CN107730054B - 一种基于支持向量回归的燃气负荷组合预测方法 - Google Patents
一种基于支持向量回归的燃气负荷组合预测方法 Download PDFInfo
- Publication number
- CN107730054B CN107730054B CN201711129223.8A CN201711129223A CN107730054B CN 107730054 B CN107730054 B CN 107730054B CN 201711129223 A CN201711129223 A CN 201711129223A CN 107730054 B CN107730054 B CN 107730054B
- Authority
- CN
- China
- Prior art keywords
- gas load
- support vector
- vector regression
- individual
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 10
- 210000000349 chromosome Anatomy 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 5
- 210000001726 chromosome structure Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 50
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 24
- 239000003345 natural gas Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013440 design planning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于支持向量回归的燃气负荷组合预测方法,涉及燃气负荷预测方法。该组合预测方法将数据预处理技术,改进遗传算法和支持向量回归相结合,主要用于解决现有技术对城市燃气负荷预测精度低,适用性差的问题。首先,采用相关系数法分析不同影响因素和燃气负荷之间的相关性,采用奇异谱分析对获得的主要影响因素降噪处理;其次,采用处理后的数据对支持向量回归模型进行训练,并结合改进的遗传算法对核参数和惩罚因子进行优化,最终获得训练结果最优的支持向量回归模型;最后,利用训练后的支持向量回归模型预测未来的一段时间内的燃气负荷指标。该组合预测方法能够大幅度降低短期燃气负荷预测误差,提高预测精度。
Description
技术领域
本发明涉及燃气负荷预测方法,特别是基于支持向量回归的燃气负荷组合预测方法。
背景技术
在天然气供应系统中,燃气负荷数据是进行工程设计、调度管理、操作控制和管道运行优化等工作的基础和重要依据。目前,用于燃气负荷预测的方法主要可以分为三类:统计学方法、人工智能算法和组合预测方法。这些预测方法各自都存在一定的缺陷,主要表现在以下几个方面:
①统计学方法适用范围有限,预测精度不高:基于统计学理论的预测方法常常作为长期燃气负荷的预测手段,但是对于数据量大,预测时间范围大,时间步长短的燃气负荷预测,其结果并不理想。无法为城市燃气公司的调度管理,操作控制提供准确的燃气负荷预测数据。
②人工智能算法关键参数难确定:人工神经网络和支持向量回归是两种目前最常用的预测模型,虽然相比统计学模型具有明显的优势,但是他们各自仍存在一定缺陷。神经网络虽然相比前者具有明显的优势,但是由于其权重系数容易陷入局部最优解,因此当输入数据量大,计算结果精度要求高时,该方法的缺点则更加凸显。采用支持向量回归进行燃气负荷预测时,关键在于惩罚因子和核参数的优化,传统的网格搜索虽然能够在理论上寻找到最优的参数组合,但是需要耗费大量时间,实用性不高。
③组合预测方法尚处于研究阶段:为了提高人工智能算法的泛化能力和预测精度,近年来,大量学者对组合预测模型进行了深入研究。一方面,采用启发式优化算法与人工智能算法相结合的方法能够有效提高原本单个模型的预测精度。但是,对于所采用的启发式优化算法的性能并没有进行足够的研究和分析。以遗传算法为例:遗传算法具有良好的可扩展性和鲁棒性,常被用于优化人工智能算法的关键参数,但是由于其局部收敛慢和容易陷入局部最优解的问题,预测结果不稳定,应用效果不理想。另一方面,已有研究表面,在组合预测模型中结合先进的数据预处理方法,能够有效提高预测的精度。虽然,国内外不同学者提出了多种不同的组合模型,但至今尚未建立统一、规范的组合预测模型结构体系。
因此,对于燃气负荷预测而言,为了建立全面的专业的燃气负荷预测模型,提高燃气负荷预测精度以及预测模型的稳定性,不仅需要融合先进的预测方法和优化算法,还需要采用先进的数据预处理技术获取原始数据中的关键信息。
发明内容
本发明主要目的是设计一种基于支持向量回归的燃气负荷组合预测方法,提高传统预测方法的预测精度,建立燃气负荷组合预测模型的整体结构,实现对于短期燃气负荷数据的精确预测,为城市燃气供应、制定维修计划和管道布局规划等方面提供重要的基础数据。该发明整体结构如图2所示。
