Optimal Scheme with Load Forecasting for Demand Side Management (DSM) in Residential Areas

Utilities around the world have been considering Demand Side Management (DSM) in their strategic planning. The costs of constructing and operating a new capacity generation unit are increasing everyday as well as Transmission and distribution and land issues for new generation plants, which force the utilities to search for another alternatives without any additional constraints on customers comfort level or quality of delivered product. De can be defined as the selection, planning, and implementation of measures intended to have an influence on the demand or customer-side of the electric meter, either caused directly or stimulated indirectly by the utility. DSM programs are peak clipping, Valley filling, Load shifting, Load building, energy conservation and flexible load shape. The main Target of this paper is to show the relation between DSM and Load Forecasting. Moreover, it highlights on the effect of applying DSM on Forecasted demands and how this affects the planning strategies for utility companies. This target will be clearly illustrated through applying the developed algorithm in this paper on an existing residential compound in Cairo-Egypt.

基于改进Croston方法的多需求模式零备件预测

维修备件管理是提高产线可靠性、实现降本增效的关键。针对具备间歇性与随机性特征的维修备件需求预测问题,提出了基于改进Croston方法的备件需求预测模型。依据Syntetos准则基于间断性与波动性特征将备件需求划分为4类。针对含有波动性特征的需求,基于Croston方法主要思想将备件需求预测分解为需求发生状态预测和需求量预测两类问题,设计了集合经验模态分解(ensemble empirical mode decomposition,EEMD)-长短期记忆网络集成(long short-term memory,LSTM)预测模型。EEMD方法将剧烈波动序列分解为若干相对平稳的分量,进而采用LSTM方法对各分量进行预测。针对含有间断性特征的需求,引入信号处理技术中的信号调制技术,将需求发生状态0-1二值序列进行连续化处理。所提方法解决了备件需求波动性强、间断性大的难题,已应用于湖北中烟武汉卷烟厂,证明了方法的优越性与可行性。

重大传染病疫情下应急医疗物资需求预测和配置研究

为了科学合理地进行应急医疗物资配置,提高重大传染病疫情防控效率,根据疫情演化不同阶段的特点开展应急医疗物资需求预测和配置研究。首先,根据疫情数据特征,提出传染病模型SEIR(Susceptible Exposed Infectious Recovered)和长短期记忆(Long Short-Term Memory,LSTM)网络相结合的模型(SEIR-LSTM)预测各需求点的应急医疗物资需求量,该方法利用LSTM对时间序列数据良好的学习能力预测感染率,输入SEIR模型提高预测准确率。然后,根据传染病疫情演化关键阶段的特点,考虑物资配送成本、需求紧迫度和分配公平性等因素构建分阶段多目标物资配置模型。最后,以上海新冠肺炎疫情进行实例分析,结果表明,基于SEIR-LSTM的应急物资需求量预测方法准确率较高,根据分阶段配置模型求出的方案能够满足各个阶段物资分配的要求,验证了提出的模型和算法的有效性。

基于ISSA-LSTM模型的可再生能源电力需求预测

为了更精准地预测未来能源结构调整方向及成效,选用ISSA-LSTM组合预测模型对中国2023-2030年可再生能源的电力需求进行预测。首先,利用Circle混沌映射改进麻雀搜索算法(SSA)以提高搜索能力以及种群多样性;然后引入长短期记忆神经网络(LSTM)以有效捕捉可再生能源电力需求随机波动性和时序性;最后,通过ISSA-LSTM模型预测长期可再生能源的电力需求,验证测试集数据,并与其他传统模型进行对比。结果表明:ISSA-LSTM模型预测结果能够满足对可再生能源电力需求预测的精度要求;在未来2023-2030年可再生能源电力需求稳定,波动幅度不大,可达到全国用电量的1/3;利用Circle混沌映射改进策略能有效提升SSA寻优能力。与PSO算法相比,SSA算法寻找LSTM超参数最优解的能力更优,ISSA-LSTM模型预测可再生能源电力需求精度更高。

基于模糊认知图和LSTM混合方法的H公司物流需求预测研究

鉴于传统的预测方法难以有效满足需求预测的非线性关系以及预测的精确度,文章提出了一种FCM-LSTM组合模型预测方法,首先对影响物流需求的关键因素进行模糊状态求解,然后对求解得到的各分量以及物流公司的历史货运量展开LSTM神经网络迭代预测,最终结合实例构建评价模型以评估算法的预测效果。该预测方法探讨了经济指标、季节性模式和假日对物流需求的重大影响,强调了将认知与神经网络模型结合应用的潜力,为控制物流行业的复杂动态提供了参考意见。结果表明,该组合模型可以提高预测精准度,具有有效性和可行性,为解决物流需求预测提供了可行的参考方法。

