基于改进Elman网络的燃气负荷预测

合集下载

城市燃气负荷预测的研究

城市燃气负荷预测的研究城市燃气负荷预测的研究一、引言城市气体管道系统扮演着重要的角色，为居民提供燃气供应。

随着城市人口的增长和工业的发展，燃气需求量也在不断增加。

为了更好地满足城市居民和企业的需求，合理预测城市燃气负荷显得尤为重要。

过去，城市燃气负荷预测一般依赖于经验和统计方法，但这些方法往往存在一定的不准确性和局限性。

因此，研究城市燃气负荷预测的方法成为提高燃气供应效率和质量的必要手段。

二、城市燃气负荷预测的意义城市燃气负荷预测对燃气供应公司具有重要的意义。

准确的负荷预测可以帮助公司合理安排燃气供应，并优化管道网的运行。

同时，合理的负荷预测还可以有效安排能源供应，提高能源利用效率，降低能源消耗，改善环境质量。

因此，城市燃气负荷预测研究对于实现燃气供应的可持续发展具有重要意义。

三、常用的城市燃气负荷预测方法1. 经验方法经验方法是利用过去的数据和经验来进行预测的方法。

这种方法常用于相对稳定的负荷情况下，通过观测历史数据来预测未来的负荷。

然而，经验方法的局限性在于无法考虑到燃气需求的复杂变化因素。

2. 统计方法统计方法是利用统计学原理来进行燃气负荷预测的方法。

常见的统计方法包括时间序列分析、回归分析等。

这些方法可以考虑到多种因素对燃气负荷的影响，能够做到比较准确的预测。

然而，统计方法对数据的敏感性较强，需要较长的历史数据才能进行可靠的预测。

3. 人工智能方法人工智能方法是近年来应用较多的城市燃气负荷预测方法。

采用神经网络、遗传算法等技术，可以更好地处理复杂的燃气负荷预测问题。

人工智能方法具有较强的自学习和优化能力，能够根据实际情况自适应预测模型，提高预测准确率。

四、城市燃气负荷预测的关键因素城市燃气负荷预测的关键因素有多种，包括季节变化、天气条件、经济发展水平等。

这些因素的综合作用对燃气负荷产生重要影响。

因此，在进行燃气负荷预测时需要充分考虑这些因素，并建立相应的模型进行分析。

五、基于人工智能的城市燃气负荷预测模型近年来，随着人工智能技术的发展，基于人工智能的燃气负荷预测模型得到了广泛应用。

基于改进WOA-Elman神经网络的高光谱牛奶蛋白质快速无损检测

差为０．０３３０.肖仕杰等[７]为实现牛奶蛋白质的无损快速分级,基于红外光谱信息提出了将信息变量去除法㊁自适应加权采样算法和随机森林相结合用于牛奶蛋白质检测.其检测准确率达９６．４８％,检测时间为５．３３s,可实现牛奶蛋白质的快速无损检测.王丰霞等[８]将凯氏定氮法用于牛奶蛋白质检测,对不确定度产生的原理进行了分析,检测结果为(３．６２ʃ０．０２)g/１００g.上述方法虽然可以实现牛奶蛋白质含量的检测,但在高光谱检测中,牛奶成分复杂,变量相关性较低,所以检测精度和效率较差,有待进一步提高.研究拟提出一种将高光谱技术与机器学习方法相结合的牛奶蛋白质含量快速无损检测方法,通过高光谱成像技术采集牛奶表面的高光谱图像,采用改进鲸鱼算法(w h a l e o p t i m i z a t i o n a l g o r i t h m,WO A)与E l m a n神经网络结合实现牛奶蛋白质含量的快速无损检测,旨在为牛奶品质检测提供一种快速㊁无损的检测方法.１㊀高光谱成像系统概述高光谱成像系统(图１)主要由载物台㊁检测样品㊁光源㊁镜头㊁光谱仪㊁相机传感器和计算机等组成,采集系统运行在封闭暗箱中,以降低外部环境光对其造成影响,但通过相机采集会产生一定的噪音.因此,为了降低噪声等干扰,需对采集图像进行预处理,试验通过多元散射校正(m u l t i p l i c a t i v e s c a t t e r c o r r e c t i o n,M S C)算法对高光谱数据进行预处理[９－１０].图高光谱成像系统F i g u r e１㊀H y p e r s p e c t r a l i m a g e r２㊀牛奶蛋白质含量检测模型２．１㊀数据降维方法采用高光谱仪的光谱范围为４００~１０００n m,牛奶高光谱图波段为１２５个,通过全波长建立的模型存在复杂和训练时间长等问题.因此,需对高光谱数据进行降维,适当的降维方法不仅可以加快处理速度,还会提高算法精度,对处理高维数据具有重要的意义.试验选择竞争性自适应重加权采样C A R S算法对牛奶高光谱数据进行降维处理,利用自适应重加权采样算法保留权值较大的集合,建立偏最小二乘回归模型,引入交叉验证,不断优化计算均方根误差R M S E,R M S E最小子集即精度最高的特征波长组合[１１－１３].２．２㊀E l m a n神经网络E l m a n网络是一种递归神经网络,不仅计算能力强,还可以增强网络的全局稳定性,适用于大规模数据的预测问题[１４－１６].试验利用E l m a n神经网络实现牛奶蛋白质含量的快速无损检测,相比于B P神经网络,E l m a n神经网络(图)加入了承接层.图网络结构F i g u r e２㊀N e t w o r ks t r u c t u r e㊀㊀通过承接层记录隐含层上一节点的输出,从而实现历史数据的存储功能,使网络具有适应时变的能力.相比于前馈型神经网络,E l m a n神经网络的计算能力更强,稳定性也更强.y(t)＝g(ω３x(t)),(１) x(t)＝f(ω１x c(t)＋ω２(u(t－１))),(２) x c(t)＝x(t－１),(３)式中:ω１㊁ω２㊁ω３层间权值;g(x) 输出层传递函数;f(x) 隐含层传递函数;x(t) 隐含层输出;y(t) 输出向量;u(t) 输入向量;x c(t) 承接层输出向量.但传统的E l m a n神网络预测精度受初始权值和阈值的影响较大,容易陷入局部最优,而WO A算法具有结构简单㊁搜索能力强㊁收敛速度快等特点.２．３㊀改进鲸鱼算法WO A算法是一种新型的元启发式优化算法,主要由围捕猎物㊁泡网捕食和搜索猎物３部分组成[１７－２０].(１)围捕猎物:鲸鱼在狩猎时包围猎物,通过包围猎物更新自身的位置,如式(４)㊁式(５)所示.D＝C x d p(t)－x d i(t),(４) x d i(t＋１)＝x d p(t)－A D,(５)６５安全与检测S A F E T Y&I N S P E C T I O N总第２６６期|２０２３年１２月|式中:A ㊁C 系数向量;x di (t )㊁x d p (t ) 第i 头鲸鱼位置和当前最优位置; 逐个元素相乘;t迭代次数.A 和C 由式(６)㊁式(７)计算.A ＝２a r －a ,(６)C ＝２ r ,(７)式中:a 算法的收敛因子;r [０,１]的随机数.(２)泡网捕食:鲸鱼在用螺旋气泡包围猎物的同时,还要不断缩小包围网,螺旋位置更新为x d i (t ＋１)＝D ∗ e b lc o s (２πl )＋xd p (t ),(８)式中:D ∗当前个体到最佳个体的距离(迭代t 次);b常数;l [－１,１]的随机数.鲸鱼通过随机包围和螺旋气泡法更新位置,根据随机数p 进行分割,如式(９)所示.x di (t ＋１)＝x dp(t )－A D ,p ＜０．５D ∗e b lc o s (２πl )＋xd p (t ),p ȡ０．５{.(９)(３)搜索猎物:搜索猎物是为了找到更好的解,如果|A |ȡ１,鲸鱼在圈外随机进行搜索,如式(１０)所示.D ＝C X r a n d －X ,(１０)式中:X r a n d随机选取鲸群中的任意个体位置.但WO A 算法仍存在收敛速度慢㊁易陷入局部最优等问题.试验采用混沌映射㊁收敛因子优化和权重优化对WO A 算法进行优化,提高搜索精度,跳出局部极值.(１)混沌映射:通过混沌映射对种群进行初始化,提高WO A 算法搜索精度.使用s i n e 映射初始化种群,其计算式为z (k ＋１)＝s４s i n (πz (k )),(１１)式中:s [０,４]的系数;z (k ) k 次迭代后的结果.(２)自适应收敛因子:在现有鲸鱼优化算法中,收敛因子a 对全局和局部搜索性能有较大影响.在WO A 算法中,收敛因子a 为２~０,其前期全局搜索能力较差,后期局部搜索能力较差.试验采用分段非线性调整策略对其进行优化:a ＝T ２m a x ４ˑ((t －T m a x ２)２＋１),t ɤT m a x ２T ２m a x ４ˑ(t －T m a x )２,t ＞T m a x ２ìîíïïïï,(１２)式中:T m a x最大迭代次数.