华北电网最大负荷及峰谷差的灰色等维递补预测

本文根据灰色系统理论，建立了华北电网最大负荷及峰谷差的灰色等维递补预测动态模型，并计算出了直到２０００年的最大负荷及峰谷差预测值。经检验此方法具有预测精度高、计算速度快及使用方便等优点，不失为一种实用的负荷预测方法。     

考虑综合成本的海上风电与远方清洁能源协同优化模型

近年来,海上风电成为我国新能源发电的新增长点,海上风电与远方清洁能源在东部负荷中心地区协调配置和运行策略问题亟待解决.文中通过综合分析海上风电与远方清洁能源供电成本,结合出力特性、负荷预测和需求侧管理等因素,建立了综合成本的能源配置分析方法,针对负荷中心多种类型电源优化问题,结合上网电价和辅助费用建立了系统综合成本估算方法,提出了以综合成本最低为目标,满足运行、安全和环保约束的电源运行协同优化模型,并以江苏省某地区为例进行了详细分析计算,论证了模型具有优化效果,为海上风电与远方清洁能源的协调配置和优化运行提供了分析手段.     

基于云模型和熵权法的配电网项目融资租赁风险评估

为合理评估配电网项目融资租赁的风险,构建了全面的配电网项目融资租赁风险评估指标体系,提出了一种基于云模型和熵权法的综合评估模型,用于对配电网项目融资租赁风险进行评估。云模型能够实现定性概念与定量数据之间的自由转换;并能够同时表征风险的随机性和模糊性。熵权法则可以客观地确定各指标的权重。选取某个省公司配电网融资租赁项目,运用云模型和熵权法对其风险进行了评估,评估结果直观且符合实际。     

上市电力公司业绩的一种评价方法

本文针对上市电力公司业绩评价的问题，首次提出了用正态分布隶属函数比较大小的方法，并建立了正态分布隶属函数与AHP相结合的综合评价模型，对模糊综合评价进行了改进，使得单个企业在同行业中定位评价更加客观、准确。     

基于KKT和量子遗传算法的风火电联合上网最优决策

研究了同时考虑节能减排效益和经济效益时,风火电联合上网的决策模型,并采用提出的KKT框架下的量子遗传算法进行模型的求解。综合考虑风电和火电的特点,建立经济效益函数和节能减排效益函数以及相关的约束条件,最终确立多目标决策模型。在KKT框架下将多目标函数转化为单目标,并利用量子遗传算法进行模型的求解。算例分析显示本文提出的KKT框架下的量子遗传算法在决策模型的求解时能够利用更少的CPU运行时间获得更优的决策结果,与其他常用的优化模型相比具有较高的优越性。     

模糊处理变结构神经网络日负荷预测方法研究

对于受不确定因素影响的日电力负荷,首次提出了基于模糊分类规则的变结构神经网络负荷预测模型,考虑从两方面改进预测精度,一个方面是通过模糊分类规则,使过去的负荷数据分为不同气候特征,选用同类特征数据进行预测,另一方面是通过神经网络变结构优化,确定最优网络和最优拟合逼近,从而得到最优的预测结果,这种新方法同时考虑了天气因素的影响和神经网络的最优确定,因此,较大提高了日负荷预测的精度。     

基于聚类算法的电力制造业ERP数据分类

鉴于传统制造业企业仓储分类方法分类边界不明确、难以适应现代企业信息化发展趋势的问题,提出了基于聚类算法的ABC库存分类算法,提升了传统库存分类模型的分类精度和效率。以某电力制造业企业的库存产品数据为研究对象,结合聚类算法与ABC分类法提出了适用于实际研究场景的评价函数,并给出了新的基于k-means 算法的ABC分类法。采用该分类模型对库存环网柜产品进行分类,并基于ERP系统中存储的产品数据将库存环网柜产品分为A、B、C三类,根据分类结果对不同类别的环网柜产品采取不同的库存控制策略。研究结果表明,将数据挖掘算法应用于库存管理实现了企业库存管理决策的科学化和智能化。     

易效明目功防治学生近视统计分析及其机理探讨

本文对易效明目功防治青少年近视眼的效用进行了显著性统计分析,P<0.05,效果显著。同时对功法明日效果显著的原因、机理进行了深入的分析。     

基于Lucene的全文检索技术在电力项目计划审核中的应用

随着信息技术的发展,国家电网公司亟待改变人工项目审核的现状,实现项目重复审核自动化。因此,提出了基于Lucene的全文检索技术在电力项目计划审核方面的应用方案。首先深入分析了国家电网公司的项目审核现状和全文检索技术的研究现状,其次简单介绍了全文检索技术和Lucene全文检索引擎的概念,然后详细介绍了全文检索过程;最后将全文检索技术引入电力企业项目计划审核,给出了一个基于全文检索的电力企业项目计划审核系统的架构设计。使用Lucene全文检索引擎进行企业专项项目重复审核,可以方便、快速地获得检索排序结果和文档相似度,并且检索准确度高。     

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明：1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。