基于LSTM和注意力机制的远程会诊需求预测

为更准确地预测远程会诊需求量,提高远程会诊资源配置效率,文中引入多元回归分析(Multiple Linear Regression)和注意力机制来优化长短期记忆网络(LSTM)。首先,根据远程会诊需求中存在的假期效应生成假期指标,通过多元回归分析选取显著性高的指标作为模型输入,然后根据长短期记忆网络学习输入指标的内部复杂映射关系,利用注意力机制对指标分配不同权重,最后根据权重和LSTM隐藏层输入预测结果。基于国家远程医疗中心(NTCC)的实际历史会诊数据,研究MLR-Attention-LSTM的预测性能,并比较其与整合移动平均自回归模型、支持向量机、K近邻、BP神经网络和LSTM神经网络5种模型的预测效果。结果表明,优化后的LSTM模型预测精度最高。进一步地,探究假期指标对模型性能的影响,结果表明假期指标的输入可以进一步提高模型的预测精度,验证了MLR-Attention-LSTM和假期相关变量输入在远程会诊需求预测领域的可行性与适用性,为远程医学中心实际应用提供了理论支撑和实践指导。

基于树结构Parzen估计器优化集成学习的短期负荷预测方法

短期负荷预测主要用于电力系统实时调度、日前发电计划的制定,对电力系统经济调度、系统的安全运行具有重要意义.国内外在采用智能模型进行短期负荷预测方面开展了大量研究,然而智能预测方法的预测效果较易受到现存方法结构及参数的影响,以及预测对象自身个性差异使得参数难以复用,如何精准快速地获取方法结构与参数成为短期负荷预测的关键难题.对此,提出基于树结构Parzen估计器优化集成学习的短期负荷预测方法,可对方法结构与参数进行快速寻优.将该方法应用于中国南方某省短期负荷预测,以实际算例验证了其对预测精度的有效提升.

一种适用于单/多光伏电站的迁移超短期光伏预测建模框架

针对新建电站的历史数据量有限,且不同时段光伏数据的分布存在较大差异的问题,构建一种适用于单/多光伏电站的迁移超短期光伏预测建模框架。首先,为充分考量光伏序列的不确定性及数值天气预报的固有偏差,提出一种基于加权滚动时间窗聚类方法,同时为避免维度过高问题并强化天气类型与光伏发电功率之间的映射关系,提出类内外特征加权结构保持降维算法;其次,通过采用测地线流式核积分完成数据分布对齐,减小样本分布差异对单/多电站模型鲁棒性的影响;最后,采用梯度增强决策树建立光伏功率预测模型,实现光伏功率预测精度的提升。采用公开数据集PVOD验证了所提算法的有效性。

基于Informer神经网络的农产品物流需求预测分析——以华中地区为例

保障农产品物流稳定性即是保障民生问题的关键。对农产品物流需求的预测是合理规划农产品物流稳定性的重要保证。然而,农产品物流需求的预测实际较为复杂,预测过程中会受到各种因素影响。因此,为了保证对农产品物流需求预测的准确性,需要考虑多方面影响因素。本研究以农产品物流需求作为研究对象,利用Informer神经网络构建预测农产品物流需求的神经网络模型,以华中地区河南省、湖北省和湖南省为例,对三省的农产品物流需求进行预测。同时用长短时记忆(Long Short-Term Memory,LSTM)网络和Transformer神经网络对华中三省农产品物流进行需求预测,将三种模型预测结果进行对比。对比结果表明本研究构建的基于Informer神经网络模型预测测试误差平均百分比为3.39%,低于LSTM和Transformer神经网络模型的4.43%和4.35%。并且用该Informer神经网络模型对三省预测出的预测值与实际值结果较为接近,河南省2021年的预测值为4185.33,实际值为4048.1,误差为3.389%;湖北省2021年的预测值为2503.64,实际值2421.78,误差为3.380%;湖南省2021年的预测值,2933.31,实际值为2836.86,误差为3.340%。表明该模型对华中三省的农产品物流需求预测的结果较为准确。三省2023年的预测值高于2021年的预测值。因此,在2021年物流运输配套设施的基础上,必须保证物流运输效率,加强物流运输能力,以满足华中地区日益增长的物流需求。

