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。     

城市燃气负荷的气温响应特性研究

气温是影响城市燃气短期负荷的重要因素之一。通过对华北某城市燃气负荷和气温历史数据的统计，分析了城市燃气居民、商业、工业、锅炉和空调等用户用气负荷受气温变化影响的特点，提出了燃气负荷气温响应特性分析的基本思路，讨论了典型的燃气日负荷气温响应特性。     

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XGB-LSTM模型的燃气日负荷预测

燃气日负荷预测是优化气源采购、调节供需平衡、提升燃气企业经营效率的重要手段。燃气日负荷受多种因素共同影响,具有时序特征和非线性特征。本文提出一种融合XGBoost和LSTM模型的燃气日负荷预测方法XGB-LSTM。该方法通过XGBoost的特征选择方法,对燃气日负荷影响因素进行特征提取和排序,去除不相关特征,降低模型复杂度;随后利用LSTM网络进行预测,以提高预测精度。以华东W市日负荷数据进行分析,实验结果表明,与其他深度学习方法相比,XGB-LSTM模型提高了预测精度,同时减小了模型的复杂度,获得了更好的预测效果。     

燃气负荷及其预测模型

在数理统计学和现代优化方法基础上对已有燃气负荷预测文献进行归纳，从多角度对燃气负荷预测进行分类。指出需要按燃气负荷预测的应用要求，燃气负荷变化特性等具体情况选择预测方法。综述了可有效用于燃气负荷预测的方法和模型。     

新时期上海市燃气负荷规律的探讨

以上海市万里小区为例,分析了燃气负荷的小时、日与月的用气变化情况,以此来说明了燃气负荷规律预测的重要性,以及在新时期下上海市燃气用户的用气情况可能会发生的新变化。     

鞍山市燃气日负荷预测的研究

结合鞍山市燃气日负荷预测,论述了历史燃气负荷数据的处理方法。运用GCAQBP神经网络对鞍山市2002年燃气日负荷进行了预测,预测的平均相对误差为4.1%。研究表明,这种预测方法可行。     

基于相似日的节假日燃气短期负荷预测

分析了燃气负荷的形状相似、趋势相似和特征相似,根据节假日燃气负荷的特点,提出基于相似日的节假日负荷预测方法。以前趋势相似性和日特征相似性为原则,在燃气负荷历史数据库中选择若干相似日,以相似日作为样本采用神经网络方法进行预测。实例证明该方法具有良好的预测精度。     

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。     

气象条件对城市燃气日负荷的影响

分析了气象条件对燃气日负荷的影响,发现日平均气温、气压和降水等气象因子和燃气日负荷的关系非常密切,得出了其相关关系。     

夏季新风"逐时"冷负荷计算方法的探讨

认为计算夏季空调冷负荷时,将新风焓值按常量考虑,既与新的空调冷负荷计算方法不匹配,又增大了空调计算冷负荷,提出了以日为周期的夏季新风（ 包括渗透风）“逐时”冷负荷计算方法,给出了全国几个主要城市的夏季空调室外空气逐时湿球温度和逐时焓值     

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。     

市北天然气燃气负荷预测模型探讨

将灰色模型、时间序列等科学理论应用于负荷预测工作之中,结合市北地区天然气预测的实际情况,通过理论推导和方法整合,利用计算机编程进行精确计算,提高日负荷预测准确率.     

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。     

数据挖掘技术在燃气负荷预测的应用

介绍了数据挖掘技术的基本概念、任务和方法,分析了城市燃气负荷预测的现状和应用方法,探讨了数据挖掘技术在城市燃气负荷预测中的应用。     

气象因素对城市燃气日用气量的影响

气象是城市燃气日用气量的重要影响因素.本文以我国华北某城市为例,分析了温度、湿度、风速、云量等气象因子对城市燃气日用量的影响作用,通过相关分析和因子舍选,最终确定日平均温度、日平均相对湿度、日照时数为城市燃气日用气量的关键影响因素,该研究对于城市燃气用气规律分析和负荷预测工作具有指导意义.     

基于模糊-RBF BP神经网络的天然气负荷预测

针对天然气负荷变化的特点,综合考虑各种影响因素,提出一种基于模糊-RBF P神经网络的天然气负荷预测模型,并编制了负荷预测软件。在RBF网络模型中采用了最新邻聚类算法,实现了网络结构和参数的双重调节,提高了训练的速度和预测的精度。将该软件应用于实例计算,并与相关模型结果比较,证明该模型可以更加快速准确地预测天然气的负荷值。     

燃气负荷预测的经济性评价与风险控制

介绍了燃气供用照付不议合同执行过程中,对负荷预测和气量预订的要求。针对典型的商业合同条款,建立了燃气负荷预测的经济性评价模型,对提高预订气量、利用储气设施等风险控制方法的效果进行了量化分析,提出了降低燃气负荷预测风险的控制策略。