亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于信息熵城市燃?xì)馊肇?fù)荷組合預(yù)測(cè)模型

        2022-08-30 08:42:22陳婷婷王倩微
        煤氣與熱力 2022年8期
        關(guān)鍵詞:模型

        1 概述

        天然氣負(fù)荷預(yù)測(cè)

        是利用天然氣歷史負(fù)荷運(yùn)行數(shù)據(jù)和相應(yīng)的氣象數(shù)據(jù)等,采用某種算法,建立一種適當(dāng)?shù)念A(yù)測(cè)模型,通過預(yù)測(cè)模型對(duì)天然氣負(fù)荷進(jìn)行預(yù)測(cè)的過程。由于城市燃?xì)庳?fù)荷具有時(shí)變性、隨機(jī)性、多樣性、非穩(wěn)態(tài)性,而且受到天氣、季節(jié)、節(jié)假日、重大事件等因素影響,燃?xì)庳?fù)荷準(zhǔn)確預(yù)測(cè)困難很大。

        2 問題及解決方案

        燃?xì)庳?fù)荷由各種不同類型用戶用氣負(fù)荷匯總,隨時(shí)間動(dòng)態(tài)變化。隨著時(shí)間推移,選擇單一模型不一定適用于負(fù)荷預(yù)測(cè),而且數(shù)學(xué)建模都是基于一種理想抽象穩(wěn)定的假設(shè),用單一的數(shù)學(xué)模型很難反映負(fù)荷發(fā)展的自然規(guī)律。如果只是簡單地將預(yù)測(cè)誤差較大的模型舍棄,將很可能丟棄一些有用的模型。各類預(yù)測(cè)算法都有弊端,在某些方面容易出現(xiàn)誤差突然增大,造成算法的最大誤差比較大,影響預(yù)測(cè)效果。針對(duì)這一問題,組合預(yù)測(cè)

        是綜合考慮各種預(yù)測(cè)方法的有用信息而建立的一種預(yù)測(cè)方法,它的主要特點(diǎn)是:首先運(yùn)用各種單一模型得出預(yù)測(cè)結(jié)果,然后在預(yù)測(cè)結(jié)果上綜合判斷,給每個(gè)預(yù)測(cè)模型賦予不同的加權(quán)系數(shù),得到一個(gè)效果更好的綜合模型,達(dá)到降低預(yù)測(cè)相對(duì)誤差、提高預(yù)測(cè)穩(wěn)定性的效果。

        2018年3月21日,《深化黨和國家機(jī)構(gòu)改革方案》全文對(duì)外公布。此前,方案中涉及國務(wù)院機(jī)構(gòu)改革的內(nèi)容已由全國人大審議通過,《中共中央關(guān)于深化黨和國家機(jī)構(gòu)改革的決定》也已公布。

        3 組合預(yù)測(cè)模型建模流程

        本文所述組合預(yù)測(cè)模型基于信息熵理論

        ,信息熵是Shannon信息論中的重要概念,是把熵作為一個(gè)隨機(jī)事件的“不確定性”或信息量的量度。信息量是信息論的中心概念,是信息論度量信息的基本出發(fā)點(diǎn),是把獲得的信息看作用以消除不確定性的因素。因此信息量的多少,可以用被消除的不確定性的大小來表示,而隨機(jī)事件不確定性的大小可以用其概率分布來描述。

        本文以北方某重點(diǎn)城市作為分析目標(biāo),研究該城市日負(fù)荷預(yù)測(cè)方法。該城市天然氣發(fā)展處于快速發(fā)展階段末期,信息熵組合預(yù)測(cè)算法主要思路是首先分析該城市日負(fù)荷預(yù)測(cè)的影響因素,提取建模要素即因變量,后采用單個(gè)算法建模,計(jì)算各個(gè)模型的預(yù)測(cè)誤差,以誤差為參數(shù)計(jì)算各個(gè)模型的信息熵,通過信息熵確定組合預(yù)測(cè)模型中各個(gè)模型的加權(quán)系數(shù),單個(gè)模型的預(yù)測(cè)均勻性越強(qiáng),加權(quán)系數(shù)越大。根據(jù)加權(quán)系數(shù)得到組合預(yù)測(cè)模型的預(yù)測(cè)值。具體步驟如下。