基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究

考虑铁路枢纽出租车客流需求量短时波动和历史时间序列等影响因素,为提升铁路枢纽站出租车需求量短时预测精度,提出了一维卷积神经网络(CNN)与长短时记忆神经网络(LSTM)的组合预测模型(CNN-LSTM)。采用人工计数法,获取铁路枢纽站出租车客流需求的时间序列数据,根据供需量平衡理论,建立理想条件下需求量短时计算模型。以标准化原始数据为CNN的输入,分别通过双层卷积和池化,提取原始数据特征向量输入特征,并以此作为LSTM的训练数据进行短时预测,将预测数据标准化还原后可得到匹配原始数据的预测数据。对比分析SARIMA、LSTM预测模型,构建的CNN-LSTM组合模型RMSE值有所降低,表明构建模型适用于铁路枢纽出租车需求量短时预测。

基于混合深度学习模型的洪水过程概率预报研究

传统的人工神经网络模型无法量化洪水预报的不确定性,而且在多时段连续预报中未考虑输出的时间相关性。本文通过融合新安江(XAJ)模型、基于外源输入编码-解码(EDE)结构的长短期记忆(LSTM)神经网络和混合密度网络(MDN),构建了XAJ-LSTM-EDE-MDN混合深度学习模型,以实现洪水过程概率预报。该模型在考虑预报洪水时间相关性的前提下,将解码过程产生的点估计转化为条件概率分布的估计;进一步采用最大似然估计法建立了损失函数,通过自适应矩估计(Adam)算法优选模型参数。在陆水和建溪两个流域的研究结果表明:该模型在不降低XAJ-LSTM-EDE模型预报精度的前提下,可有效反映预报洪水过程的不确定性,获得合理可靠的置信区间和优良的概率预报性能,为水库防洪调度等决策提供更多的风险信息,同时为研究深度学习在洪水概率预报中的应用提供参考。

考虑广义需求侧资源的深度置信网络短期负荷预测方法

随着智能电网信息化水平的不断提高以及可控负荷、分布式电源和储能等广义需求侧资源的大量接入,将产生海量负荷数据集并改变负荷特性.为了提高负荷预测精度,提出了一种考虑广义需求侧资源的深度置信网络(DBN)负荷预测方法.首先,借助负荷聚合商确定了广义需求侧资源参与电力市场的机制,构建了基于合同的广义需求侧资源调度模型,并利用该模型求解广义需求侧资源参与电力市场的最优调度计划.其次,引入DBN结构,并将广义需求侧资源的最优调度计划作为其输入量,建立了短期负荷预测模型.最后,以实际数据进行仿真测试,结果表明,本文所提方法具有更高的预测精度.

灰色组合预测模型优化及科技人才需求预测

科技人才需求预测是国家合理制订人才政策的重要依据。为此,本文基于科技人才需求的数据特征,构建适用于科技人才需求预测的新型离散灰色模型FODGM(r,1,kθ,u),该模型实现了系统发展灰信息非线性规律的较好反映以及累加阶数作用范围全实域拓展,缓解了原始序列中极值对模型性能的影响,能够有效模拟科技人才需求的发展趋势与演变规律。应用该模型对我国科技人才需求量进行预测,结果显示未来我国科技人才需求量呈逐步上升趋势,预计2026年我国科技人员全时当量将达729.258万人年,科技人才需求端压力较大。相关部门可以根据预测结果制定缓解我国科技人才需求端压力的对策。

电力物资小样本集的改进长短期需求预测模型

为有效保障智慧仓储系统的物资供应能力,对各类电力物资进行准确的需求预测是保证物资采购量和稳定高效供应的基础。针对现有智慧仓储系统接入数据少和难以支撑模型训练的问题,提出一种结合蒙特卡洛模拟和改进长短期记忆网络(long short-term memory,LSTM)的电力物资需求预测方法。首先根据初始数据集的分布和特征,采用蒙特卡洛方法模拟扩充数据集,同时利用KL(kullback-leibler)散度验证生成数据集的一致性,最后建立基于引导聚集算法的改进LSTM电力物资需求预测模型,提高模型的泛化能力和稳定性。通过仿真试验,所提模型有效提高了训练集可用数据过少前提下的电力物资预测精度。