本发明提供的这种用于燃气负荷预测的组合预测方法主要包括如下步骤:
步骤一,利用数据预处理技术对获得的燃气日负荷历史数据以及其他影响因素的历史数据进行处理。首先,采用相关系数法分析不同影响因素与燃气负荷指标的相关性,提取影响燃气负荷指标的主要因素;其次,利用奇异谱分析技术分析燃气负荷和主要影响因素原始数据中的数据成分,提取出主要成分,排除噪声数据,为预测模型提供高质量的基础数据。
步骤二,采用处理后的数据对支持向量回归模型进行训练,训练过程中结合改进的遗传算法对核参数和惩罚因子进行优化,最终获得训练结果最优的支持向量回归模型。
步骤三,利用训练后的支持向量回归模型预测未来的一段时间内的燃气负荷指标。
所述的获取燃气日负荷历史数据是指从各地区城市燃气公司或销售公司获取的历史数据。
所述其他影响因素的历史数据包括:天气、气温、湿度、能见度、露点、气压、风速、节假日、季节、人口、GDP、消费系数、物价指数、人均天然气消耗量等因素的历史数据。
所述的相关数据预处理技术包括:相关系数分析和奇异谱分析。
所述的相关系数分析指的是Pearson相关性分析方法,该方法能够分析不同因素与燃气负荷之间的关系,从而提取主要的影响因素作为燃气负荷预测的基础数据,其计算公式为:
其中,X和Y分别代表不同因素的时间序列向量,cov(X,Y)表示X和Y的协方差,D(X)为X的方差,ρXY为Pearson相关性系数。
所述奇异谱分析指的是一种针对时间序列数据进行分析和降噪的方法,主要包括嵌入、奇异值分解、分组和重构4个过程。
所述嵌入是指假设已有长度为N的原始时间序列数据Y=[y1,y1,...,yN]T,预设的窗口长度m,并令n=N-m+1,原始时间序列将按如下形式转换为轨迹矩阵X:
所述重构是指采用对角平均法对重构的轨迹矩阵Z进行求解,获得原始时间序列Y的奇异谱分析结果,计算方法如下:
其中m*=min(m,n),n*=max(m,n)。由此获得的时间序列Y为原始数据的主要成分。
所述的改进遗传算法是一种采用实数编码,双层染色体结构的遗传算法,包括选择、交叉、学习、变异、死亡5个过程。
所述的实数编码的双层染色体指的是如图3所示的结构。其中下层第一个方格用于记录生命值(life),l为[0,3]的整数。新出生个体生命值为3,每繁衍一代,生命值-1,当生命值为0时,个体死亡;下层其余方格为实数编码的染色体;上层第一个方格用户记录个体的适应度(fitness);上层其余方格称为个体蓝图(blueprint),用于记录各个染色体细胞内的值的贡献率,其计算公式为:
其中n表示个体的总数;j表示细胞或染色体对应的编号;i表示个体对应的编号。
所述的选择指的是传统的期望值法从初始种群中根据适应度选取优秀种群。
所述的交叉指的是按照设定的交叉率对种群中的个体进行单点交叉。
所述的“学习”指的是改进遗传算法中用于提高局部收敛速度的方法。在该方法中,首先根据“选择”后得到的优秀个体的蓝图计算出值得其他个体学习的优秀集合Learn:
Learn=∑individual(blueprint1,blueprint2,...,blueprintn)
个体的学习能力因生命值的不同而不同,生命值越大,学习能力越强,生命值约小,学习能力越差。具体可按如下公式计算:
其中chromosome为个体的染色体,i表示染色体中的细胞编号。
所述的变异指的是按照设定的变异率采用随机变异法对种群中个体的细胞进行修改,从定义域中随机均匀选取得到一个新的值代替原来细胞内的值。
所述的“死亡”指的是改进遗传算法中用于提高全局搜索能力的方法。在该方法中,生命值为0的个体将“死亡”并在种群中将其排除。由于种群大小不变,死亡的个体将由数量相等的新生个体(生命值为3)所替代。
所述的支持向量回归是指ε-SVR模型,其中核函数为高斯核函数,惩罚因子和核参数采用改进遗传算法进行优化,具体流程见图2。
与现有方案相比,本发明具有如下优势:
①本发明设计了一种用于短期燃气负荷预测的组合预测模型,该模型通过将支持向量回归,改进遗传算法和数据预处理技术相结合,使该组合模型具有更好的泛化能力,在数据量大,数据维度大,预测时间步长短和范围大的燃气负荷预测中能够获得更好的预测精度,能够为天然气公司调度管理,设计规划和经济运营等方面提供基础数据。
②采用了先进的数据预处理技术,对获得的输入数据进行全面分析。获取全面的燃气负荷历史数据和相关影响因素的历史数据,采用相关系数分析提取主要的影响因素,提高了输入数据的质量;此外,采用奇异谱分析技术,提取数据的主要成分,排出噪音数据,降低了噪声数据对预测精度影响的风险。
③采用改进的遗传算法与支持向量回归相结合的组合模型。在传统遗传算法的基础上增加了“学习”和“死亡”过程,提高了遗传算法的局部收敛速度和全局搜索能力。将改进的遗传算法与支持向量回归相结合,改善了支持向量回归中惩罚因子和核参数难确定的问题,使组合预测方法相比与单一的预测方法在预测精度和速度方面都具有明显的优势。
附图说明
图1是本发明的技术流程图
图2是本发明的整体结构图
图3是改进遗传算法的实数编码双层染色体结构图
具体实施方式
