共查询到17条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
5.
6.
7.
8.
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。 相似文献
9.
城市燃气日负荷的模糊预测 总被引:1,自引:1,他引:0
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。 相似文献
10.
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。 相似文献
11.
12.
13.
14.
15.
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. 相似文献
16.
燃气负荷是燃气工程重要的基础技术数据,燃气供气负荷及其变化规律的预测是城市输配系统所必须面对的重要问题,文章叙述了南京城市燃气供气负荷预测研究课题的概况. 相似文献
17.