基于关联分析的多因素电力负荷预测灰色模型群研究

针对目前电力负荷预测受到多种因素的影响,在灰色关联分析的基础上对灰色模型群进行了研究。以河北南网用电量为研究对象,将全社会用电量分为若干子系统,使用灰色关联分析的方法确定主因素变量,利用灰色模型群建模法,从不同方面建立多种预测模型,综合协调各个结果得到更为合理的预测值。     

基于变量分组降维的辛烷值损失预测模型

针对精炼汽油辛烷值损失的问题，基于灰色关联度分析方法与最大信息系数方法，给出变量分组降维的特征选择方法，以有效选择出具有独立性代表的特征；与随机森林算法相结合，提出一种辛烷值损失量预测模型。由于操作变量之间具有高度非线性和相互强耦联的关系，采用变量分组降维，即考虑操作变量、性质变量与产品硫含量、辛烷值损失的关系来筛选特征。利用灰色关联度筛选出对辛烷值损失和产品硫含量的关联程度较强的特征，排序后由最大信息系数筛选出28个独立变量。收集研究生数学建模竞赛试题数据，采用随机森林算法进行仿真预测计算。计算结果表明，基于变量分组的特征选择和辛烷值损失预测模型得到的均方误差为0.0086,拟合值R²为92.5%。     

基于互信息熵的水库实时调度相关分析及预测

传统的水库实时调度方法在挖掘实际运行数据信息方面存在一定的局限性.充分利用水库实际运行数据的关联特性,运用直方图法、核密度估计法及k最邻近距离法计算互信息熵,揭示与水库调度预测最相关的自变量因素,并准确剔除对水库调度决策变量贡献较少的因素.以筛选的自变量因子作为输入,建立各分期的水库调度预测模型.研究表明,互信息熵识别出的自变量因子进行预测取得了较高的精度并降低了建模的复杂度.该研究为水库调度强关联因素的筛选及预测建模提供了一种新思路.     

电网输电工程项目数据插补及造价预测融合模型

针对由于电网输电工程项目造价系统的多变性、非线性以及复杂性导致造价难以预测的问题,提出一种基于回归类算法与决策树类算法相融合的造价预测模型.在分析电网输电工程造价影响因素的基础上,采用随机森林算法对分类型变量数据与连续型变量数据进行缺失插补,多种机器学习算法进行造价预测,利用粒子群启发式算法对多种预测模型的权值进行寻优实现模型的融合预测.结果表明,所提方法的数据缺失插补较为准确,RMSE为87 615,MAPE为2.17%,能够合理地进行电网输电工程造价预测.     

基于变量相关性自适应即时学习算法的火电厂SCR脱硝系统建模

针对选择性催化还原(SCR)脱硝系统工作过程中存在非线性、多变量和时变性等问题,将变量相关性引入即时学习算法,同时引入局部模型自适应更新策略,建立了基于变量相关性自适应即时学习算法的最小二乘支持向量机模型。利用互信息计算各个输入变量与输出量的相关度,将计算出的相关度引入到即时学习算法学习集的选取中,用以选择当前工况点的建模邻域,进而提高模型精度;采用自适应相似度阈值更新方法对局部模型进行更新,增强模型实时性。将该方法应用于SCR脱硝系统建模仿真。结果表明,改进后的即时学习算法的预测精度高,且具有很好的实时性。     

城市生活垃圾热值的特征变量选择方法及预测建模

在垃圾焚烧的过程中,垃圾热值的波动会影响垃圾焚烧的稳定性.为了实现城市生活垃圾热值的实时在线预测以及变化趋势预测,采用模糊神经网络软测量方法,利用焚烧发电厂在线运行数据作为输入,实现垃圾热值的实时预测功能.首先采用互信息方法从若干特征变量中剔除部分无关变量;然后将模糊神经网络和粒子群优化算法结合起来从上述选择出的特征变量中进一步剔除冗余变量,从而确定预测垃圾热值的输入变量,并从中训练出垃圾热值的模糊神经网络预测模型;最后通过采集的样本数据进行性能测试.结果表明该方法有较好的预测准确率和实时性,适用于垃圾热值的在线预测.     

基于格兰杰因果与ARDL模型的高能耗产业用电量预测

为挖掘产业经济发展与电力大数据之间的耦合关系,构建高耗能产业用电量与多元经济指标数据之间的向量自回归(VAR)模型。通过使用格兰杰(Granger)因果关系检验的方法,提取对用电量预测有显著影响的产业经济指标数据,在此基础上建立考虑经济因素影响的高耗能产业用电量自回归分布滞后(ARDL)模型。以某地区2016—2020年产业用电和经济数据进行算例分析,结果表明：Granger因果关系检验可以有效地挖掘与细分产业用电量相关联的经济指标;将这些经济因素考虑到产业用电预测模型中,可以有效地提高模型的预测精度。     

一种基于PCA和相关向量机的锂电池在线寿命预测方法研究

针对已有基于相关向量机对锂离子电池进行在线寿命预测因考虑因素单一而导致预测精度不理想这一问题,提出了一种基于主元分析（PCA）的特征因素变量加权建构的方法。该方法首先将多种特征因素变量作为研究对象,找到其线性变换后的得分向量所构矩阵;分析其不同得分向量对原变量数据矩阵特征覆盖程度,进一步加权构建融合得到相应特征向量。将所得向量作为输入,经相关向量机建立预测模型并进行锂离子电池寿命在线预测,最终得到预测结果。采用国际公用电池数据作为研究对象,通过MATLAB软件验证了有多变量预测电池寿命的可行性,结果表明预测效果较好。     

基于灰色系统理论的电力负荷预测

在灰色系统理论的基础上,采用灰色关联算法,对影响电力负荷的因素进行分析,选择更能反映电力负荷变化趋势的因素.并采用灰色建模方法,进行电力日特征负荷预测.     