近年来,随着我国天然气改革步伐加快,能源结构进一步调整,各地区人口数量的增加,以及受国际油价和国家经济形势的影响,致使天然气负荷特性发生了较大的变化,各地区最大负荷持续增长,用气量峰谷差不断扩大,全国多个地区出现季节性的“用气荒”现象。另一方面,随着国家天然气管道的发展,储气库、LNG和CNG技术的引入,先进的分析和管理手段的利用,都对改善地区用气负荷特性的现状,提高天然气有效利用率产生了积极的影响。因此,亟需深入了解各个地区天然气负荷特性的现状,把握负荷指标的变化规律和发展趋势,采用先进的科学手段精确预测天然气负荷指标,为天然气公司调度管理,设计规划和经济运营等方面提供基础数据,保障天然气能源的高效利用。
本发明基于改进遗传算法和支持向量回归,结合先进的数据预处理技术,实现了对天然气日负荷指标的精确预测。下面将结合实施例,对本发明的技术方案进行清楚、详细的描述。所描述的实施例仅是本发明的一部分实施例。
现有中国陕西省西安市2011年1月1日至2012年12月31日的燃气负荷数据,要求预测2013年1月1日至2013年9月30日的燃气负荷数据。
①获取西安市2011年1月1日至2013年9月3日的天气、气温、湿度、能见度、露点、气压、风速、节假日、季节等影响因素的历史数据。
②采用相关系数分析西安市2011年1月1日至2012年12月31日的燃气负荷与天气、气温、湿度、能见度、露点、气压、风速、节假日、季节的相关性,选取相关系数大于0.1的因素作为预测燃气负荷的基础数据。相关系数计算结果如表1所示:
表1相关系数分析结果
由表1可以看出,其中温度、露点、能见度、气压、季节等因素与燃气负荷相关性较大,其余影响因素与燃气负荷的相关系数均小于±0.1,对燃气负荷影响较小。因此,选取温度、露点、能见度、气压和季节为主要影响因素,作为燃气负荷预测的基础变量。
③对西安市2011年1月1日至2013年9月3日的燃气负荷、温度、露点、能见度、气压和季节数据进行奇异谱分析,设置窗口长度m=30,提取出数据中主成份,将噪声数据排除。奇异谱分析结果如表2所示。
表2燃气负荷指标的奇异谱分析结果
④将处理后西安市2011年1月1日至2012年12月31日的燃气负荷、温度、能见度和风速数据作为训练数据,采用支持向量回归进行训练,并利用改进遗传算法对支持向量回归模型的惩罚因子和核参数进行优化。其中,设定改进遗传算法的交叉率为0.8,变异率为0.3,种群大小为50,并设定支持向量回归训练误差的阙值为0.001,当误差小于阙值时,输出训练结果。
⑤将2013年1月1日至2013年9月30日的燃气负荷、温度、能见度和风速数据作为模型的测试数据,采用训练好的支持向量回归模型进行预测,得到西安2013年1月1日至2013年9月30日燃气负荷的预测结果如表4所示。
⑥为了验证模型的可靠性,采用Lewis评价方法对计算结果的精度进行评价。
表3 Lewis预测精度评价指标
表4燃气负荷预测结果评价
根据表4的计算结果可以看出,本设计提出的基于数据预处理技术、改进遗传算法和支持向量回归的燃气负荷组合预测方法其预测精度明显高于传统网格搜索支持向量回归和传统遗传算法支持向量回归,并分别降低了52%和54%的偏差。该实例证明,本设计提出的组合预测方法能够实现燃气负荷的高精度预测。
Claims (1)
1.一种基于支持向量回归的燃气负荷组合预测方法,其特征在于,该方法包括如下步骤:
步骤一,利用数据预处理技术对获得的燃气日负荷历史数据以及其他影响因素的历史数据进行处理:首先,采用相关系数法分析不同影响因素与燃气负荷指标的相关性,提取影响燃气负荷指标的主要因素;其次,利用奇异谱分析技术分析燃气负荷和主要影响因素原始数据中的数据成分,提取出主要成分,排除噪声数据,为预测模型提供高质量的基础数据;
步骤二,采用处理后的数据对支持向量回归模型进行训练,训练过程中结合改进的遗传算法,根据给定的交叉率、变异率对高斯核函数的参数和惩罚因子进行优化,最终获得训练结果最优的支持向量回归模型;
步骤三,利用训练后的支持向量回归模型预测未来的一段时间内的燃气负荷指标;
所述的改进遗传算法是一种采用实数编码,双层染色体结构的遗传算法,包括选择、交叉、学习、变异、死亡5个过程;
所述的实数编码,双层染色体指的是如图3所示的结构,其中下层第一个方格用于记录生命值(life),life为大于等于0的整数,新出生个体生命值为3,每繁衍一代,生命值-1,当生命值为0时,个体死亡;下层其余方格为实数编码的染色体;上层第一个方格用户记录个体的适应度(fitness);上层其余方格称为个体蓝图(blueprint),用于记录各个染色体细胞的贡献值,其计算公式为:
其中n表示个体的总数;j表示细胞或染色体对应的编号;i表示个体对应的编号;
所述的学习指的是改进遗传算法中用于提高局部收敛速度的方法;在该方法中,首先根据选择后得到的d个优秀个体的蓝图计算出供其他个体学习的优秀集合Learn:
其中k表示选择后的优秀个体的编号,individual表示个体;
个体的学习能力因生命值的不同而不同,生命值越大,学习能力越强,反之越弱; 设初始生命值life=3,具体可按如下公式计算:
其中chromosome为个体的染色体,i表示染色体中的细胞编号;