        (1)氣藏中并不存在氣水截然分開的界面,而是有一個(gè)氣水飽和度漸變的過渡帶。氣水過渡帶在垂向上用氣水同層頂?shù)酌婧0未股畋硎荆谄矫嫔嫌脷馑畠?nèi)外邊界線作圖深度表示。

        種預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差的熵計(jì)算如下:

        通過相關(guān)系數(shù)法研究得出該城市日用氣量的影響因素主要有前日用氣量、當(dāng)日氣象參數(shù)(溫度、風(fēng)速)以及是否周末、是否重大節(jié)假日、特殊事件等。

        第四步計(jì)算各圖書館四大標(biāo)準(zhǔn)分?jǐn)?shù)。標(biāo)準(zhǔn)分?jǐn)?shù)=(x-μ)/σ(其中x=第二步中人均率,μ=平均人均率,σ為標(biāo)準(zhǔn)差)。

        阿Q平生最大的遺憾,不是沒王胡身上虱子多、沒打過小D、沒和吳媽困覺,也不是挨過假洋鬼子一哭喪棒,而是在判決書上那個(gè)圓圈沒畫圓。迅翁說得詳細(xì):“阿Q伏下去,使盡了平生的力氣畫圓圈。他生怕被人笑話,立志要畫得圓,但這可惡的筆不但很沉重,并且不聽話,剛剛一抖一抖的幾乎要合縫,卻又向外一聳,畫成瓜子模樣了?!?/p>

        本文搜集了2018、2019年2 a的730組歷史數(shù)據(jù)(包含當(dāng)日平均溫度

        、前一日最低溫度

        、前兩日最低溫度

        、前一日用氣量

        、當(dāng)日風(fēng)速級(jí)別

        、日期類型

        ),單個(gè)建模算法分別為Lasso算法

        、線性回歸

        、MLP神經(jīng)網(wǎng)絡(luò)

        、XGBoost算法

        。采用sklearn模塊中train_test_split將建模數(shù)據(jù)劃分成訓(xùn)練集、測(cè)試集,分別占70%、30%,實(shí)現(xiàn)工具為python機(jī)器學(xué)習(xí)sklearn包中Lasso、LinearRegression、neuralNetwork、XGBoost對(duì)象,創(chuàng)建模型對(duì)象,用訓(xùn)練集擬合模型,用測(cè)試集評(píng)估模型。

        各模型建好后,預(yù)測(cè)2018年11月15日至19日的天然氣日用氣量,各模型均輸入當(dāng)日平均溫度

        、前一日最低溫度

        、前兩日最低溫度

        、前一日用氣量

        、當(dāng)日風(fēng)速級(jí)別

        、日期類型

        ,得出日用氣量各模型預(yù)測(cè)值與實(shí)際值,見表1。

        文科記憶性的學(xué)習(xí)內(nèi)容較多,陳老師不愿浪費(fèi)每一分鐘。從陳老師家里到學(xué)校有六、七里地的路程,他充分利用上學(xué)放學(xué)路上的時(shí)間背誦的知識(shí)要點(diǎn),一刻也不停歇。上高中時(shí)陳老師的課外讀物很少,看到好的語句他就會(huì)立即積累下來,時(shí)不時(shí)地拿出來翻閱、背誦。最終他以優(yōu)異的成績考上了漢中師范學(xué)院。正所謂“吃得苦中苦,方為人上人”。

        ② 各模型加權(quán)系數(shù)計(jì)算

        a.計(jì)算各模型預(yù)測(cè)相對(duì)誤差

        存在

        種預(yù)測(cè)模型,預(yù)測(cè)了

        天的日用氣量。記第

        種預(yù)測(cè)模型第

        日的預(yù)測(cè)值為

        ,p

        ,實(shí)際值為

        ,a

        。記預(yù)測(cè)相對(duì)誤差絕對(duì)值為

        ,

        =1,2,…,

        =1,2,…,

        。計(jì)算式為:

        (1)

        b.歸一化處理

        將各預(yù)測(cè)模型第

        日預(yù)測(cè)相對(duì)誤差絕對(duì)值進(jìn)行歸一化,見式(2):

        (2)

        ,p

        ——第

        種預(yù)測(cè)模型第

        日的預(yù)測(cè)值,m

        Study on the application of antimicrobial system in paraben-free cosmetics 8 14

        ① 各模型分別預(yù)測(cè)

        (3)

        式中

        ——第

        種預(yù)測(cè)模型第

        日預(yù)測(cè)相對(duì)誤差絕對(duì)值

        經(jīng)過之前幾個(gè)部分的研究發(fā)現(xiàn),盡管庫倫摩擦模型所展示后峰值階段并不具有太多實(shí)際意義,但是應(yīng)用該模型來模擬前峰值階段和峰值階段還是合理和有意義的。于是,在接下來的研究中,采用了幾種不同的直根模型,來研究幾何方面的變化會(huì)對(duì)直根的抗拔強(qiáng)度有何影響[4]。

        本文對(duì)風(fēng)速進(jìn)行量化,引入風(fēng)速級(jí)別變量

        ,每日風(fēng)速級(jí)別對(duì)應(yīng)相應(yīng)

        。對(duì)日期類型引入啞變量

        ,當(dāng)日

        為0表示法定工作日,

        為1表示平常周末,

        為2表示五一、國慶及春節(jié)長假??紤]到建筑物的熱惰性,預(yù)測(cè)日前幾日的溫度對(duì)當(dāng)日用氣量有影響,因此增加了前1日、前2日最低溫度,溫度變量分別為當(dāng)日平均溫度

        、前一日最低溫度

        、前兩日最低溫度

        。預(yù)測(cè)模型輸出為當(dāng)日天然氣用氣量。

        (4)

        加權(quán)系數(shù)滿足:

        (5)

        ③ 組合預(yù)測(cè)模型

        腫頭龍的頭部前低后高,嘴巴前端有角質(zhì)喙。腫頭龍的頭頂高高隆起,光滑而厚重,是有效的防衛(wèi)武器,腫頭龍的名字正是來源于此。頭頂?shù)乃闹芎颓安块L有瘤質(zhì)突起,有些突起還很尖利,也能起到一定的防衛(wèi)作用。

        組合預(yù)測(cè)第

        日的預(yù)測(cè)值為:

        各預(yù)測(cè)模型的加權(quán)系數(shù)計(jì)算如下:

        (6)

        d.各預(yù)測(cè)模型的加權(quán)系數(shù)

        c.第

        種預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差的熵

        ,a

        ——第

        日的實(shí)際值,m

        ——第

        種預(yù)測(cè)模型第

        日的歸一化后的預(yù)測(cè)相對(duì)誤差絕對(duì)值

        ——第

        種預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差的熵

        ——第

        種預(yù)測(cè)模型的加權(quán)系數(shù)

        ——組合預(yù)測(cè)模型第

        日的預(yù)測(cè)值,m

        4 預(yù)測(cè)結(jié)果

        采用信息熵法算法確定預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差的熵及加權(quán)系數(shù)見表2。熵越大,模型穩(wěn)定性越強(qiáng),對(duì)應(yīng)的加權(quán)系數(shù)越大。組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果見表3。各預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差絕對(duì)值見表4。分析表4數(shù)據(jù)可知,組合預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差絕對(duì)值的平均值為5.23%,與其他預(yù)測(cè)模型相比,預(yù)測(cè)精度明顯提高。

        5 結(jié)語

        ① 城市燃?xì)庳?fù)荷具有時(shí)變性、隨機(jī)性、多樣性和非穩(wěn)態(tài)性,不可能做到完全準(zhǔn)確預(yù)測(cè),在某些時(shí)間點(diǎn)可能出現(xiàn)較大的相對(duì)誤差,基于信息熵的組合預(yù)測(cè)模型能有效降低預(yù)測(cè)相對(duì)誤差,提高預(yù)測(cè)精準(zhǔn)度和穩(wěn)定性。

        ② 組合預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差絕對(duì)值的平均值為5.23%,與單種預(yù)測(cè)模型相比,預(yù)測(cè)精度明顯提高。

        [1] 羅文進(jìn). 燃?xì)庳?fù)荷影響因素的初步研究與預(yù)測(cè)應(yīng)用[J]. 甘肅冶金, 2016(1):142-146.