基于体检数据机器学习分析的糖尿病风险预测模型

针对糖尿病风险预测中数据单一导致预测误差较大的问题,本研究基于体检电子病历数据分析搭建空腹血糖预测模型,探究适合进行空腹血糖预测建模的方法,预测血糖指标及糖尿病的患病风险.基于数据挖掘基本流程,进行数据预处理,采用序列后向算法进行特征选择,使用决策树、随机森林、SVM、逻辑回归及朴素贝叶斯分类5种机器学习算法进行建模预...     

城市中长期用电量预测方法研究

针对影响城市中长期用电量的主要因素,分别建立一元线性回归法、产业产值单耗法、大用户分析法以及气候分析法4种预测模型,结合算例详细介绍各模型的建立过程以及有效性检验。算例结果表明,4种预测方法在预测用电量时误差都较小,可以针对不同的情况采用。     

基于隐朴素贝叶斯模型的链路预测算法

针对目前基于共邻节点及其改进的链接预测模型中存在对共邻节点间的依赖关系考虑不足,不能完全利用网络的拓扑结构信息的问题,本文提出了基于隐朴素贝叶斯模型和双隐朴素贝叶斯模型的链接预测方法。算法考虑共邻节点间互相依赖关系及其依赖关系的不同,通过隐朴素贝叶斯分类模型计算节点之间的相似性,利用条件互信息来衡量节点间的依赖程度,提高链接预测的准确率。采用网络DBLP和Email的真实数据作为实验数据集,使用AUC和Precision方法来评价本文的预测模型,实验结果表明,本文方法比目前主流方法的预测效果更好,验证了方法的准确性。     

浅谈几种电力需求量的预测方法

根据多年从事电力负荷预测的经历和感受,重点介绍在电力需求预测中需电量预测的几种常用方法,并对这几种预测方法作了阐述,同时就如何做好电力需求预测工作提出建议。     

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机（RWT-SVM）混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差（MAE）计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.     

基于EUNITE竞赛数据的中期电力负荷预测

应用自组织模糊神经网络(SOFNN)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。算法能够自动决定神经模型的结构并得出模型的参数,具有很好的实用价值。研究了训练数据选取和输入特征向量编码等实际应用问题,结果表明负荷预测精度高,优于竞赛的优胜者,之后提出了结合周平均负荷预测修正日负荷预测的方法,精度得到进一步地提高。     

分形-混沌混合预测模型在大坝安全监测中的应用

如果能针对大坝监测效应量测值序列建立一种不依赖于环境因子,而又综合考虑序列中蕴含的确定性分量和混沌分量的模型,则可以解决常规统计模型由于模型因子选择不当和环境量观测误差引起的模型失真问题.在对确定性分量、混沌分量和随机性分量可预测性分析的基础上,首先利用分形插值算法建立效应量确定性分量预测模型,然后对实测数据和确定性分量预测结果间的误差序列通过相空间重构建立混沌分量预报模型,再以二者叠加组成最终混合预测模型.计算实例表明,在不依赖于环境因子的情况下,该模型比常规统计模型有更高的预测精度.     

基于特征合成的周期性备件需求预测方法Symbol`@@

针对工程机械备件需求预测准确性低的问题,提出一种新的基于特征合成的周期性维修备件需求预测方法. 定义等间隔备件需求样本集的相似度模型,采用优化算法确定最优备件需求周期长度,并利用回归模型建立各周期内的备件需求模型;提出基于特征合成的模型综合方法,借鉴物理力学中的矢量合成方法,将多个历史备件周期需求模型特征矢量合成新的特征矢量,利用新特征矢量还原获得最优的周期预测模型,该模型综合考虑了各个历史备件周期预测模型,使获得的备件周期预测模型具有更好的鲁棒性和泛化性. 采用人工数据和矿用圆环链的实际需求数据对该预测模型进行验证,实验结果表明,该模型具有良好的稳定性和准确性.     

分形-混沌混合预测模型在大坝安全监测中的应用

如果能针对大坝监测效应量测值序列建立一种不依赖于环境网子,而又综合考虑序列中蕴含的确定性分量和混沌分量的模型,则可以解决常规统计模型由于模型因子选择不当和环境量观测误差引起的模型失真问题．在对确定性分量、混沌分量和随机性分量可预测性分析的基础上,首先利用分形插值算法建立效应量确定性分量预测模型,然后对实测数据和确定性分量预测结果问的误差序列通过相空间重构建立混沌分量预报模型,再以二者叠加组成最终混合预测模型．计算实例表明,在不依赖于环境因子的情况下,该模型比常规统计模型有更高的预测精度．     

基于随机森林的用电行为分析

长期以来窃电问题一直困扰着电力企业,它不仅损害了供电企业的合法权益,扰乱了正常的供用电秩序,而且给安全用电带来了威胁.通过机器学习算法,对电力用电数据进行分析处理,可以预测用户是否存在窃电行为.基于电力数据中用户用电量提取相关特征,结合随机森林算法,提出了一种预测用户是否具有窃电行为的方法.对比多组实验数据,调节特征数量以及算法参数,以提高预测准确率和预测速度.     

地区电网用电特性分析及年用电量预测

利用灰色预测原理简单、建模数据少和运算方便的优点,结合神经网络非线性函数逼近能力强的特性,在此基础上提出了灰色-神经网络预测方法,并对哈尔滨市用电量进行了的仿真预测。