所述的死亡指的是改进遗传算法中用于提高全局搜索能力的方法;在该方法中,生命值为0的个体将死亡并在种群中将其排除;由于种群大小不变,死亡的个体将由数量相等的新生个体所替代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711129223.8A CN107730054B (zh) | 2017-11-15 | 2017-11-15 | 一种基于支持向量回归的燃气负荷组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711129223.8A CN107730054B (zh) | 2017-11-15 | 2017-11-15 | 一种基于支持向量回归的燃气负荷组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730054A CN107730054A (zh) | 2018-02-23 |
CN107730054B true CN107730054B (zh) | 2021-05-28 |
Family
ID=61214683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711129223.8A Expired - Fee Related CN107730054B (zh) | 2017-11-15 | 2017-11-15 | 一种基于支持向量回归的燃气负荷组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730054B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492813A (zh) * | 2018-11-13 | 2019-03-19 | 中石化石油工程技术服务有限公司 | 基于改进遗传算法的短期天然气负荷组合预测方法 |
CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
CN111461377B (zh) * | 2019-01-18 | 2024-02-02 | 中国科学院上海高等研究院 | 用于能源总需求量的预测方法/系统、存储介质及设备 |
CN109993364A (zh) * | 2019-04-01 | 2019-07-09 | 北京恒华龙信数据科技有限公司 | 一种天然气用气量的预测方法及装置 |
CN110083940A (zh) * | 2019-04-28 | 2019-08-02 | 东华大学 | 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法 |
CN110598895A (zh) * | 2019-07-26 | 2019-12-20 | 天津科技大学 | 一种水产养殖溶解氧预测方法 |
CN110674996B (zh) * | 2019-09-27 | 2022-06-10 | 河南大学 | 一种城市交通噪声预测方法 |
CN111144649B (zh) * | 2019-12-26 | 2023-04-07 | 哈尔滨工程大学 | 一种基于信息融合的城市燃气日负荷组合预测方法 |
CN111444963B (zh) * | 2020-03-27 | 2023-08-25 | 中南大学 | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 |
CN113255960A (zh) * | 2021-04-14 | 2021-08-13 | 北京市燃气集团有限责任公司 | 一种融合issa-svr的燃气用气量预测方法及装置 |
CN113222234B (zh) * | 2021-04-30 | 2024-04-09 | 中国石油天然气股份有限公司 | 基于集成模态分解的用气需求预测方法及其系统 |
CN114674114B (zh) * | 2022-03-23 | 2023-12-05 | 中海石油气电集团有限责任公司 | 一种lng液化过程智能监测与运行优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653686A (zh) * | 2015-12-30 | 2016-06-08 | 赛尔网络有限公司 | 一种域名网址活跃度统计方法及系统 |
CN106447072A (zh) * | 2016-08-01 | 2017-02-22 | 中国卫星海上测控部 | 基于显式遗传算法和奇异谱分析的气象水文要素预报方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
-
2017
- 2017-11-15 CN CN201711129223.8A patent/CN107730054B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653686A (zh) * | 2015-12-30 | 2016-06-08 | 赛尔网络有限公司 | 一种域名网址活跃度统计方法及系统 |
