摘要：通过分析比较不同的污水处理厂进水预测方法,并对影响进水情况的有关因素进行相关性分析,采用基于机器学习的BP神经网络模型来预测污水处理厂的日进水量及化学需氧量。利用位于国内南方和北方的两个典型污水处理厂的实际运行数据进行试验,结果显示该模型预测精度良好,与实际数据偏差保持在5%以内。

摘要：房屋安全问题愈发受到重视,对于老旧房屋的自动化健康监测十分必要。在此背景下,优化自动化监测数据的预处理流程,使用Python丰富的“库”资源构建预处理程序。程序使用灰色关联法对数据进行可信度评估筛选数据,利用箱形图筛选异常数据,并对异常数据和缺失数据进行插补替换,最后使用卡尔曼滤波平滑数据以降低数据离散度;自动化监测设备因自身特点易受到周围环境的影响,为此提出了一种利用人工监测数据校核自动化监测数据的数据比对方法,以保证自动化监测数据的准确性和可靠度;最后使用拟合曲线实现变形监测数据的短期预测,预测精度达到0.1%,有效预测时间约10 d,最终的结果满足程序设计需求。

摘要：随着大数据的发展,国内众多电厂也开始智能化改进。传感器点位的实时数值是反应发电机组当前健康状况的重要指标,具有较强的跟踪意义,研究并预测短时间内传感器点位的实时数值变化有助于电厂监盘人员了解发电机组当前的健康状况,能够提前应对意外情况。通过对传感器点位数值的时间序列数据建模分析,使用LSTM模型,对后续的几次传感器点位数值进行短期预测,取得了较好的拟合预测结果,充分说明时间序列模型应用在传感器点位数值的短期预测的可行性。随着电厂智能化的深入,传感器点位预测还应进一步提高准确度,帮助电厂监盘人员更好地应对发电机组异常状况。

摘要：水库塌岸是具有一定时间、空间界限属性的地质灾害现象。时间界限指时间跨度,分为长期、短期塌岸;空间界限指不同水库区段,因地质条件差异导致的塌岸模式、预测参数的差异。目前常用的水库塌岸短期预测时长跨度为2~10年,但在实际工程应用中,缺乏足够的决策依据。从水库蓄水过程的角度,证明了塌岸短期预测时长可根据水库蓄水过程来界定,以三峡、小浪底等大型水库工程为例,验证该界定方法科学合理。并给出了塌岸预测时空界限的决策流程,将时空界限决策理论应用于甘肃马莲河水库工程短期塌岸预测中,从工程地质角度对短期塌岸预测成果的应用给出建议。

摘要：工业互联网技术在能源领域飞速发展,准确的光伏发电功率短期预测有利于智能电网的调度管理,可以提高电力系统的运行效率以及经济性和稳定性。为了进一步提高预测方法的准确性,提高电网的运行质量,提出了一种结合深度学习和特征工程的短期光伏功率预测方法,该方法被称为衍生和基础神经网络特征融合(DBDeepFF)。该方法旨在提高多种传统预测模型的准确性,以澳大利亚公开的光伏发电功率历史数据为例进行了验证。结果表明,提出的架构能够使原始数据和衍生的特征在不同的模型上进行训练。该方法与普通预测方法相比,可以实现快速收敛,同时预测结果的平均绝对百分比误差(MAPE)降低4%左右,为区域内光伏电站的稳定运行提供了可行的数据指导。

摘要：风电场发电功率短期预测对并网风力发电系统的安全性和稳定性具有重要意义。根据影响风电出力的因素,提出了选择风电场发电功率相似日的方法,设计了基于相似日和Chebyshev神经网络的风电功率短期预测模型,根据云南某风电场数据对该模型进行验证,分析了预测误差及其概率分布,结果表明该预测模型具有较高的预测精度,可为风电功率预测提供参考。

摘要：为降低光伏系统发电功率的预测误差,增强预测结果的精准度,文章对建筑光伏系统发电功率短期预测方法研究,进行数据采集及校正,建立归一化预测矩阵,以此为基础,构建BP神经网络预测模型,以Mallat重构处理实现发电功率的短期预测。最终预测结果表明:与传统多时间尺度预测组和传统分布式光伏预测组相比,神经网络光伏预测组最终得出的预测误差相对较小,且均控制在0.15以下,表明其对系统的预测效果更佳,具有实际应用价值。

摘要：针对给水优化调度的时用水量高精度短期预测难题,提出一种基于横向分时段和纵向残差修正的联合时序短期混沌预测方法.经模式识别获得关联度高的横向时序为研究样本,重构横向分时段相空间并分析典型时段流量数据的混沌特性,建立混沌预测模型,以在线最小二乘支持向量机作为混沌预测工具得出各时段用水流量;为了能动态跟踪用水突变,实时采集纵向数据序列做残差计算,进而用灰色模型进行残差预测修正以提高预测精度.依据杭州市萧山某大用户时用水量实例,对一段时间的正常用水和突变用水做连续24 h短期混沌预测,在不同方法下的时用水量预测精度作深入对比研究.仿真结果表明:该预测方法对这一类混沌时序短期预测具有良好的计算精度,能很好反映各典型用水日的特点和实时用水变化情况,预测效果明显优于其他预测方法,更易满足供水优化调度的需求.

摘要：为实时了解绿色建筑供暖能耗的变化趋势,提升能耗预测效果,设计基于时间序列自回归模型的绿色建筑供暖能耗短期预测方法;利用增强迪基-福勒检验法,检验绿色建筑历史供暖能耗时间序列平稳性;对非平稳的历史能耗时间序列进行差分平稳化处理,获取平稳的历史能耗时间序列;考虑能耗的气温影响因素,建立时间序列自回归移动平均模型;利用赤池信息准则确定模型阶数,通过粒子群算法确定模型参数;在模型阶数与参数确定后的模型内,输入平稳的历史能耗时间序列,输出供暖能耗短期预测值;实验证明该方法可精准预测不同类型绿色建筑的短期供暖能耗,在不同绿色建筑渗透量时,该方法短期供暖能耗预测误差较小,预测的可决系数较高,即预测精度较高。

摘要：交通枢纽短期客流受时间属性、天气条件等变化的影响非常大,因而提出基于改进PSOLSTM模型的交通枢纽客流短期预测算法。以时间属性、天气条件为影响虹桥交通枢纽短期客流变化的重要因素,构建基于LSTM的短期客流预测模型。将虹桥交通枢纽历史客流数据与天气数据作为模型输入,获得短期客流预测结果;为避免LSTM参数对短时客流预测效果影响,通过自适应惯性权重、时间系数以及根据遗传算法的变异思想确定的自适应函数改进PSO算法,通过改进后的PSO算法优化LSTM参数,提升短期客流预测效果。实验结果表明:在周末、长假时期交通枢纽客流量会明显增加,恶劣天气使得虹桥交通枢纽客流降低至最小值,该算法可实现不同时段短期客流预测,分析客流变化情况。