(３)自适应权重:为了避免WO A 算法后期早熟收敛,试验对权重ω进行自适应调节,在前期加强全局搜索,避免陷入局部最优,后期增强鲸鱼位置更新速度,如式(１３)所示.ω＝r a n d ˑc o s (π２ˑ(１－tT m a x)).(１３)２．４㊀检测模型对于E l m a n 神经网络来说,权值和阈值是其需要优化的参数,试验采用改进的WO A 算法对E l m a n 神经网络参数进行优化,使模型精度更高,收敛速度更快.模型检测流程:步骤１:输入数据预处理,试验选择C A R S 算法对牛奶高光谱数据进行降维处理.步骤２:对E l m a n 神经网络参数进行初始化,包括输入输出和隐含层节点数等.步骤３:对改进WO A 算法进行初始化,包括鲸鱼种群㊁最大迭代数等.步骤４:对最优位置和最优适应度值进行计算.WO A 算法的适应度函数采用均方根误差R M S E :R M S E ＝１NðNi ＝１(y i－y ᶄi )２,(１４)式中:y i ㊁yᶄi 第i 个数据实际值和模型输出值.步骤５:使用改进的WO A 算法迭代优化E l m a n 神经网络的权值(ω１㊁ω２㊁ω３)和阈值(b １㊁b ２),当满足结束条件时结束循环,输出最优值,即E l m a n 神经网络的权值和阈值.否则,返回步骤３.步骤６:通过得到的权重和阈值训练E l m a n 神经网络,并对测试集牛奶蛋白质含量进行检测.３㊀模型试验３．１㊀试验参数为了验证试验方法的性能,P C 选择华为笔记本,操作系统为W i n d o w s １１６４位旗舰,I n t e l i ５１３４００C P U ,频率４．０G H z ,１６G B 内存.试验使用的高光谱仪P T U ＧD ４８E采集各样品的高光谱数据,并通过训练集对所提模型的初始参数进行微调.数据源为１０个不同牛场新鲜液态奶,包括蒙牛㊁Q Q 星㊁伊利㊁光明㊁特仑苏,分别选择蛋白质含量为３．０,３．２,３．３,３．４,３．６g /１００m L 的样品各２００个,共１０００个样品作为试验样品集.将其均分为训练集㊁试验集和测试集,训练集ʒ试验集ʒ测试集＝８ʒ１ʒ１.试验参数见表１.㊀㊀不同评价指标对模型会产生不同的结果,试验选取训练集均方根误差(R M S E C )㊁测试集均方根误差(R M S E P )㊁决定系数R ２和检测时间对模型进行评价.７５|V o l ．３９,N o ．１２曹纪磊等:基于改进WO A ＧE l m a n 神经网络的高光谱牛奶蛋白质快速无损检测表１㊀试验参数T a b l e １㊀T e s t p a r a m e t e r s算法参数数值E l m a n迭代次数１０００学习率０．００１动量因子０．０１最小性能梯度１e －０６训练最小误差０．０００１隐含层节点数１４改进WO A种群３０最大迭代次数５０自适应权值[０．１,０．９]R M S E C ＝１N C －１ðN Ci ＝１(y i －y ᶄi )２,(１５)R M S E P ＝１N P －１ðN Pi ＝１(y i －y ᶄi )２,(１６)R ２＝１－ðN Pi ＝１(y i－y ᶄi )i ２ðN C i ＝１(y i － y i )２,(１７)式中:N C ㊁N P训练集和测试集数量;y i ㊁y ᶄi ㊁ yi 第i 个样本实际值㊁预测值和平均值.检测时间为模型对测试集进行检测的总时间.３．２㊀牛奶蛋白质检测试验为了验证试验所提改进WO A 算法的优化能力,与优化前的WO A 算法进行比较,对E l m a n 参数进行优化,不同方法随迭代次数变化的适应度值如图所示.图３㊀不同方法随迭代次数变化的适应度值F i g u r e ３㊀T h e f i t n e s s v a l u e s o f d i f f e r e n tm e t h o d s v a r yw i t h t h en u m b e r o f i t e r a t i o n s㊀㊀由图３可知,WO A 算法在迭代第３３次时收敛,个体最优适应度值最低为０．０１１１.改进WO A 算法在迭代第２１次时收敛,个体最优适应值最低为０．０００２,收敛精度较高.说明采用混沌映射㊁自适应收敛因子和自适应权重优化WO A 算法可以提高WO A 算法在牛奶蛋白质含量检测中的收敛精度.为了验证试验所提改进WO A ＧE l m a n 模型在牛奶蛋白质检测中的优越性,对试验方法和WO A ＧE l m a n 模型进行比较,将训练后的模型用于测试集测试,不同方法的检测结果和实际值比较如图４所示,因试验方法和WO A ＧE l m a n 模型预测值与实际值较为接近,为了便于阅读,将试验方法检测的蛋白质数据向上移动０．０５,将WO A ＧE l m a n 模型检测的蛋白质数据向上移动０．１.不同方法的性能指标见表.图不同方法检测结果与实际值对比F i g u r e ４㊀C o m pa r i s o no f d e t e c t i o n r e s u l t sw i t ha c t u a l v a l u e su s i n g di f f e r e n tm e t h o d s 表２㊀不同方法性能指标T a b l e ２㊀P e r f o r m a n c e i n d i c a t o r s o f d i f f e r e n tm e t h o d s检测方法数据集均方根误差决定系数试验方法训练集０．０００２０．９９９６测试集０．０００３０．９９７３WO A ＧE l m a n 模型训练集０．０１１１０．９８２５测试集０．０２８００．９６７５㊀㊀由图４可知,试验方法和WO A ＧE l m a n 神经网络模型的检测效果均较好,但试验方法的检测结果最接近牛奶蛋白质含量的真实值,试验方法对牛奶蛋白质含量的检测误差最小.由表２可知,试验方法的精度最高,测试集的决定系数达０．９９７３,均方根误差为０．０００３.与WO A ＧE l m a n 神经网络模型相比,试验方法的决定系数提高了３．０８％,均方根误差降低了９８．９３％.因此,试验所提改进WO A 算法可以实现E l m a n 神经网络模型权值和阈值的优化,有效提高了模型的拟合能力和检测精度,在牛奶蛋白质含量检测中具有较好的效果.为了进一步分析试验所提模型的优势,将试验方法与C A R S ＧS S A ＧS VM 模型[５]㊁C A R S ＧS P A ＧB P 模型[６]和C A R S ＧP S O ＧS VM 模型[２１]进行对比,结果如表３所示.表３㊀不同方法性能指标结果对比T a b l e ３㊀C o m pa r i s o no f p e r f o r m a n c e i n d i c a t o r s o f d i f f e r e n tm e t h o d s检测方法均方根误差决定系数检测时间/s 试验方法０．０００３０．９９７３１．５６C A R S ＧS S A ＧS VM 模型０．００１１０．９８２５１．７５C A R S ＧS P A ＧB P 模型０．０９０３０．９２８７６．５８C A R S ＧP S O ＧS VM 模型０．０３１６０．９６４９４．１２８５安全与检测S A F E T Y &I N S P E C T I O N 总第２６６期|２０２３年１２月|㊀㊀由表３可知,试验方法具有最高的检测精度和较低的检测时间,其均方根误差为０．０００３,决定系数为０．９９７３,检测时间为１．５６s.与C A R SＧS S AＧS VM模型㊁C A R SＧS P AＧB P模型和C A R SＧP S OＧS VM模型相比,试验方法的均方根误差分别下降了７２．７２％,９９．６６％,９９．０５％,决定系数分别上升了１．５１％,７．３９％,３．３６％,检测时间分别下降了１０．８７％,６１．０９％,６２．１４％.这是因为试验方法通过改进WO A算法优化E l m a n神经网络模型提高了检测性能,在牛奶蛋白质检测中表现的性能最好.４㊀结论研究基于高光谱成像系统,提出了一种结合改进鲸鱼算法和E l m a n神经网络的牛奶蛋白质含量快速无损检测方法.通过优化改进鲸鱼算法,提高搜索精度,采用改进鲸鱼算法优化E l m a n神经网络的权重和阈值,提高检测性能.