排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
基于解释结构模型法对区域高耗能行业的大用户行为属性展开分析,提取关键行为属性;通过多因素方差分析找出影响因素的显著性结果。然后构建了最小向量支持向量机(LS-SVM)智能预测模型,以冀北地区为例,在考虑钢铁价格和产量2种用户行为因素的基础上,对区域钢铁行业用电量进行预测。研究结果表明,钢铁行业的钢铁价格及产量与行业用电量的相关性较强,对其影响较大,在对钢铁行业用电量进行预测时应考虑钢铁价格和产量2种因素。LS-SVM智能预测结果表明,该模型具有良好的有效性和可行性,有助于正确判断区域行业用电量变化趋势。 相似文献
2.
为提高特高压工程项目投资管理,需要对特高压投资风险进行控制,对风险控制效果评价。从特高压工程建设的8个阶段识别投资风险,构建评价指标体系,保证每个指标能客观反映该阶段下特高压工程投资风险的控制效果。应用离散型Hopfield反馈型神经网络,将评价标准转码为标准模式训练网络,输入样本模式得到待评对象的评价等级。通过对溪浙工程投资效果分析发现,该项目投资风险整体性评价等级为"A",说明该工程风险控制效果优秀。 相似文献
3.
4.
电力需求侧管理(power demand-side management,DSM)具有优化电力资源配置、促进节能减排、移峰填谷、促进可再生能源发展等优点。但在当前电力市场环境下,DSM项目实施过程中项目成本与项目收益具有严重的“不同一性”,对电网企业和电力用户实施DSM项目和接受DSM服务存在一定的抑制作用。同时,电力需求侧管理体系中的政府、电网企业、电力用户三方主体利益出发点不同,必然会存在激烈的博弈。为了确切地分析电力需求侧管理体系各主体之间博弈行为,着眼于电力需求侧管理政策运行环境,采用动态演化博弈模型分析电力需求侧管理过程中政府−;电网企业、政府−;电力用户之间的博弈行为,优化设计电力需求侧管理政策激励措施,消除DSM对电网企业和电力用户投资的抑制作用,促进电力需求侧管理的深化发展。 相似文献
5.
6.
7.
1