基于VMDT-POA-DELM-GPR的两阶段短期负荷预测

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法。第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果。结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%~77%、4%~76%,而平均百分比误差(MAPE)仅为0.0678%,可有效提高电力负荷的预测精度。

智能电网条件下的两阶段电力需求预测模型研究

智能电网因其具有与传统电网不同的特征,复杂化了电力需求的预测过程,传统的电力需求预测方法已不再适用。考虑到智能电网下电网与用户的'友好互动'和实时电价的实施,建立了两阶段的电力需求预测模型。第一阶段是不考虑电价的变化预测典型日负荷需求;第二阶段是在第一阶段的基础上考虑每时刻电价变化所带来的负荷转移,修正第一阶段的预测结果。算例研究表明,该模型能较好地反应出实时电价下用户的需求响应及需求响应所带来的负荷转移。

一种两阶段数量组合预测方法及实证

数量是决策中一个重要指标，对数量的掌握不但要了解现状而且要对其未来的发展趋势进行研究和预测。当前预测的方法很多，不同的预测对象适用不同的预测方法，方法的选择和应用是预测的一个难点和重点。本文首先梳理了现有数量预测方法的特点，然后设计了一个两阶段的组合预测方法，主要思路是采用常用预测方法，首先进行分阶段预测，考察各方法的拟合优度来筛选单项预测方法，确定单项预测方法后，选用组合预测提高预测精度。利用国家自然基金申请数据进行了实证研究，结果表明，该方法平均相对误差为0．04％，拟合精度较高，具有较好的应用价值。

基于两阶段支持向量回归的快速噪声水平估计算法

虽然基于主成分分析的噪声水平评估算法的预测准确性比较高,但是以迭代方式从原生图块集合中筛选同质图块子集的过程导致其执行效率比较低.为提高现有算法的执行效率,提出一种基于两阶段支持向量机回归的快速噪声水平估计改进算法.首先依据原生图块协方差矩阵的前若干个特征值与噪声水平值的强相关性,利用支持向量机回归技术训练粗精度的预测模型,大致估计出图像中的噪声水平范围;然后根据初步估计的结果,使用专门针对低、中、高噪声水平训练的精细预测模型获得最终的噪声水平估计值.大量实验结果表明,该算法可以在不降低太多预测准确性的前提下,大幅度地提高执行效率,用它作为各类图像处理算法的前置预处理模块,较其他同类算法具有显著的综合优势.

基于CEEMD-SSA-LSTM的园区综合能源系统两阶段优化调度

为提升综合能源系统中风电等清洁能源的利用率、减少碳排放,提出一种基于互补集合经验模态分解、麻雀搜索算法、长短期记忆网络的新能源两阶段出力预测的综合能源系统优化调度模型。首先,对历史数据进行互补集合经验模态分解,构建基于麻雀搜索算法优化的长短期记忆网络预测模型;其次,用此预测模型对风电、光伏功率分别进行日前、日内的两阶段功率预测;最后,以包含碳惩罚成本、弃风惩罚成本等因素的日最小运行成本为优化目标,构建基于风电、光伏出力预测结果的综合能源系统日前、日内两阶段调度模型,并通过CPLEX求解制定调度计划。以某园区为例进行仿真分析,结果表明,此两阶段模型使系统购能成本下降9.40%、碳排放惩罚成本减少14.05%,日运行总成本减少12.53%,有效提升了综合能源系统的经济和环保性能。

浓度加和模型与独立作用模型在化学混合物联合毒性预测方面的研究进展

环境中污染物的组分十分复杂,仅仅研究污染物单一组分的毒性不能完全反映环境中污染物所致风险。因此,需要选择相关模型对两种或者多种组分引起的联合毒性进行研究。目前,较为常用的模型主要有相互作用(interaction,IAI)模型、浓度加和(concentration addition,CA)模型、独立作用(independent addition,IA)模型、两阶段预测(two stage prediction,TSP)模型等,其中CA模型和IA模型应用较为广泛。论文综述了CA、IA、TSP模型(由CA和IA模型发展而来)的基本原理、评价标准及其在农药、化学混合物、金属混合物等在联合毒性预测方面的应用,并对该类模型未来的发展进行了展望,为人类生存的环境、药物之间联合应用等的风险评估提供重要的科学依据。

基于两阶段组合预测模型的区域物流需求预测

基于支持向量机、遗传算法、粒子群算法和BP神经网络,提出了两阶段组合预测模型GSPS-BPNN,旨在将预测问题分为2个阶段.第1阶段预测为第2阶段预测提供更有效的样本数据特征,并降低数据维度,提高算法收敛性;第2阶段预测可以弱化第1阶段预测模型可能产生的过学习的影响.最后将GSPS-BPNN模型用于成都市和天津市物流需求预测中,结果显示GSPS-BPNN模型在预测精度及预测稳定性方面优于单阶段单一预测模型.