基于多维动态隶属度的模糊时间序列的天然气月负荷预测

准确的天然气负荷预测对于完善城市燃气供需系统与提高能源利用效率都大有裨益。由于燃气负荷序列受到多种不确定因素的影响,为了捕捉月度负荷的模糊性和非线性等复杂特征,本文结合模糊理论和长短时记忆神经网络(LSTM)的特性,提出了一种基于多维动态隶属度的模糊时间序列的预测新方法。首先,利用模糊C均值聚类(FCM)从原始数据中构建多维隶属度序列;其次,利用LSTM对多维隶属度序列同时进行预测,得到其动态隶属度;最后,去模糊化得到燃气负荷的预测值。应用该模型对四川成都某地区的天然气月度负荷进行了未来三个月的预测,并与经典模糊时间序列(FTS)、ARIMA模型、BP神经网络(BPNN)、LSTM等模型进行对比。实验结果表明,新模型的MAE、RMSE以及MAPE均优于其他模型。因此,本文提出的模型可对城市燃气供给和调度提供有价值的参考。     

极端损失条件下分组群体的主观概率累积偏差仿真研究

为了研究个体死亡这种极端损失条件下分组群体的主观概率累积偏差的形成与演化规律,构建不同分组方式下的群体主观概率元胞自动机模型并运用Netlogo仿真平台进行实验。在对仿真结果进行图形分析的基础上,进一步对实验数据进行了回归分析和案例验证分析。结果表明:分组群体的主观概率演化一般会经历从急速变化到趋于稳定的过程;分组作业方式能够提高安全冗余,但不利于个体事故经验积累;个体死亡等极端损失会导致群体的主观概率低估和分化,但分组措施能够降低此作用;客观事故概率的减少会增大群体内部主观概率的差异,但分组措施能够降低此作用;事故率与死亡率之间存在互补效应,分组措施对其存在双向调节作用;群体人数增加有助于减少主观概率偏差和差异。