检索结果-内蒙古大学图书馆

城市轨道交通研究 2025年第3期28卷 246-251页

作者：王玥龙刘鹏姚伟君中国铁道科学研究院集团有限公司机车车辆研究所北京100081 北京纵横机电科技有限公司北京100094

[目的]准确预测轨道交通车辆关键设备检修偶换件数量,可为科学的备件管理提供依据,提高检修经济性。但是现有预测方法准确性不足,预测效果差,因此有必要针对检修偶换件数量预测问题进行深入研究。[方法]根据轨道交通车辆设备检修偶换件... 详细信息

[目的]准确预测轨道交通车辆关键设备检修偶换件数量,可为科学的备件管理提供依据,提高检修经济性。但是现有预测方法准确性不足,预测效果差,因此有必要针对检修偶换件数量预测问题进行深入研究。[方法]根据轨道交通车辆设备检修偶换件数据的特性,构建了检修偶换率(即偶换件更换比例)和检修量的月度时间序列。通过深入研究时间序列预测算法,并对比各类预测算法的效果,综合考虑准确性与泛化能力,提出了一种结合ARIMA(自回归综合移动平均法)与SVR(支持向量回归算法)的计算方法。首先利用ARIMA进行偶换率的预测,然后运用SVR进行检修量的预测,最后结合偶换率与检修量的预测结果来计算偶换件的预测数量。此外,还结合了ARIMA预测的置信区间与无监督聚类IForest(孤立森林)算法,提出了一种偶换率异常检测方法。[结果及结论]以高度阀和制动夹钳单元这两种典型产品的高级修数据为例,对所提出的预测方法进行了验证计算。结果表明,与现有的历史平均法相比,该方法的预测准确性得到了显著提升,并且能够有效地检测出历史和当前的检修偶换率异常情况。

关键词：轨道交通车辆偶换件自回归综合移动平均法支持向量回归算法孤立森林

来源：评论

学校读者我要写书评

暂无评论

Supervised Machine Learning and Hybrid Techniques For Electrical Load Forecasting

Supervised Machine Learning and Hybrid Techniques For Electr...

引用

作者： Tasarruf Bashir 华南理工大学

学位级别：硕士

由于城市化和工业化，电力需求正在迅速增长。因此，电网扩建和新电厂的安装需要提前预测电力负荷。由于电力负荷预测的广泛作用，电力负荷预测在发电厂的运营和规划中起着至关重要的作用，并且有助于电力公司和决策者设计稳定可靠的能... 详细信息

由于城市化和工业化，电力需求正在迅速增长。因此，电网扩建和新电厂的安装需要提前预测电力负荷。由于电力负荷预测的广泛作用，电力负荷预测在发电厂的运营和规划中起着至关重要的作用，并且有助于电力公司和决策者设计稳定可靠的能源基础设施。　　负荷预测可以分为长期、中期和短期预测。在预测时间尺度上，国内外目前还没有对长期、中期和短期有着明确的划分。通常来说，在长期负荷预测中，电力负荷的预测时间跨度为几个月到几年。在中期负荷预测中，电力负荷的预测时间为数月到数周。最后，在短期负荷预测中，电力负荷数据预测的时间尺度一般为数周到数小时。其中，监测每周、每天、每小时甚至每分钟运行的短期负荷预测受到了广泛关注，它可以在持续性满足消费者需求的同时，节省时间和成本。　　不同的模型，如传统人工智能、机器学习与深度学习已被开发用于短期负荷预测的研究。这些模型采用独立或混合的方式预测电力负荷数据。然而，这些模型存在各种问题，如收敛较慢、较长的训练时间、高复杂性与高成本的硬件需求（机器学习、深度学习）等。针对这些问题，本文研究了独立设置方法，并提出了不同的混合式方法，这些方法利用了Facebook的prophet、自回归综合移动平均（ARIMA）、支持向量机（SVM）和长短时记忆网络（LSTM）模型来克服上述限制，从而提高负荷预测的准确性。　　电力负荷数据可以分解为季节性、趋势性和随机性数据。在负荷数据训练之前，传统的ARIMA模型和Facebook的prophet模型估计季节性的数据，然后将其与其他负荷数据分离，最后在训练后将其添加到最终预测值中。这些模型通过使用负荷数据中的趋势和随机值进行自我训练。然而，传统的ARIMA模型和Facebook的prophet模型缺乏捕获和训练负载数据中所有随机值的能力。与之相反，机器学习模型和深度学习模型的工作方式不同于传统模型，并且具有捕获和训练这些随机值的优秀能力。混合ARIMA-LSTM模型分别将趋势值和随机值输入LSTM和ARIMA模型进行训练。最终预测对这些模型的预测值进行合成。此外，BPNN优化的SVM-LSTM混合模型将趋势值和随机值输入LSTM模型和SVM模型，比较两个模型的预测精度和在不同硬件上训练所需的计算时间。　　在BPNN优化的prophet LSTM混合模型和最终预测混合模型中，电力负荷数据直接输入到传统的ARIMA模型和Facebook的prophet模型，以预测原始负荷数据。基于这些模型的预测精度，误差较小的预测被认为是最优模型。该优化模型的残差（非线性数据）通过LSTM进行训练，最后，最优模型和LSTM模型的预测数据都通过反向传播神经网络（BPNN）进行训练，以进一步提高预测精度。　　为验证本文提出的混合技术模型的优越性，这里采用EELA电网2014到2021年度的实时季度负荷为基础的电力负荷数据进行仿真实验。结果证明，在以最少计算时间减少误差的基础上，提出的混合模型优于ARIMA、LSTM、SVM和prophet模型的独立模型。

关键词：电力系统短期负荷预测自回归综合移动平均法支持向量机长短时记忆网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：