基于GRU-NN模型的电力用户能耗预测研究

针对现有预测方法在对电力用户进行能耗预测时,存在预测精度低、预测时效性差的问题,引入GRU-NN(Gate Recurrent Unit-Neural Networks,门控循环单元-神经网络)模型,开展对电力用户能耗预测方法的设计研究。采集电力用户用电信息,并从归一化处理后的信息中提取用电特征。利用GRU-NN,构建能耗预测模型。结合均方误差和拟合优度的概念,对该模型进行训练。利用训练后的模型预测电力用户能耗,模型的输出即为预测结果。通过对比实验,证明新的预测方法预测结果更加接近实际,且预测耗时短,具备较高的时效性,值得广泛应用。     

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XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型.首先,基于偏最小二乘(PLS)提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型.使用某地区光伏电厂运行数据验证,结果证明,所提XGB...     

基于XGB-Transformer模型的短期电力负荷预测

短期电力负荷预测作为电力系统的基本组成,能够指导电力公司制定经济合理的生产调度计划。由于电力负荷数据的时序特性和非线性特性,准确作出电力负荷预测具有很大的挑战。当下深度学习不断发展,其在复杂非线性关系建模和处理时序信息等方面表现突出。文章提出一种融合XGBoost和改进Transformer模型的新型短期电力负荷预测方法 XGB-Transformer。该方法考虑时间周期和气象因素对电力负荷的影响,利用基于XGBoost的特征选择方法进行数据规约,利用改进后的Transformer模型来学习序列内部规律和序列间的长距离依赖关系,以提高预测准确性与效率。该方法在真实的电力系统负荷数据上进行实验,结果表明XGB-Transformer方法在准确率和效率2个方面均优于传统方法和其他深度学习方法,证明了其有效性。     

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     

数据中心能耗模型及能效算法综述

数据中心产生的巨大能耗给经济和环境带来了压力,对能耗进行分析和预测可为其能耗效率的优化提供重要依据。考虑到包括室外天气、内部数据中心CPU负载等影响数据中心能耗的复杂因素,文章提出了基于门控循环单元（Gated Recurrent Unit,GRU）神经网络的数据中心能耗预测模型。首先,通过对数据中心能耗数据进行分析,提取了与数据中心能耗最强相关的特征,并将这些时序特征数据作为输入进行模型训练。然后,提出一种结合神经网络（Artificial Neural Network,ANN）和GRU的网络模型（ANN-GRU）来预测数据中心能耗。最后,在仿真环境下基于真实轨迹数据进行了验证和分析。结果表明,与支持向量回归（Support Vector Regression,SVR）、LinearSVR、ANN模型相比,ANN-GRU具有更高的预测精度。

     

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XGBoost-LSTM组合模型的光伏发电功率预测

该文提出一种基于极端梯度提升（XGBoost）模型和长短期记忆网络（LSTM）模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差（RMSE）为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。     

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。     

含高比例分布式光伏的母线负荷预测方法

高比例分布式光伏的大规模接入对母线辖区的负荷预测产生了较大影响,导致母线辖区内负荷偏离用户用电负荷的真实状况。文章考虑了高比例分布式电源对负荷形态的影响,提出了基于互信息与混合模型的母线辖区内负荷预测模型,对分布式电源相关输入因子采用互信息系数进行相关性分析,并通过由XGBoost算法与极限学习机算法组成的混合模型对数据进行训练。最后,使用某地母线辖区内负荷数据进行实例验证,结果表明,考虑分布式电源接入后的母线辖区负荷预测精度高于常规预测方法,文中所建立的预测模型具有良好的预测精度。     

基于模型预测控制算法的永磁同步电机弱磁控制新策略

针对内嵌式永磁同步电机高速弱磁区域的电压极限椭圆约束及电流参数整定问题,提出一种基于有限集预测电流控制方法和实时电压反馈的混合弱磁控制策略.首先,采用有限集预测电流控制方法在最大转矩电流比和弱磁区域中进行转矩、转速、电流和角度的标定,解决传统复杂电流参数整定问题,提升标定数据的可靠性;其次,在预测电流采样控制方法基础上...     

