基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

汽车加热器内燃烧的数值模拟

利用AVL公司开发的FIRE软件,对一典型结构蒸发混合式汽车加热器燃烧室内的燃烧过程进行了数值模拟.其中,蒸发和燃烧分别采用Wall Film模型、Coherent Flame模型,氮氧化物(NOx)采用Zeldovich不平衡原理建模,碳烟(Soot)模型为FIRE模型.计算结果及分析表明,一层进气孔布置对燃油蒸汽浓度分布影响很大.加大进气孔直径使进气中心涡流增强,燃油在一级燃烧室中蒸发量增加.主要燃烧发生在二级燃烧室.进气孔切向进气能形成较强的中心涡流,使燃烧高温区主要集中在二级燃烧室的纵向轴心附近.一级燃烧室的周向涡区和二级燃烧室上半部的高温区是Soot生成速率最大的部位;最高燃烧温度未达NOx的生成温度条件,其生成量极少.     

α-加权模糊线性回归模型及其在电力需求预测中的应用

建立了一种回归系数为对称三角模糊数的α-加权模糊线性回归模型，运用模型进行了电量需求预测，实际需求和预测结果分析表明，该模型能够实现历史数据“重近轻远”的预测效果。进一步提高预测精度，减少预测误差，适合于电力需求预测。     

一种短期电力负荷预测新方法的研究与应用

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中pij(t)改进模糊聚类分析;然后以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型。对山东地区1年的实际数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况(夏季典型日负荷)也有较好的预测精度。