基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

电力短期负荷预测的研究

电力短期负荷预测是电力部门的一项重要工作,在电力系统的安全、可靠及经济运行中起到了很重要的作用。在本文中,利用模拟退火算法的全局寻优能力和BP神经网络的非线性学习能力,提出了模拟退火BP神经网络的电力短期负荷预测模型来实现短期负荷的预测,从而能有效地克服BP神经网络容易限入局部极小的缺陷。通过某市的实际数据为算例,验证了本算法的有效性和优越性。     

燃气小时负荷的模糊神经网络预测

分析了燃气负荷运行变化规律，研究了负荷模型分类模式，采用改进模糊神经网络进行小时燃气负荷预测。     

基于LSTM的高校建筑电力负荷预测方法

提出一种基于长短时记忆网络(LSTM)的预测模型,以提高高校电力负荷预测的准确率.以某高校的电力负荷数据为研究对象,分析不同超参数的影响,确定最优的预测模型,并与常用的基于支持向量机(SVM)的负荷预测模型进行负荷预测对比.结果 表明,本文提出的负荷预测模型平均绝对百分误差(MAPE)为:办公楼6.67％、科研楼4.3...     

城市燃气负荷预测数据库系统的设计

介绍了自主开发的燃气负荷预测数据库系统的结构与功能。结合工程实例,论述了系统的燃气负荷预测和指标统计功能。该系统处于试运行调试阶段,各项功能基本满足要求。     

基于PSO-LSSVM模型空调负荷预测研究

提出利用粒子群优化(PSO)算法优化的最小二乘支持向量机(LSSVM)预测模型(PSO-LSSVM模型)。以厦门某公共建筑作为研究对象,将平均绝对误差绝对值、平均相对误差绝对值作为评价指标,评价LSSVM模型、PSO-LSSVM模型对空调负荷的预测效果。LSSVM模型、PSO-LSSVM模型的空调负荷预测值与实测值变化趋势基本一致。与LSSVM模型相比,PSO-LSSVM模型的预测值平均绝对误差绝对值、平均相对误差绝对值更小,PSO-LSSVM模型的预测准确性更高。     

基于PCA-PSO-SVM的供热负荷预测研究

以长春某热力公司的集中供热系统为研究对象,提出了可用于热负荷预测的PCA-PSO-SVM模型。首先利用PCA进行降维,然后通过PSO优化算法选取最优参数c、g和ε,从而构建PCA-PSO-SVM的预测模型。仿真结果表明,经过PCA降维处理的模型预测精度略低,但模型的预测速度可以提高20%～40%左右;此外也验证了基于PSO优化模型的预测精度较高,模型拟合度较好。     

基于PSO-LSSVM的供热负荷预测研究

热负荷预测是供热系统智慧化升级的关键,为提高其预测精度,建立了基于交叉验证意义下的PSO-LSSVM热负荷预测模型.该模型采用交叉验证确定粒子群算法的适应度值,利用粒子群算法的全局寻优能力来确定最优的正则化系数和核宽度系数,再基于最小二乘支持向量机实现热负荷的高精度预测.研究表明:PSO-LSSVM模型的平均绝对误差为...     

基于PSO-SVM模型的短期电力负荷预测研究

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。     

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。     

基于数据挖掘的医院建筑电负荷特性分析预测

本文基于青岛某医院建筑2017年全年逐时总用电能耗实测数据,将冷热源电耗从中分离,得到用于分布式能源系统运行策略研究的逐时电负荷数据。首先利用k-means聚类算法对该建筑的全年逐时电负荷特性进行分析,并根据聚类结果为神经网络的训练构建相似日样本集。然后利用相关性理论针对不同的相似日样本集筛选特征参数,作为神经网络的输入参数。最后利用平均绝对百分误差(MAPE)、变异系数(CV)、均方根误差(RMSE)等指标对本文提出的复合优化预测模型性能进行定量评价。结果显示,复合优化预测模型的预测精度相较于既不聚类也不进行相关分析的传统BP网络有了很大的提高。其中,MAPE、CV、RMSE分别降低了39.4%、36.9%、38.1%。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

近零能耗建筑空调负荷预测研究

建筑空调系统能耗约占建筑总能耗的50％,在近零能耗建筑中,空调系统优化运行是实现能耗指标的关键.基于空调负荷预测,开展精细化控制,实现能源系统优化运行,是近零能耗建筑空调系统优化运行的技术路径.基于历史实测运行数据,采用两种不同的机器学习算法建立预测模型,并进行了比对研究.通过预测精度比较得到最优模型,其中最优模型下的...     

浅议利用年负荷增长率的变化率预测用电负荷

根据对广东省某县近十年来负荷发展的跟踪研究,发现在2006-2010年期间,年用电增长平缓、增长率稳定,不同于2001-2005年期间的跳跃式增长,同时分析了现象发生的原因,并提出采用增长率法对该县2011 ～2015年期间的用电情况进行预测.     

基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.     

基于神经网络的城市燃气短期负荷预测

采用VC语言编写基于神经网络技术的城市燃气短期负荷预测模型,经实例验证可以较精确地预测出城市燃气短期负荷.预测模型在权值修正项中引入动量项以加速收敛,在数据输入时引入噪声,以提高网络的泛化推广能力.     

支持向量机在建筑能耗预测中的应用

建筑领域空调的冷热源往往由储能设备预测未来24 h建筑的能源使用情况,为供能设备的调度策略提供依据,实现按需供能,能更好地推进建筑节能工作.结合建筑物的业态特性,对能耗预测中存在的问题,包括数据的预处理、预测样本的建立、核函数的选取及参数的优化方法,进行了分析.采用某园区的实际空调能耗数据,对数据进行分析处理并用不同方法进行仿真测试,仿真结果表明支持向量机在空调能耗的预测中是一种有效的方法.     

机理计算与机器学习结合的空调负荷预测

文章提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立了统计学预测模型、支持向量机预测模型、随机森林预测模型。并通过将溧阳某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对1年内和1年后的泛化能力进行分析。模拟结果表明,随着实际负荷数据的逐步增加,通过在线学习逐步完善性能,可以快速建立建筑的空调负荷预测模型。机器学习预测空调负荷的方式扩大了负荷预测的使用范围,提高了冷冻站智能化运行的水平。