结果表明,试验方法在牛奶蛋白质检测中具有较好的精度和较低的检测时间.与C A R SＧS S AＧS VM模型㊁C A R SＧS P AＧB P模型和C A R SＧP S OＧS VM模型相比,试验方法的均方根误差下降了８０％左右,决定系数上升了３％左右,检测时间下降了３０％左右,具有一定的优势.但也存在一些可以提升的空间,如仅对新鲜牛奶进行检测,无法在食品无损检测中大范围地推广使用,后期将不断优化和完善模型的性能,尽快在食品无损检测中大范围推广.参考文献[1]白丽萍,王伟,王强,等.近红外光谱快速检测葡萄酒品质[J].浙江农业科学,2021,62(2):389Ｇ391,400.BAI L P,WANG W,WANG Q,et al.Rapid detection of wine quality by nearＧinfrared spectroscopy[J].Agricultural Science,2021, 62(2):389Ｇ391,400.[2]项辉宇,薛真,冷崇杰,等.基于Halcon的苹果品质视觉检测试验研究[J].食品与机械,2016,32(10):123Ｇ126.XIANG H Y,XUE Z,LENG C J,et al.Experimental study on visual inspection of apple quality based on Halcon[J].Food& Machinery,2016,32(10):123Ｇ126.[3]朱晓琳.基于高光谱成像的水果品质及木材含水量评估方法[D].无锡:江南大学,2020:7Ｇ8.ZHU X L.Method for evaluating fruit quality and wood moisture content based on hyperspectral imaging[D].Wuxi:Jiangnan University,2020:1Ｇ10.[4]黄钰.纯牛奶中常用防腐剂的高光谱快速检测方法研究[D].哈尔滨:东北农业大学,2020:9Ｇ10.HUANG Y.Research on hyperspectral rapid detection method for common preservatives in pure milk[D].Harbin:Northeast Agricultural University,2020:9Ｇ10.[5]刘美辰,薛河儒,刘江平,等.牛奶蛋白质含量的SSAＧSVM高光谱预测模型[J].光谱学与光谱分析,2022,42(5):1601Ｇ1606. LIU M C,XUE H R,LIU J P,et al.SSAＧSVM hyperspectralprediction model for milk protein content[J].Spectroscopy and Spectral Analysis,2022,42(5):1601Ｇ1606.[6]胡鹏伟,刘江平,薛河儒,等.BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用[J].光电子激光,2022,33(1):23Ｇ29.HU W P,LIU J P,XUE H R,et al.The application of BP neuralnetwork combined with variable selection method in the detectionof milk protein content[J].Optoelectron Laser,2022,33(1):23Ｇ29.[7]肖仕杰,王巧华,李春芳,等.傅里叶变换中红外光谱的牛奶品质无损检测分级[J].光谱学与光谱分析,2022,42(4):1243Ｇ1249.XIAO S J,WANG Q H,LI C F,et al.Non destructive testing andgrading of milk quality using Fouriertransform mid infraredspectroscopy[J].Spectroscopy and Spectral Analysis,2022,42(4): 1243Ｇ1249.[8]王丰霞,冯骁骄.凯氏定氮法检测牛奶中蛋白质含量的不确定度评定[J].粮食加工,2022,47(4):127Ｇ129.WANG F X,FENG X J.Evaluation of uncertainty in thedetermination of protein content in milk by Kjeldahl nitrogen method[J].Grain Processing,2022,47(4):127Ｇ129.[9]曾祥燕,赵良忠,孙文兵,等.基于PCA和BP神经网络的葡萄酒品质预测模型[J].食品与机械,2014,30(1):40Ｇ44.ZENG X Y,ZHAO L Z,SUN W B,et al.A wine quality predictionmodel based on PCA and BP neural network[J].Food&Machinery, 2014,30(1):40Ｇ44.[10]李琴,朱家明,郎红,等.基于带RBF核的SVM模型对红酒品质的精准分类[J].湖北大学学报(自然科学版),2021,43(4): 417Ｇ422.LI Q,ZHU J M,LANG H,et al.Accurate classification of redwine quality based on SVM model with RBF kernel[J].Journal of Hubei University(Natural Science Edition),2021,43(4):417Ｇ422.[11]周红标,柏小颖,卜峰,等.基于模糊递归小波神经网络的葡萄酒品质预测[J].计算机测量与及控制,2017,25(4):21Ｇ24.ZHOU H B,BAI X Y,BU F,et al.Wine quality prediction basedon fuzzy recurrent wavelet neural network[J].Computer Measurement and Control,2017,25(4):21Ｇ24.[12]刘云,杨建滨,王传旭.基于卷积神经网络的苹果缺陷检测算法[J].电子测量技术,2017,40(3):108Ｇ112.LIU Y,YANG J B,WANG C X.Apple defect detection algorithmbased on convolutional neural network[J].Electronic Measurement Technology,2017,40(3):108Ｇ112.[13]周雨帆,李胜旺,杨奎河,等.基于轻量级卷积神经网络的苹果表面缺陷检测方法[J].河北工业科技,2021,38(5):388Ｇ394.ZHOU Y F,LI S W,YANG K H,et al.Apple surface defectdetection method based on lightweight convolutional neural network[J].Hebei Industrial Technology,2021,38(5):388Ｇ394.(下转第１１６页)９５|V o l．３９,N o．１２曹纪磊等:基于改进WO AＧE l m a n神经网络的高光谱牛奶蛋白质快速无损检测基金项目:国家社科基金重大项目(编号:１４Z D C ０２２)作者简介:崔格豪(１９８５ ),男,大连海事大学在读博士研究生.E Ｇm a i l :c h a r l e s h a o ＠１６３．c o m收稿日期:２０２２Ｇ０９Ｇ０６㊀㊀改回日期:２０２３Ｇ１１Ｇ２０D O I :１０．１３６５２/j ．s p j x ．１００３．５７８８．２０２２．