基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.

基于免疫粒子群的调峰炉热力站优化调度

为了实现供热节能,对调峰炉热力站进行优化调度.首先结合供热能耗最小和运行费用最小两种调度模型,建立一种综合节能最优的调度模型,该模型可适应不同调峰模式下的供热需要.然后将免疫粒子群算法(Immune particle swarm optimization,IPSO)应用于优化调度的寻优计算,采用免疫算法,对粒子群算法(PSO)进行改进,避免了粒子群算法中存在的算法早熟、容易陷入局部极值等问题,能更准确快速地求解出优化调度结果.通过实例验证了该算法的优越性,计算结果表明调峰炉热力站的优化调度达到了节能的目的。

基于支持向量机沉没度预测的潜油泵冲次优化研究

在石油开采过程中,利用直线电机驱动潜油往复泵是一种新型举升方式。这种举升方式可使抽油机具有较好的可控性。在这一背景下,提出一种基于沉没度预测的潜油往复泵冲次优化方法。文中对在采油厂采集的沉没度数据进行时间序列的输入空间重构,基于支持向量机(support vector machines,SVM)建立沉没度预测模型。以抽油机的经济效益为目标,以预测得到的沉没度为参量,对直线电机的冲次进行优化。采用沉没度–冲次子区间匹配方法改进原优化算法,进一步降低原方法的计算量和数据量。改进的优化算法可以更好地适应现场计算机对计算量的限制。该优化方法可有效地提高往复泵的产油量,并避免直线电机长期工作于满载或过载状态。

基于支持向量机的潜油柱塞泵沉没度预测

潜油柱塞泵抽油系统可以及时、合理地调节直线电机的运行状态,使抽油机的抽汲能力与井下沉没度的变化相匹配,以达到可靠、稳产和节能的目的。针对潜油柱塞泵抽油系统沉没度时间序列非平稳、非线性的特点,提出基于支持向量机(SVM)的沉没度预测方法。对实测现场沉没度序列预处理和归一化,构成沉没度时间序列,并进行输入样本空间重构。用沉没度时间序列样本对SVM预测模型进行训练,选择测试样本对训练得到的预测模型进行测试,并将该方法与自回归滑动平均模型(ARMA)预测结果进行比较。最后,引入直线电机冲数信息作为预测模型的输入,形成改进的沉没度预测方法。对三种预测方法在相同的训练和测试条件下进行误差分析,证明改进的SVM方法具有更高的预测精度。研究结果可作为潜油柱塞泵在线监控系统控制直线电机运行状态的依据。

基于支持向量机的潜油往复式油田抽油机工况诊断方法

潜油往复式抽油机是一种重要的新型油田抽油机,它的工况诊断水平直接影响其在油田生产中的应用效果。文章提出一种潜油往复式抽油机的工况诊断方法,在分析潜油往复式抽油机工作原理的基础上,结合泵体结构,得到潜油直线电机在不同工况下加载-卸载过程的不同特征。通过定义相关参量,提取各工况下潜油直线电机运行数据中的特征量。将其作为支持向量机(SVM)分类器的输入,建立基于SVM的潜油往复式抽油机工况诊断模型,并在模拟平台上对该方法的有效性和误判率等进行了验证试验和仿真分析。

基于RBF神经网络的时间序列交叉供热负荷预报研究

针对供热过程的特点及节能控制的需要,提出基于RBF神经网络的时间序列交叉供热负荷预报法.首先对现场实测的供热负荷数据进行预处理,取得建立预报模型所需的负荷样本阵列;随后,应用自相关法求取RBF神经网络的输入维数,并分别建立时间序列的横向及纵向预报模型;最后用最小二乘法求出横向与纵向负荷预报的交叉权系数,得到RBF神经网络的时间序列交叉预报模型.仿真结果表明,RBF神经网络交叉负荷预报的精度高于横向负荷预报及纵向负荷预报,其实时性要优于BP神经网络交叉负荷预报.

供热负荷时间序列混沌特性识别及区间预报研究

对供热负荷时间序列进行了混沌特性分析,计算得到了吸引子维数和最大Lyapunov指数。在最大Lyapunov指数点预报法的基础上,提出了最大Lyapunov指数区间预报法,并给出了最大预报时间尺度。仿真结果表明,该方法可取得较高的预报精度和较高可靠度的预报区间。

供热过程时滞递推神经网络解耦器设计

针对供热过程质调—量调通道耦合特性和节能控制的需要,提出基于时滞递推神经网络的供热解耦方法。通过典型信号响应与最小二乘法结合的方法得到供热过程耦合系统模型,利用改进的假近邻法预估神经网络训练数据的嵌入维数,确定神经网络输入节点个数,引入时滞环节构建神经网络解耦器。采用时滞递推神经网络解耦器对供热耦合系统进行解耦,消除供热过程质调、量调通道间的非线性强耦合作用。仿真结果证明该方法具有良好的动态和静态解耦特性,能够满足供热过程多回路控制的要求,使供热系统能够跟踪节能设定值进行调节,实现供热节能和优质供热。

最大熵原理的供热负荷预报研究(英文)

根据建筑供热的特点和供热节能控制的需要,提出应用最大熵法进行负荷预报,介绍了最大熵谱法原理及Burg算法,对从热力站采集的历史随机负荷序列进行预处理,将其中的确定性部分和随机部分进行分离;并对负荷样本序列,分别用相关法和最大熵谱法进行负荷预报,对两种结果进行了分析比较,采用最大熵谱法进行负荷预报,其预报精度、自适应性和算法的实时性均能较好地满足建筑分户计量节能供热的要求.

局域支持向量回归与误差区间估计的概率预报方法及其应用研究

针对工程应用对预报技术要求的不断提高以及现有预报方法存在的问题,本文提出了一种局域支持向量回归(Local Support Vector Regression,LSVR)和误差区间估计相结合的概率预报方法,该方法利用局域支持向量回归降低噪声对点预报的干扰,提高预报的可靠性和准确性,利用非参数核估计获取误差区间,避免误差概率分布特性假设,再将点预报和误差区间结合获得预报置信区间,并进一步给出了联合预报置信区间.最后,给出了电网负荷预报和供热负荷预报算例,验证了所提出方法的有效性和实用性.

基于MIMO-SVR的供热负荷日预报方法

针对城市集中供热系统中提前24小时的日负荷预报方法具有较大误差问题,提出了一种基于多输入多输出支持向量回归(MIMO-SVR)的供热负荷日预报方法.该方法利用MIMO-SVR的多输出特性通过一步预报直接获得24小时的日负荷预报.通过对某热力站实际供热负荷数据进行仿真研究,结果表明,MIMO-SVR日预报的平均相对误差为2.47%,较多输入单输出支持向量回归(MISO-SVR)预报精度高,能够满足供热工程的应用需要.