CN106447072A (zh) * | 2016-08-01 | 2017-02-22 | 中国卫星海上测控部 | 基于显式遗传算法和奇异谱分析的气象水文要素预报方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
Non-Patent Citations (3)
Title |
---|
交互式Multi-Agent遗传算法;黄永青 等;《模式识别与人工智能》;20070630;第2.2节 * |
基于SVM-GA模型的城市天然气长期负荷预测;董明亮 等;《辽宁石油化工大学学报》;20170430;第1.2、2.2节 * |
基于奇异谱分析的金融时间序列自适应分解预测研究;周天清;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20130215;正文第4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN107730054A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730054B (zh) | 一种基于支持向量回归的燃气负荷组合预测方法 | |
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
Gao et al. | Interpretable deep learning model for building energy consumption prediction based on attention mechanism | |
Wang et al. | Hour-ahead photovoltaic generation forecasting method based on machine learning and multi objective optimization algorithm | |
CN109886465B (zh) | 一种基于智能电表用户聚类分析的配电网负荷预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN104951847A (zh) | 一种基于核主成分分析和基因表达式编程的降水预报方法 | |
Deng et al. | A hybrid method for crude oil price direction forecasting using multiple timeframes dynamic time wrapping and genetic algorithm | |
CN113642699A (zh) | 一种江河洪水智能预报系统 | |
CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
CN115456312A (zh) | 基于辛几何模态分解的短期电力负荷预测方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
MohammadZadeh et al. | Modeling residential electricity demand using neural network and econometrics approaches | |
CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 | |
CN114282336A (zh) | 一种新能源电站出力场景生成方法及系统 | |
Cao et al. | Short-term forecasting and uncertainty analysis of photovoltaic power based on the FCM-WOA-BILSTM model | |
CN114091782B (zh) | 中长期电力负荷预测方法 | |
CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
Guler et al. | Evaluation of Electricity Consumption in Turkey via Cubic Regression Analysis and One Way Anova Test | |
Shi et al. | Research on long term load forecasting based on improved genetic neural network | |
Alamsyah et al. | Comparison of Predictions Foreign Currency Exchange Rates (USD, JPY, EUR, GBP, CHF, CAD) to Rupiah (IDR) using Artificial Neural Network and Long Short-Term Memory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210528 Termination date: 20211115 |