８０７７１[文章编号]１００３Ｇ５７８８(２０２３)１２Ｇ００６０Ｇ０５食品市场职业打假人权利的法律边界L e g a l b o u n d a r y o f t h e r i g h t s o f pr o f e s s i o n a l c o u n t e r f e i t e r s i n f o o dm a r k e t 崔格豪C U IG e h a o(大连海事大学法学院,辽宁大连㊀１１６０２３)(D a l i a n M a r i t i m eU n i v e r s i t y L a wS c h o o l ,D a l i a n ,L i a o n i n g １１６０２３,C h i n a )摘要:聚焦食品市场,从职业打假案件的诉讼现状入手,总结分析了目前理论与实务中关于职业打假行为存在的问题与争议,讨论了职业打假人知假买假的权利保护限制必要性,并尝试从多个层面对其职业打假行为进行引导规制,如明确职业打假人的法律地位㊁引导打假行为正当化规范化等.关键词:职业打假人;惩罚性赔偿;预包装食品标签;法律边界A b s t r a c t :F o c u s i n g o n t h e f o o d m a r k e t ,s t a r t i n g fr o m t h e l i t i g a t i o ns t a t u s o f p r o f e s s i o n a la n t i Ｇc o u n t e r f e i t i n g c a s e s ,t h i s p a p e r s u mm a r i z e s a n da n a l y z e s t h e p r o b l e m sa n dd i s p u t e sa b o u t p r o f e s s i o n a la n t i Ｇc o u n t e r f e i t i n g b e h a v i o ri n c u r r e n tt h e o r y a n d p r a c t i c e ,d i s c u s s e s t h en e c e s s i t y o f p r o t e c t i n g a n dr e s t r i c t i n g th e r i g h to f p r o f e s s i o n a la n t i Ｇc o u n t e r f e i t e r st o k n o w a n d b u y f a k e g o o d s ,a n dt r i e st o g u i d ea n dr e gu l a t et h e i r p r o f e s s i o n a la n t i Ｇc o u n t e r f e i t i n g b e h a v i o rf r o m m u l t i p l el e v e l s ,s u c ha sc l a r i f y i n gt h e l e g a l s t a t u s o f p r o f e s s i o n a l a n t i Ｇc o u n t e r f e i t e r s a n d g u i d i n g t h e l e g i t i m a t e a n d s t a n d a r d i z e d a n t i Ｇc o u n t e r f e i t i n g b e h a v i o r ．K e yw o r d s :p r o f e s s i o n a l f a k e k i l l e r ;p u n i t i v e d a m a g e s ;p r e Ｇp a c k a g e d f o o d l a b e l s ;l e g a l b o u n d a r y１㊀职业打假人的概念界定现阶段中国并无相关法律法规对职业打假人进行明确定义.维基百科中的职业打假人则是指以打假为职业,长期寻找在产品质量㊁包装标志㊁有效期限㊁广告宣传等方面存在问题的商品,进而通过索赔或其他方式获取一定利益的群体.该定义明确了职业打假人正是因其具有的牟利性目的而区别于普通消费者.２０１９年４月,浙江省市场监督管理局发布«关于有效应对职业投诉举报行为营造良好营商环境的指导意见(征求意见稿)»,对此种职业索赔举报给出了明确定义.职业投诉举报是指:以牟利为目的,通过知假买假,甚至掉包㊁夹带㊁造假等非正常消费方式人为制造索赔理由,或者明知经营行为轻微违法,向市场监管部门投诉举报,不达目的就滥用信息公开㊁行政复议㊁行政诉讼㊁监察投诉等权利,胁迫或变相胁迫生产经营者让步,以期得到高额不当利益的行为.结合上述两种定义,文章聚焦的职业打假人即以牟利为目的,通过打假行为向生产经营者谋取高额赔偿的群体.２㊀催生食品市场中职业打假人的背景及其现状２．１㊀食品打假行为职业化的法律背景２００９年颁布的«食品安全法»第９８条对支付给消费者的惩罚性赔偿数额进行了首次规定,为价款的１０倍.２０１５年㊁２０１８年以及２０２１年修正的«食品安全法»均对这一惩罚性赔偿制度作了进一步详细的规定,明确了最低赔偿数额.此外,２０１３年修正的«中华人民共和国消费者权益保护法»(以下简称«消费者权益保护法»)３倍的赔偿标准也对此进行了规定.在国家鼓励消费者积极维权的背景下, 职业打假人应运而生.以王海为代表的一批职业打假人从出现至今,也已走过了２５年,这２５年来他们通过要求生产者㊁销售者支付１０倍惩罚性赔偿等方式净化市场,为食品行业健康发展贡献了自己的力量,但其中也不乏有不同的声音.通过打假行为可轻易获得的大额赔偿也使得打假行为职业化.食品行业中不乏小作坊生产模式的生产者,他们在产品包装销售的程序上不够完善,法律意识也相对薄弱.夸大宣传或标签标识瑕疵是否应当承担１０倍赔偿,这是否又属于不符合食品安全标准范畴,这些都可能是某些商家被打假人打假的问题[１].对一部分打假人而言,通过对这些商家打假往往能很轻易地获得赔偿,依此牟利从而职业化.０６F O O D &MA C H I N E R Y 第３９卷第１２期总第２６６期|２０２３年１２月|基金项目:江西省重点研发计划项目(编号:２０２０３B B F L ６３０６２);财政部和农业农村部国家现代农业产业技术体系(编号:C A R S Ｇ４５);国家自然科学基金项目(编号:３２０６０５５７,３２２６０６０４)作者简介:袁丽萍,女,江西师范大学在读硕士研究生.通信作者:李金林(１９８３ ),男,江西师范大学教授,博士.E Ｇm a i l :l i ji n l i n ４０５＠１２６．c o m 收稿日期:２０２３Ｇ０７Ｇ２５㊀㊀改回日期:２０２３Ｇ１１Ｇ２２D O I :１０．１３６５２/j ．s p j x ．１００３．５７８８．２０２３．８０７０４[文章编号]１００３Ｇ５７８８(２０２３)１２Ｇ０１１７Ｇ０９紫外减菌联合低温对草鱼肉品质及挥发性风味的影响E f f e c t o f U Vs t e r i l i z a t i o no n t h e q u a l i t y o f g r a s s c a r pm e a t d u r i n g t h ec h i l l i n g s t o r a ge 袁丽萍１,２Y U A N L i p i n g １,２㊀彭㊀斌１,２P E N GB i n １,２㊀钟比真１,２Z H O N GB i z h e n １,２㊀胡明明１,２HU M i n g m i n g１,２㊀李金林１,２L IJ i n l i n １,２(１．江西师范大学国家淡水鱼加工技术研发专业中心,江西南昌㊀３３００２２;２．江西师范大学生命科学学院,江西南昌㊀３３００２２)(１．N a t i o n a lR e s e a r c ha n dD e v e l o p m e n tC e n t e r f o rF r e s h w a t e rF i s hP r o c e s s i n g ,C o l l e g e o f L i f eS c i e n c e s ,J i a n g x iN o r m a lU n i v e r s i t y ,N a n c h a n g ,J i a n g x i ３３００２２,C h i n a ;２．