法的研究现状和存在的问题。最后指出了当前短期负荷预测研究的主要问题以及下一步可能的研究方向。 得出的结论是对历史数据进行预处理后结合时下流行的机器学习算法能提高电力系统短期负荷预测的精度。     

库存管理影响企业现金流

由于美国持续不断的金融创新造成虚拟经济与实体经济的严重背离,导致金融危机的爆发。金融危机不仅重创了美国的金融行业,也给实体经济带来了严重的影响。在全球经济一体化的今天,这种危机已迅速波及世界各主要国家。金融危机的影响已经开始蔓延到我国的流通行业,绝大多数流通企业已在考虑如何“过冬”了。     

短期风速多步预测的研究

为了提高风电场短期风速预测的精确度以及预测尺度,提出了一种将小波分解法、经验模式分解法及最小二乘支持向量机相结合对风速时间序列进行短期多步预测建模的方法。该方法采用小波分解法对风速信号进行分解,使之分解成不同频带的高频和低频分量;再利用最小二乘支持向量机对各分量建立预测模型,将各预测模型的预测值叠加可得到模型的预测结果。该模型称为预测模型Ⅰ。其次,将预测模型I的预测结果设为训练样本,采用经验模式分解法把训练样本集分解成若干本征模式分量和趋势项;再利用最小二乘支持向量机对各本征模式分量和趋势项建立预测模型,同时扩大模型的预测尺度;将各预测模型的预测值叠加可得该模型的预测结果。该模型称为预测模型Ⅱ。最后,将预测模型Ⅱ、Ⅰ的预测值叠加得到最终预测结果。实验结果表明,采用该方法预测的风电场短期风速的RMSE值为0.153,验证了该方法的有效性。     

基于SGOA神经网络的短期负荷预测

短期负荷预测的结果对电力系统的经济效益具有重要影响。针对多极值问题,首次提出了一种体现大融合思想的共享式全局寻优算法,将几种全局寻优算法有机组合,使它们共享优化信息,协同寻优,从而形成最丰富的寻优机制,达到最强的全局寻优能力。并且为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将SGOA算法和BP算法相结合的短期负荷预测方法,用SGOA算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法。在构建网络模型时,同时也考虑到了气候、温度等因素的影响,对它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

基于VMD-DenseNet的短期电力负荷预测

针对电力负荷较为复杂的变化特性,以及现有预测算法未能充分利用数据中的特征、存在精度不足的问题,提出一种基于VMD-DenseNet的组合预测模型。通过VMD将原始负荷序列分解为趋势分量、细节分量和随机分量,并采用最大信息系数为各分量选取相关性较大的特征变量。引入一维DenseNet神经网络模型预测各分量负荷,通过密集连接实现特征重用,加强对各分量特征的提取。以欧洲某电网的负荷数据集为算例,分别在提前1 h和提前6 h两种不同的预测时间尺度下进行实验,结果表明提出的模型都能够更好地提取数据中的潜在特征,相较于其他模型具有更高的预测精度。     

基于CEEMDAN-SAFA-LSSVM的短期风功率预测

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一.建立了基于CEEMDAN-SAFA-LSSVM短期风功率组合预测模型.采用完全集合经验模态分解(CEEMDAN)将原始风功率序列分解成特征互异的各个本征模态分量,对分解产生的本征模态分量进行相空间重构,然后根据得到的新模态分量建立相应的最小二乘支持向量机(LSSVM)预测模型.针对LSSVM模型的预测精度易受参数选择的影响,提出萤火虫算法(SAFA)优化LSSVM模型的参数,解决了 LSSVM参数寻优效率低的问题.算例分析表明CEEMDAN-SAFA-LSSVM模型在风功率预测中具有较高的预测精度和预测效率.     

基于PSO-SVM的短期交通流预测方法

准确的交通流量预测是智能交通系统中的关键问题。在分析支持向量机SVM回归估计方法参数性能的基础上,提出了粒子群算法PSO优化参数的PSO-SVM短期交通流预测模型。模型利用支持向量机具有结构风险最小化的特性和粒子群算法快速全局优化特点,实现了数据降维并且保持了交通流序列的特征,因此可以高效地预测交通流量。用G107国道现场采集的数据仿真表明了该模型的有效性,预测平均误差为3.4%。     

基于CNN-BIGRU-ATTENTION的短期电力负荷预测

电价的实时波动,会对负荷预测精度产生一定影响,增加预测的复杂性.针对这一问题,本文构建基于注意力(AT-TENTION)机制的卷积神经网络(CNN)和双向门控循环单元(BIGRU)混合模型对短期电力负荷进行预测.首先用CNN对负荷及电价数据特征进行抽取;其次,利用BIGRU对潜藏的时序规律进行提取;最后结合ATTENT...     

基于遗传神经网络的股票价格短期预测

该文在总结非线性时间序列预测模型的基础上,将遗传算法和人工神经网络相结合,提出了遗传神经网络模型。并将其应用到股票价格的短期预测。最后,针对仿真结果进行分析,该文得到的结果为平均相对误差小于0.086,实际值与预测值之间的相关系数大于0.91。结果表明该模型有较好的预测能力。     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM₁₀、NO₂、CO₂、O₃)作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R²来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。     

基于CNN-PSO-DBN的短期电力负荷预测

电力负荷参数受多维因素影响,为提高短期电力负荷预测精度,提出一种基于特征参数筛选的卷积神经网络(Convolutional Neural Network, CNN)和深度信念网络(Deep Belief Network, DBN)结合的负荷预测模型。首先通过对多维输入参数进行优化筛选,利用CNN进行特征提取,将提取的特征向量输入到DBN网络中进行训练,得出预测结果。由于DBN网络权值的随机初始化,采用粒子群优化(Particle Swarm Optimization, PSO)算法迭代求解权重最优值。仿真结果表明,上述方法较于其它网络模型具有更好的预测性能。