基于LSTM-NeuralProphet模型的城市需水预测方法研究

城市水资源规划和管理是确保城市可持续发展和居民生活基本需求得到满足的关键环节,城市短期需水预测是城市水资源规划和管理的基础。由于气温、降水量和蒸发量等随季节变化明显,直接影响不同季节的用水峰值、高峰期,导致传统基于时间序列算法的固定时隙预测无法适应时隙的变化,从而不能保证预测精度。针对固定时隙预测精度低的问题,研究了基于四季24 h时间分辨率和夏季15 min时间分辨率的双时间尺度城市短期需水预测模型。该模型使用Anomaly-Transformer模型进行异常值检测,并通过分段曲线拟合对异常值校正,采用主成分分析法对城市短期需水影响因子进行分析提取主成分,在AutoML的标准模型分析中选取三个效果最好的模型作为Stacking模型的基学习器再结合长短期记忆网络(Long Short-Term Memory,LSTM)和Optune框架超参数优化后的NeuralProphet模型对双时间尺度的城市短期需水量进行预测,同时加入安全网机制,以保证LSTM-NeuralProphet模型的精确度。与其他模型(LSTM模型、NeuralProphet模型、BP神经网络模型)相比,LSTM-NeuralProphet模型的平均绝对误差在四季24 h时间分辨率的数据集上降低了0.18%~1.96%,在夏季15 min时间分辨率的数据集上降低了0.45%~11.90%。实验结果表明,LSTM-NeuralProphet模型具有更好的拟合效果和更高的预测精度,能较准确地预测双时间尺度下的城市需水量,可以较好地应用于城市短期需水预测研究中。

基于设计波法的半潜式生活平台主船体强度分析

针对某半潜式生活平台,计算其主体结构强度并校核其是否符合规范要求。首先采用SESAM软件的Genie模块对半潜生活平台进行结构有限元、湿表面和水动力模型的建模,运用HydroD水动力模块计算了结构在不同周期和不同浪向下的幅值响应系数(RAO),通过RAO极值来确定设计波法中波浪的参数,将确定的设计波通过RAO极值来确定设计波法中波浪的参数,将确定的设计波通过载荷传递施加到模型上,采用Sestra求解器模块进行求解。最后采用Xtract模块进行应力结果后处理,计算结构的强度并校核其是否符合规范要求。结果表明,本文设计的半潜生活平台结构强度满足规范要求。本文研究方法和研究结论可为半潜式平台的强度计算提供有效参考且具有实际意义。

基于极限学习机的市场需求侧短期电力负荷预测方法

为了优化市场需求侧短期电力负荷预测效果,减小负荷预测偏差,引入极限学习机,开展基于极限学习机的市场需求侧短期电力负荷预测方法研究。从缺失电力负荷数据补充、异常电力负荷数据识别与修正两个维度,对市场需求侧短期电力负荷数据进行预处理。在此基础上,建立基于极限学习机的负荷预测模型,预测市场需求侧短期电力负荷数据的动态变化。实验分析结果表明,应用文章提出的方法,短期电力负荷数据集的预测平均绝对百分比误差始终小于对照组,均未超过1%,预测精度较高。

基于深度学习的网约车需求预测研究

网约车需求预测是一个典型的时间序列预测任务,准确的网约车需求预测能够辅助网约车平台合理地派单和规划路径,从而降低网约车的空驶率,具有重要的研究意义。文章利用长短时记忆模型(LSTM)及门控循环单元(GRU)进行网约车需求预测,对比了同一地区休息日和工作日,一周和一个月内的网约车需求及其变化,构建基于LSTM和GRU的需求预测模型,使用历史数据对未来需求进行预测,使用Geohash代码对西安市进行区域划分,对数据和划分的网格进行匹配得到汇总数据,采用线性模型进行对照试验,结果表明,LSTM和GRU在网约车需求预测中的表现优于线性模型,二者相比LSTM预测精度更高。

短期负荷预测的支持向量机方法研究

提出了一种基于支持向量机(SVM)理论的电力系统短期负荷预测方法。该方法采用结构风险最小化原则(SRM),与采用经验风险最小化原则(ERM)的传统神经网络方法相比,具有更好的泛化性能和精度,减少了对经验的依赖。SVM算法以统计学习理论作为其理论基础,它的训练等价于解决一个二次规划问题。为了提高负荷预测精度,文中在训练数据集中采用了负荷数据和温度数据。通过和多层BP神经网络进行比较的试验,结果证明了其在短期负荷预测中的有效性。

基于长短期记忆的实时电价条件下智能电网短期负荷预测

在电力市场改革与智能电网建设的大背景下,电力将逐渐回归商品属性,电价也将实时波动,并对负荷产生影响。通过分析得出电价与负荷具有相关性,因此在预测模型中考虑了实时电价的影响,并对考虑实时电价的负荷预测模型与价格型需求侧响应之间的关系进行了讨论。针对前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷,提出了基于长短期记忆循环神经网络的负荷预测模型,使用自适应矩估计算法进行深度学习。最后通过美国某地区的实际负荷和电价数据,验证了所提模型具有更高的预测精度。