S t a t eK e y L a b o r a t o r y o f Fo o dS c i e n c e a n d R e s o u r c e s ,N a n c h a n g U n i v e r s i t y ,N a n c h a n g U n i v e r s i t y ,N a n c h a n g ,J i a n gx i ３３００２２,C h i n a )摘要:目的:研究紫外减菌前处理联合低温冷藏对草鱼鱼肉质构品质及挥发性风味物质的影响,并确定最佳的紫外照射时间.方法:以草鱼为试验对象,采用３０W 紫外灯照射不同时间(０,３０,６０,９０,１５０m i n )预处理,测定鱼肉冷藏期间(０,３,６,９d )各品质参数(鱼肉表面细菌总数㊁汁液流失率㊁质构参数㊁色泽㊁气味感官)及挥发性成分变化.结果:当紫外照射时间为０~１５０m i n 时,照射时间越长,草鱼鱼肉表面减菌效果越好,汁液流失率越低,出现腐败气味越晚,但对鱼肉的质构㊁色泽及冷藏后期(６~９d )细菌总数影响较小.冷藏期间共检测到９０种挥发性风味物质,主要为醛类㊁酮类㊁醇类㊁酯类和酸类,其中辛醛㊁壬醛㊁己醛㊁２,５Ｇ辛二酮㊁１Ｇ己醇㊁１Ｇ辛烯Ｇ３Ｇ醇为紫外处理草鱼肉的主要挥发性成分,且冷藏后期酯类和酸类物质含量逐渐增多.对比控制组,紫外处理可有效延缓冷藏草鱼肉腥味的产生和香味的下降.当紫外照射时间为９０m i n 时,冷藏鱼肉表现出最佳的综合效果,随着照射时间的延长,鱼肉综合得分有所下降.结论:紫外减菌联合低温处理有利于延缓贮藏前期草鱼鱼肉质构品质劣化及风味下降,但对贮藏后期草鱼肉品质影响较小.关键词:紫外照射;草鱼;表面杀菌;保鲜;低温处理A b s t r a c t :O b je c t i v e :T h e ef f e c t o fU Vs t e r i l i z a t i o no n t h e t e x t u r e q u a l i t y a n d f l a v o rs u b s t a n c e so f t h e f r o z e ng r a s sc a r p me a tw a s s t u d i e d ,a n d t h e b e s t U V i r r a d i a t i o n t i m e w a s d e t e r m i n e d ．M e t h o d s :T h e g r a s s c a r p me a tw a s p r e t r e a t e dw i t hd if f e r e n tU V i r r a d i a t i o n t i m e s (０,３０,６０,９０,１５０m i n )a t３０W o f U V r a d i a t i o n ,t h e nt h e q u a l i t yp a r a m e t e r s (a p p a r e n t m o r p h o l og y,t o t a l n u m b e ro fb a c t e r i ao nt h es u r f a c eo f f i s h ,j u i c e l o s sr a t e ,t e x t u r e p a r a m e t e r s ,c o l o r ,o d o r a n d s e n s o r y )a n d v o l a t i l e c o m p o n e n t s o f t h ef i s h m e a td u r i n g c h i l l i n g s t o r a ge (０,３,６,９d )w e r em e a s u r e d ．R e s u l t s :I t s h o w e dt h a t t h e l o n g e r t h eU V i r r a d i a t i o n t i m e (０~１５０m i n ),t h eb e t t e r t h eb a c t e r i a r e d u c t i o ne f f e c t o n t h e s u r f a c e o f f i s h ,t h e l o w e r t h e ju i c e l o s s r a t e ,a n d t h e l a t e r t h e p u t r e f a c t i o n s m e l l a p p e a r e d ．H o w e v e r ,i t h a d l i t t l e e f f e c t o n t h e t e x t u r e ,c o l o r o f t h e f i s h ,a n d t h e t o t a l b a c t e r i a d u r i n gt h e l a t t e r o fc h i l l i n g s t o r a g e (６~９d )．I nt h ed e t e c t i o no ff l a v o r s u b s t a n c e s ,９０v o l a t i l e c o m p o n e n t s w e r e d e t e c t e d ,m a i n l y a l d e h y d e s ,k e t o n e s ,a l c o h o l s ,e s t e r s ,a n d a c i d s ．O c t a n a l ,n o n a n a l ,h e x a n a l ,２,５Ｇo c t a d i o n e ,１Ｇh e x a n o l ,a n d １Ｇo c t e n Ｇ３Ｇa l c o h o lw e r e t h em a i n v o l a t i l e c o m p o n e n t s a f t e rU Vt r e a t m e n t ．I n t h e l a t e rs t a g eo fc o l ds t o r a ge ,e s t e r sa n da c i d sw e r e i n c r e a s e d g r a d u a l l y ,w h i c h m i gh t b e r e l a t e d t o t h e f o r m a t i o n o f t h e c h a r a c t e r i s t i ca r o m a o ff i s h m e a t ．C o m p a r e d w i t ht h ec o n t r o l g r o u p,U V i r r a d i a t i o n t i m e o f ９０m i n s h o w e d t h e b e s t c o m p r e h e n s i v ee f f e c t ,a n dt h e q u a l i t y w a sd e c r e a s e d w i t ht h e e x t e n s i o n o f i r r a d i a t i o n t i m e ．C o n c l u s i o n :U V s t e r i l i z a t i o n p r e t r e a t m e n t c a n d e l a y t h e d e t e r i o r a t i o n o f q u a l i t y a n d t h e d e c l i n e o f f l a v o ro fr e f r i g e r a t e d g r a s sc a r p m e a ti nt h ee a r l y s t a geo f c h i l l i n g s t o r a g eb u th a s l i t t l ee f f e c to nt h e q u a l i t y o f g r a s sc a r p m e a t i n t h e l a t e r s t a g e o f c h i l l i n g s t o r a ge ．７１１F O O D &MA C H I N E R Y 第３９卷第１２期总第２６６期|２０２３年１２月|。

