基于神经网络的日峰荷预测方法中日期类型系数的确定（英文）

对于基于人工神经网络的短期负荷预测来说,日期类型(星期几)是需要考虑的重要影响因素。通常,日期类型系数被编成7位二进制码作为神经网络的输入变量。该文提出一种日期类型系数的确定方法,将日期类型系数编为1位输入变量,由于精简了输入量,从而提高了预测精度。该日期类型系数通过计算不同日期类型的负荷–气温散点图的拟合曲线、并估计不同日期类型的负荷之差得到。为了消除夏季气温累计效应对负荷的影响并得到更清晰的负荷日期特征,该文采用一种基于遗传算法的气温修正方法,对气温变量进行修正。最后通过对苏州的实际负荷数据预测验证了方法的有效性。

基于综合气象指数和日期类型的电力系统负荷预测

气象因素作为影响电力负荷的主要因素,近年来已成为研究的焦点。引入了生物气象学中的实感温度、温湿指数、舒适度指数等指标并结合日期类型利用最小二乘支持向量机(LSSVM)来进行负荷预测,避免了传统的一刀切式的预测方法。以某地区实际负荷为例,证明了该方法可以辅助电网公司调度部门更好地把握负荷特性,提高电力负荷预测的准确率。

基于气温与日期类型的改进BP网络热负荷预测

热负荷预测为城市集中供热系统提供数据支持,是实现按需供热的基础。热负荷的变化受外界各项因素特别是室外温度影响较大,为在满足供热系统需求量的同时做到节能与兼顾人体舒适度,提出基于气温与日期类型的热负荷预测方法。该方法将气温与日期类型进行量化并利用BP神经网络建立供热系统的热负荷预测模型。为保证预测精度采用遗传算法对神经网络连接权值和阈值进行优化,得到未来24小时的热负荷预测值。预测结果表明,此方法可以较准确地预测未来的热负荷,并达到按需供热和节能环保的目的。

融合日期类型的改进线性回归短期负荷预测模型

为了提高短期电力负荷预测精度,综合分析气象、经济、节假日等影响因素,以K-means聚类方法定义节假日变量,并考虑日期类型与气象因素的交叉效应,提出融合日期类型与气象因素的多元线性回归短期负荷预测模型。该模型弥补了广义线性模型无法体现节假日因素影响的缺点,在一定程度上提高了预测精度。利用西南某省2013—2016年实际电力负荷数据对模型进行检验,结果表明:该模型通过对历史数据的深度挖掘以及对日期信息的合理利用,提高了短期负荷预测精度,拓展了多元线性回归模型在短期负荷预测中的适应性。

MySQL的数据类型和建库策略

无论是在小得可怜的免费数据库空间或是大型电子商务网站，合理的设计表结构＼充分利用空间是十分必要的．这就要求我们对数据库系统的常用数据类型有充分的认识．下面我就将我的一点心得写出来跟大家分享．

计及相似日与气象因素的电动汽车充电负荷聚类预测

电动汽车充电负荷精准预测对于电网调度、电力市场交易、充电站规划建设等具有实际意义。由于电动汽车充电负荷特性异于传统的电力负荷,两者负荷的规律性及影响因素的敏感性各有不同,有必要针对电动汽车充电负荷影响因素及预测模型开展针对性研究。考虑到不同类型电动汽车充电负荷时间序列特性及影响因素存在差异,构建考虑日类型、最高与最低温度的电动汽车充电负荷预测模型;采用模糊C均值(fuzzy C-means, FCM)聚类算法对充电负荷进行聚类分析,挖掘数据特征属性,提取相似日负荷;针对聚类后的相似日负荷采用最小二乘支持向量机(least square support vector machine, LS-SVM)进行预测。将所得的预测结果和测试集进行对比,结果显示,基于该模型的预测精度高于使用非聚类的LS-SVM方法,验证了预测模型的有效性。