        [2] 于秀偉. 組合預(yù)測(cè)中單項(xiàng)預(yù)測(cè)模型的選擇研究(碩士學(xué)位論文)[D]. 西安:長安大學(xué), 2015:19-29.

        [3] 劉金培,朱家明,陳華友,等. 模糊變權(quán)組合預(yù)測(cè)方法研究[J]. 統(tǒng)計(jì)與決策,2017(16):5-10.

        [4] 唐小我,曹長修,金德運(yùn). 組合預(yù)測(cè)最優(yōu)加權(quán)系數(shù)向量的進(jìn)一步研究[J]. 預(yù)測(cè),1994(2):48-49.

        [5] 丁勇. 離散型隨機(jī)變量的平均信息熵[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2012(18):141-146.

        [6] 章曉英. 虛擬變量在線性回歸模型中的應(yīng)用[J]. 重慶工業(yè)管理學(xué)院學(xué)報(bào),1998(2):84-88.

        [7] 喻勝華,龔尚花. 基于Lasso和支持向量機(jī)的糧食價(jià)格預(yù)測(cè)[J]. 湖南大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2016(1):71-75.

        [8] 孫淑生,羅寶花. 多元線性回歸模型在物流成本預(yù)測(cè)中的應(yīng)用[J]. 商業(yè)時(shí)代,2014(18):19-21.

        [9] 郭威,巴秀玲,馬文遠(yuǎn),等. 基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè)問題研究[J]. 自動(dòng)化與儀器儀表,2017(10):192-194.

        [10] 張丹峰. 基于LightGBM,XGBoost,ERT混合模型的風(fēng)機(jī)葉片結(jié)冰預(yù)測(cè)研究(碩士學(xué)位論文)[D]. 上海:上海師范大學(xué),2018:19-29.

        [11] 高尚,張紹彪,梅亮. 基于相對(duì)誤差的線性組合預(yù)測(cè)研究[J]. 系統(tǒng)工程與電子技術(shù),2008(3):481-484.

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機(jī)模型
        提煉模型 突破難點(diǎn)
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達(dá)及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        3D打印中的模型分割與打包
        久久影院最新国产精品| 人禽无码视频在线观看| 被黑人做的白浆直流在线播放| 久久精品成人免费观看97| 男人一插就想射的原因| 欧洲美熟女乱又伦av影片| аⅴ资源天堂资源库在线| 国产一区a| 在线一区二区三区免费视频观看| 激情在线一区二区三区视频| 少妇内射兰兰久久| 91av手机在线观看| 中文字幕精品亚洲二区| 亚洲视频免费在线观看| 中文字幕人妻熟在线影院| 女人大荫蒂毛茸茸视频| 亚洲国产AⅤ精品一区二区不卡| 久久精品人妻中文av| 亚洲av永久无码精品漫画| 久久亚洲精品无码va大香大香| 日韩中文字幕网站| 国产精品一区久久综合| 日韩av无码精品一二三区| 亚洲色图在线观看视频| 91精品国产乱码久久久| 免费观看91色国产熟女| 激情综合一区二区三区| 免费精品美女久久久久久久久久| 亚洲av区一区二区三区| 国产精品久久久久9999| 国产精品午睡沙发系列| 亚洲国产日韩精品综合| 国产色视频一区二区三区不卡| 亚洲中文字幕国产综合| 国产va免费精品高清在线观看| 人妻熟女中文字幕av| 久久无码字幕中文久久无码| 国产精品户露av在线户外直播| 国产亚洲一区二区三区成人 | 国产精品欧美一区二区三区不卡| 国产aⅴ夜夜欢一区二区三区|