基于改进Elman神经网络的目标威胁度预测评估

第39卷第3期2017年6月探测与控制学报Journal of Detection &ControlVol. 39 No. 3Jun. 2017基于改进Elm an神经网络的目标威胁度预测评估徐公国，段修生(解放军军械工程学院，河北石家庄0S0003)主商要：针对地面防空作战中目标威胁度难以准确评估的问题，提出了基于改进Elman神经网络的目标威胁度动态预测评估方法。

该方法利用量子粒子群智能优化(QPSO)算法对Elman神经网络进行了改进,提出了 QPSO-Elman神经网络,并基于优化的QPSO-Elman神经网络构建了目标威胁度的动态预测评估模型。

仿真分析表明，该方法有效解决了目标威胁度的动态评估问题，预测结果更加准确且实用性强，增强了防空系统的作战能力。

关键词：目标威胁度;Elman神经网络;量子粒子群优化算法;防空作战中图分类号：TP183 文献标识码：A文章编号=1008-1194(2017)03-0101-06 Target Threat Prediction Assessment Based on ImprovedElman Neural NetworkXU Gongguo,DU A N Xiusheng(Ordnance Engineering College of PLA，Shijiazhuang 050003，China) Abstract：Aiming at the problem that target threat is hard to assess in ground air defense operation, a method of target threat assessment was proposed based on the improved Elman neural network The Elman neural network was improved based on the quantum particle swarm optimization (QPSQ) , and the QPSO-Elman neural network was proposed. Besides，a assessment model was proposed based on QPSO-Elman neural network The simulation results showed that this method could effectively solved the problem, the prediction results were more accurate and practicable, and it could enhance the operational capability of the air defense system.Key words：target threat assessment；Elman neural network；quantum particle swarm optimization；air defense operation〇引言在地面防空武器系统中，特别是防空c3i系统中，目标威胁度评估是武器-目标配对问题中的关键技术。