MCEEMD-HGWO-MGU混合模型在径流预测中的应用

为分析径流非线性特征对预测精度的影响,在改良的互补集成经验模态分解(MCEEMD)基础上,建立混合灰狼优化算法(HGWO)与最小门控单元(MGU)混合的径流预测模型,并利用该模型预测黄河下游三个水文站处的月径流.选取纳什效率系数和合格率评价模型性能,并选择多个误差指标与其他模型进行比较.结果表明,与其他模型相比,MCE...     

我国建筑能耗数据现状和能耗统计问题分析

"十二五"节能工作的重点将进一步转向建筑领域,而深化建筑节能工作需要建筑能耗数据的有力支撑。通过调研我国建筑能耗数据现状,发现尚未有权威的能够满足建筑节能分析需要的能耗数据,现有的能源消费统计方法也制约了建筑能耗统计数据的科学获得。本文回顾了当前建筑能耗数据的主要获得方法,分析了建筑能耗统计中存在的主要问题,提出了完善建筑能耗统计的初步建议。     

单位GDP能耗的分解模型及其分析

通过研究因素替代法,建立了单位GDP能耗分解模型,然后对中国1994年~2005年单位GDP能耗及其影响因素的历史轨迹和变化特征作了分析。基于以上研究,运用单位GDP能耗分解模型,将1994年~2005年单位GDP能耗分解为三次产业单位增加值能耗影响份额、产业结构影响份额、单位GDP生活能耗影响份额,并对分解结果进行了分析。     

基于STIRPAT模型驱动建筑能耗增长影响因素的研究

当今能源消耗的三大领域分别为交通、建筑和工业,建筑领域在能源消耗中占据了很大的一部分。其长期增长的趋势比较明显,节能潜力较大,并且减排的成本相比其它能耗较低。介绍STIRPAT模型及其相关理论基础,从定性的角度分析以下因素对于建筑能耗增长的推进作用,包括城镇化、人口、居民生活水平、第三产业和建筑面积。接着以天津市为例进行实证分析,通过STIRPAT模型对各驱动因素进行定量研究。最后运用岭回归分析方法回归分析建筑能耗及其影响因素的函数关系,以期为天津市制定建筑节能战略规划提供相应的依据。     

融合数据驱动和充电行为的电动汽车能耗预测方法

电动汽车的能耗预测对于车辆路径规划与充电行为至关重要。提出一种考虑充电行为的多模型融合能耗预测方法,首先构建基于实车稀疏数据与有限参数的能耗计算模型,在此基础上构建充电行为模型,分析并提取能耗强相关的充电行为特征,最后基于长短期记忆循环神经网络(Long short-term memory neural network, LSTM)搭建能耗预测模型。使用实车数据对所提方法进行验证,结果表明,该方法可以精准预测相同车型不同起始电池荷电状态(State of charge, SOC)、不同温度、不同时间段下的汽车能耗,均方根误差(Root mean square error,RMSE)为1.27,与现有方法相比,RMSE至少降低4.5%。     

基于LSTNet-Mod模型的锅炉效率预测研究

建立快速准确的锅炉效率预测模型,选取12个测点作为输入,以锅炉效率作为输出,利用锅炉运行历史数据建立数据集,对比多个时序数据预测模型的效果。结果显示：长短期时间序列网络（Long-and Shortterm Time-series network, LSTNet）模型的平均绝对误差最小,为0.12,该模型的预测效果优于其他模型。对LSTNet模型进行微调,为了提高模型的表达能力,将门控循环单元（Gate Recurrent Unit, GRU）调整为长短期记忆网络（Long Short-Term Memory, LSTM）;为了提高模型推理速度,适当缩减LSTM的神经元数量,最终得到长短期时间序列微调网络（LSTNet-Mod）模型,其平均绝对误差为0.027,推理时间缩短了约7.88 s。     

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。     

基于能耗监测平台的数据拟合反推法

对能耗监测平台提供的能耗数据深度分析时,发现较多的数据缺失,阻碍了能耗的进一步分析.为保证能耗分析的顺利进行,需要对数据链条中不完整的数据进行合理还原,为此提出“数据拟合反推法”.通过对某大厦全年的各分项能耗进行统计分析、数据拟合,验证数据拟合公式误差约在10％以内.