基于神经网络的建筑能耗混合预测模型

为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.     

CEEMDAN组合DISPSO-LSTM的短期电力负荷预测

针对短期电力负荷预测精度低与准确性差的问题,设计了CEEMDAN-DISPSO-LSTM混合预测模型。运用自适应噪声的完全集成经验模式分解算法以获取平稳负荷序列,采用改进的动态个体-群体粒子群算法求解长短期神经网络参数的最优值,利用最优参数值构建的LSTM网络进行负荷预测。仿真结果表明:与其他模型相比,该混合预测模型取得了较低的电力负荷预测误差,其误差评价指标RMSE、MAE和MAPE分别为43.71 MW,28.53 MW和0.81%,有效地提高了短期电力负荷的预测精度和准确性。     

基于模态分解与误差修正策略的原油价格组合预测研究

为进一步提高原油价格的预测精度,基于互补集合经验模态分解(CEEMD)和经过粒子群算法(PSO)优化的BP神经网络构建了一种用于原油价格预测的组合模型。该模型共包括原油价格的初始预测、误差序列的提取及预测和初始预测结果的误差补偿。使用WTI和Brent原油现货价格日度数据对所提组合模型的有效性进行了验证,实验结果表明:本文提出的误差预测方法可以准确地刻画误差序列的演化规律;基于误差补偿的原油价格组合预测模型可以显著地提高单一模型的预测精度。     

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。     

BP神经网络在混合原油凝点预测中的应用

通过研究BP神经网络算法和混合原油凝点测量数据,用BP神经网络建立一种混合原油的凝点预测模型。引入具有高度非线性预测能力的误差反向传播的人工神经网络方法,以单组分原油凝点及其配比作为神经网络的输入向量,以混合原油凝点为输出向量,研究混合原油凝点与单组分原油凝点及配比之间的相关性。预测结果表明,混合原油凝点预测值的最大绝对偏差为0.128℃,平均绝对偏差为0.022℃,BP神经网络的凝点预测结果准确性明显优于其它混合原油凝点预测模型。     

基于ESN的光伏发电功率预测模型研究

针对传统神经网络学习算法复杂且稳定性差的问题,本文基于回声状态神经网络,提出了光伏发电功率预测模型。回声状态神经网络的隐含层是一种动态储备池结构,具有回声状态属性,不仅增强了网络预测的稳定性,而且只需采用线性算法即可求得网络输出权值,简化了训练过程,同时克服了传统神经网络收敛速度慢和易陷入局部极小的问题。并利用实际光伏发电站的历史数据和气象数据进行仿真验证。仿真结果表明,ESN预测模型的平均预测误差和最大预测误差分别比BP-NN预测模型提高了13.52%和102.26%,表明ESN预测模型的预测精度明显高于BP-NN预测模型;而且无论从预测精度还是稳定性,ESN预测模型都好于BP-NN预测模型,从而验证了ESN预测模型的可行性。该研究为光伏发电功率模型的实用化提供了理论基础。     

改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。     

基于粒子群算法的水资源需求预测

针对南昌市未来水资源需求预测问题,提出了基于粒子群算法的水资源需求预测方法.以南昌市历史人口、经济和水量需求数据为基础,构造了线性、指数和混合预测模型,利用粒子群算法对预测模型进行优化以确定模型参数.仿真实验结果表明,3种模型都能获得较好的预测精度,其中混合预测模型效果最好,预测精度达到97. 71%.     

上证指数基于SVD的组合预测模型

股票指数时间序列具有非平稳和高噪声等特点,在进行股票指数预测时,由于噪声的影响,单一模型的预测精度往往不高.作者建立了基于奇异值分解（SVD）的BP神经网络和ARMA-GARCH组合预测模型,该模型将原序列分解为趋势部分和噪声部分,分别进行研究.实证研究结果表明：该模型的拟合、预测精度较高.     

高寒地区新建庆哈输油管道生产运行参数优化

对输油管道进行生产运行参数优化,可有效降低运行能耗,提高管道输送的经济效益.针对高寒地区新建庆哈输油管道,以生产运行能耗最低为目标,以温度约束、压力约束、输油泵工作特性约束等为约束条件建立了生产运行参数优化模型.为提高求解效率,采用混合PSO-Powell算法对该模型进行求解.优化结果表明,优化后热能损失降低了38.3...     