灰色Elman神经网络的电网中长期负荷预测

ｔｒｏｌｌａｂｌｅ，ｌｅｓｓｄａｔａｒｅｑｕｉｒｅｍｅｎｔ，ａｎｄｅａｓｙａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｇｒｅｙｔｈｅｏｒｙ．ＡＧｒａｙ — Ｅｌｍａｎｎｅｔｗｏｒｋｍｏｄｅｌｆｏｒｐｒｅｄｉｃｔｉｏｎｏｆｍｉｄ — — ｌｏｎｇｔｅｒｍｌｏａｄｂａｓｅｄｏｎｔｈｅｇｒａｙｔｈｅｏｙｒａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｕｔｆｏｒｗａｒｄｉｆｒｓｔｌｙｉｎｔｈｉｓｐａｐｅｒ．ｈｉＴｓａｐｐｒｏａｃｈ
第２５卷第４期
２０１３年８月
电力系统及其自动化学报
ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＵ— ＥＰＳＡ
Ｖｏ１．２５Ｎｏ．４Ａｕｇ．２０１３
灰色Ｅｌｍａｎ神经网络的电网中长期负荷预测
ＴｈｅＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋｈａｓｔｈｅａｄｖａｎｔａｇｅｓｏｆｈｉｇｈｃａｐａｂｉｌｉｔｙｔｏａｄａｐｔｔｈｅｔｉｍｅ — ｖａｒｙｉｎｇｃｈａｒａｃｔｅｉｓｒｔｉｃ，ｂｅｅｒｒｏｒ－ｃｏｎ —
（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｉｒｃａｌＥｎｇｉｎｅｅｉｒｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎ，ＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００６５，Ｃｈｉｎａ；

电力系统负荷数据预测的设计与实现

电力系统负荷数据预测的设计与实现发布时间：2023-02-03T01:59:02.361Z 来源：《科技新时代》2022年第18期作者：高岩李峰贺峰[导读] 力系统历史负荷数据的准确与否对负荷预测效果有重要影响，首先采用减法聚类算法得到历史负荷数据的聚类数目和聚类中心，高岩李峰贺峰国网安徽省电力有限公司泗县供电公司，安徽泗县，234300摘要：电力系统历史负荷数据的准确与否对负荷预测效果有重要影响，首先采用减法聚类算法得到历史负荷数据的聚类数目和聚类中心，并以此来作为模糊c-均值聚类的起点，然后通过负荷曲线的横向相似性找出不良数据，最后修正不良数据，得到连续准确的负荷数据。

关键词：电力负荷预测；数据预测引言电力系统是人们日常生活的必需，也是经济繁荣的保障与支撑。

在电网运行过程中，电能的生产、传输与消耗是同时进行的，如果无法预知负荷需求，则有可能导致资源不足或浪费。

随着电网规模的扩大，受天气、地理环境、政策等因素影响，负荷预测的难度也越来越大，捕捉负荷的非线性以及不确定性的趋势走向也变得越来越困难。

1电力负荷数据简述1.1数据特性电力负荷数据会表现出单位时间内的周期性规律，这些特性对预测模型构建有很大的指导意义，数据特性主要包括以下几点。

（1）日周期性：电力负荷数据每日会按照时间段有相似的波动变化。

逐步攀升达到峰值后回落，然后再增加，随后降为最低。

（2）周周期性：以周为周期，工作日负荷及周末休息日负荷的波动情况也存在相似波动趋势。

（3）受外界因素影响：受温度、天气、湿度等外界因素影响。

1.2影响因素电力系统用户可分为城市居民、乡镇居民、商业用户、工业公户等，每一类用户的负荷特性规律均不相同。

通常情况下电力负荷会同时受到多种因素影响，逐一分析如下。

（1）社会因素：主要包括经济发展水平、用户的收入及消费水平以及区域的消费结构。

（2）时段因素：通常存在早晚高峰期，工作日、节假日也会有所不同。

（3）气象因素：受温度、湿度、降雨、风速等气候变化影响。

基于多重局部回归Elman神经网络的短期负荷预测

维普资讯
江
２０年３月０７
苏
电
机
工
程
第２６卷第２期９ NhomakorabeaＪａｇｕＥｌｃｒａｇｎｅｎｉｎｓｅｔｃｌｉＥｎｉｅｒｇｉ
基于多重局部回归Ｅｍａｌｎ神经网络的短期负荷预测
孙奇．伟杨
适应时变特性的能力［－３５－］－
ｕ
（
：）（ｔ
ｋｔ（）
图１基本Ｅｍａｌｎ网络的结构
激发函数所组成的非线性向量函数：网络的输入Ｕ（）ｋｔ ∈Ｒ肼输出ｙ（）隐含层输入（），ｋｔ ∈Ｒ，ｔ ∈Ｒ，则根据网络的结构可以得到如下关系。
．
ｙｌ
３
（）ｔ
（）ｔ
ｌ
合预测等智能化预测方法．中神经网络预测是一其种有效的预测手段［１目前，负荷预测应用中大，。在多数采用的是静态前馈反向传播（Ｐ神经网络和Ｂ）径向基函数（Ｂ）经网络，ＲＦ神利用静态前馈网络对动态系统进行辨识．际上是将动态时间的建模转实化为静态建模，这就必然会引起相应的转化问题，而只有动态回归神经网络才能更加直接地反映系统的动态特性Ｅｍａｌｎ网络是一种典型的动态神经元网络．在前馈网络的基础上，过存储内部状态它通使其具备映射动态特征的功能．而使得系统具有从

基于Elman神经网络的负荷预测研究

作和生活基本保障的一个重要问题。因此，寻找城
知，随时间的推移，度负荷相比于往年同一月的月历史负荷具有明显的增长趋势，图１所示为如
２０－２００１０５年某、２如所示为２０－２００１０５年某电网分月用电量。明显该
Ｋｅｗｏｄｙｒｓ：Ｅｌａｎｕａｎｔｍｎｅｒｌｅｗｏｒｋ；ｆｒｃｓｉｇｏｅａｔｎｍｏｅ；ＢＰｎｕｒｌｅｗｏｋ；ＭＡＴＬＡＢｌｎｕｇｅｅｔｉｄｌｅａｎｔｒａｇａｅ；ｌｃｒｃ
Ｓｔｒｙｓｅｎ
华北电力技术
ＮＯＲＨＩＬＣＲＣＰＷＥＴＨＣＮＡＥＥＴＩＯＲ
・
试验研究・
基于Ｅｍａｌｎ神经网络的负荷预测研究
王祥龙
（州物理研究所，州７００）兰兰３００
摘要：力系统负荷预测是电力生产部门的重要工作之一，负荷变化具有明显的周期性，章采用Ｅｍａ电其文ｌｎ神经网络与ＢＰ神经网络建立模型，出了一种基于神经网络的负荷预测方法。对某电网实际历史数据进行仿提
０引言
经济的高速发展带来了城市化与工业生产规模的不断发展，也使得城市供电系统的供需矛盾变得日益突出起来，特别是夏季，市电力紧缺的城