长输热油管道非稳态油温预测

热油管道上游站场启停加热炉后,下游进站油温的非稳态变化趋势影响管道清管前启炉热洗、异常停炉应急处置等工作,非稳态油温趋势变化的准确预测可有效提高管道安全运行与节能降耗工作的开展。为此,采用深度学习的框架,将上下游油温的非稳态过程看作序列到序列的映射关系,建立基于attention机制的seq2seq非稳态油温预测模型。通过相关性分析选取上游出站非稳态油温、管道流量、地温等参数作为模型影响因子,并计算获得相关度。在HY热油管道的SCADA系统数据库中下载相关参数历史数据,作为样本数据,经数据预处理后,对模型进行训练测试。将训练完成的模型应用于实际生产,获得预测值与真实值误差为±0.2 ℃,启停加热炉过程预测值与真实值的相关系数R分别为0.96和0.99,均方根误差分别为0.11和0.09,可见模型可有效预测下游站场非稳态油温。该模型基于实际生产数据驱动,为未来管道智能化控制奠定基础。     

低输量下含蜡热油管道的优化运行研究

我国东北含蜡原油管道低输量运行问题日益突出,管道结蜡问题变得愈来愈严重。含蜡原油管道输送成本主要由动力消耗和燃料消耗两项组成。蜡层厚度增大,使得动力消耗增大,燃料消耗减少。在保证安全运行的前提下,管壁留有一定的余蜡厚度对经济运行有利。建立以单位运行能耗费用最低作为管道经济运行的目标函数,以余蜡厚度、清蜡周期为决策变量的经济运行模型并用数值方法求解。用所建立的模型指导现场实际运行有较好的经济效益,该公式适合低输量下高含蜡原油管道的清蜡周期和余蜡厚度计算。     

基于IABC-Elman神经网络的电厂耗煤量短期预测

针对电厂耗煤量具有不确定性的特点及传统Elman神经网络利用梯度下降训练网络参数易陷于局部最优的缺点,基于人工蜂群(ABC)算法,提出了一种改进蜜源更新方式和跟随蜂选择引领蜂方式的改进ABC优化算法,结合进煤量、存煤量和发电量,建立了Elman神经网络电厂耗煤量短期预测模型(IABC-Elman)。实际算例表明,基于IABC-Elman电厂耗煤量短期预测模型结果能达到耗煤量短期预测的标准,与传统神经网络相比具有更高的预测精度。     

同沟敷设原油和成品油管道三维温度场的数值模拟

热油管道周围温度场是管道停输再启动及管道安全运行的基础,只有准确掌握管道周围的温度场分布,才能使管道安全运行,避免凝管事故的发生。在同沟敷设管道中,常温输送的成品油管道必将影响热原油管道的温度场,因此同沟敷设管道的温度场与单根输油管道的温度场不同。为了准确掌握同沟敷设原油和成品油管道的温度场,以国内某同沟敷设管段为研究对象,采用Gambit软件的非结构化网格技术和F1uent软件的标准-模型对同沟敷设管道的三维温度场进行数值模拟。通过与相同条件下单根原油管道的温度场比较,分析成品油管道对同沟敷设原油管道的影响。     

大型商场建筑夏季冷负荷动态预测模型

夏季建筑冷负荷的正确预测是实现大型复杂中央空调优化运行、节能降耗的关键。笔者探讨了商场建筑冷负荷的主要影响因素,确定了建筑动态冷负荷预测模型的输入,提出了夏季基于新风机组供电频率的商场顾客率间接测量方法,解决了商场内顾客量难以检测的难题。还提出了AFC-HCMAC神经网络预测模型算法,实现了大型商场建筑冷负荷的动态预测。仿真结果表明:顾客率在商场冷负荷预测中占有重要地位,在冷负荷预测模型中增加商场顾客率可显著提高预测精度;AFC-HCMAC神经网络预测算法与传统的HCMAC神经网络算法比较,可有效降低神经网络节点数,提高预测精度。     

长输热油管道运行方案的优化

对于输油计划已定的热油管道,输油能耗主要包括输油泵的动力费用和加热炉的燃料费用。在保证安全及时完成输油任务的前提下,如何使输油总能耗达到最小,对于降低企业输油成本具有非常重要的意义。以降低能耗为目的,以热力费用与动力费用之和最小为目标函数,建立了长输热油管道优化运行模型,并采用两层嵌套法来求解,即穷举出各种可能的开泵方案作为外层嵌套,将进站温度的优化作为内层嵌套。对于外层嵌套的每一种开泵方案,用动态规划法优化出内层嵌套的各站进站温度,从而计算出一个总能耗费用;遍历各种开泵方案得到不同的总能耗费用,所有能耗费用中的最小者即为最优解。根据所建模型编制了相应软件,为加热原油的长距离优化输送提供了决策依据。     

基于SOM-RBF神经网络的用电量预测模型研究

随着我国电网建设的高速发展,从日常电力负荷变化趋势剖析未来年度用电量已经成为电网建设的关键问题之一。根据1997~2016年湖北省年用电量及其10个影响因子的数据作为样本,提出了一种自组织特征映射神经网络(Self-organizing Feature Maps,SOM)与多变量的径向基函数(Radial Basis Function,RBF)结合的人工神经网络预测模型新方法。采用先聚类、再分类预测的方法,解决了由于RBF神经网络对于少量样本和训练样本点分散所导致的预测精度降低的问题,改进的神经网络泛化能力有所提高。结果表明:通过SOM-RBF组合算法进行预测,其相对误差维持在3%以下,平均相对误差为1.88%,预测效果较BP神经网络和RBF神经网络有较大的提升。这表明SOM-RBF组合算法可有效的用于用电量预测,具有较高的实用价值。