基于Elman神经网络的电力负荷预测模型研究

Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｐｒｅｃｉｓｉｏｎｏｆｆｏｒｅｃａｓｔｉｎｇｏｆｐｏｗｅｒｌｏａｄ，ｉｎｔｈｉｓｐａｐｅｒ，ａＥｌｍａｎａｒ－
ｔｉｉｆｃａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＡＮＮ）ａｐｐｒｏａｃｈｆｏｒｌｏａｄｆｏｒｅｃａｓｔｉｎｇｉｓｐｒｏｐｏｓｅｄａｎｄｔｈｅｍｏｄｅｌｂａｓｅｄｏｎＥｌｍａｎ
ｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｉｎｔｈｅｔｒａｉｎｉｎｇａｌｇｏｒｉｔｈｍｏｆｔｈｅｎｅｔｗｏｒｋ，ａｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎａｌｇｏｒｉｔｈｍｗｉｔｈａｄａｐｔｉｖｅｌｅａｒｎｉｎｇｓｐｅｅｄａｎｄｍｏｍｅｎｔｕｍｇｒａｄｉｅｎｔ－ｆａｌｌｉｎｇｉｓｕｓｅｄ，ｔｈｅｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｔｅｓｔｅｄｂｙａｃｔｕａｌｄａｔａｆｒｏｍＵｒｍｑｉｅｌｅｃｔｒｉｃｎｅｔｗｏｒｋ，ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｆｏｒｅｃａｓｔｉｎｇｏｒｆｐｏｗｅｒｌｏａｄｂａｓｅｄｏｎＥｌｍａｎ

Elman神经网络在电力系统负荷预测中的应用

摘要：电力系统负荷预测是电力生产部门的重要任务之一，通过准确，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。基于此，采用Ｅｌｍａｎ神经网络根据负荷的历史数据，选定反馈神经网络的输入、输出点，来反映电力系统负荷运行的内在规律，从而达到预测未来时段
一
测日当天的电力负荷。
气象特征
Ｏ．２２３４０．２７９９１
表１用电负荷及气象特征训练样本样本日期电力负荷
２０１２ —１—１０．２１１３０．１２１２０．１３０５０．１８１９０．４９５２０．５３１２０．６８８６０．６８９８０．６９９９０．７３２３０．７７２１０．７９５６
荷曲线具有相似性。由于神经网络所具有较强的非线性映射等特性，它也被用于负荷预测川。本文采用每隔２ｈ对
１Ｅｈｎａｎ神经网络结构
Ｅｌｍａｎ型回归神经网络一般分为４层：输入层、中间层（隐含层）、承接层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输出层的单元仅起信号传输作用，输出层单元起线性加权作用Ｊ。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值并返回给输入，可以认为是一个一步延时算子Ｊ。Ｅｌｍａｎ型回归神经元网络的特点是隐含层的输出通过承接层的延时与存储，自联到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到了动态建模的目的Ｊ。Ｅ］．ｍａｎ型回归神经元网络也采用ＢＰ算法进行权值修正，学习指标函数采用误差平方和函数。该神经网络是一种典型的动态神经元网络，它是在ＢＰ网络基本结构的基础上，通过存储内部状态使其具备映射动态特征的功能，从而使系统具有适应时变的能力］。

基于Elman网络的电力负荷预测研究

网络具有良好的动态特性、较快的训练速度、高精度等特点，表明Ｅｌｍａｎ预测模型是一种新颖、可靠的负荷预测方法。
关键词：电力负荷；Ｅｌｍａｎ网络；ＢＰ网络；预测中图分类号：ＴＰ３９３文献标识码：Ａ文章编号：１０Ｏ９ — ３０４４（２Ｏ１３）１６ — ３８７１ — ０４
（华北科技学院电子信息工程学院，北京１０１６０１）
摘要：电力系统负荷与诸多影响因素之间是一种强耦合、多变量、严重非线性的关系，且这种关系具有动态性。传统预测方法精度不高，而采用动态回归神经网￣－＆（Ｅｌｍａｎ）能更直接、更有效地反映系统的动态特性。该文建立了基于Ｅｈｎａｎ￣网络的电力负荷预测模型，通过ＭＡＴＬＡＢ仿真预测，对比Ｅｌｍａｎ神经网络和ＢＰ神经网络的预测效果。仿真实验证明了Ｅｌｍａｎ神经
ｃａｎｒｅｌｅｆｃｔｔｈｅｄｙｎａｍｉｃｎａｔｕｒｅｏｆｔｈｅｓｙｓｔｅｍｉｎａｍｏｒｅｄｉｒｅｃｔａｎｄｅｆｅｃｔｉｖｅｗａｙ．ＡｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｐｏｗｅｒｌｏａｄｗａｓｅｓｔａｂｌｉｓｈｅｄｂａｓｅｄｏｎＥｌｍａｎｎｅｕｒａｌｎｅｗｏｒｔｋｉｎｔｈｉｓｐａｐｅｒ．Ｂｙｃａｓｅｓｏｆｐｒｅｄｉｃｔｉｏｎ，ｔｈｅｍｏｄｅｌｉｎｇｅｆｅｃｔｏｆＥｌｍａｎｎｅｔｗｏｒｋａｎｄＢＰｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｗａｓｃｏｍｐａｒｅｄ．ＳｉｍｕｌａｔｉｏｎｅｘｐｅｉｍｅｒｎｔｓｈｏｗｓｔｈａｔＥｌｍａｎｎｅｕｒｌａｎｅｔｗｏｒｋｂｅａｒｓｆｅａｔｕｒｅｓｓｕｃｈａｓｄｙｎａｍｉｃ，ｆａｓｔｉｎｎｅｗｏｔｒｋｔｒａｉｎｉｎｇａｎｄｈｉｇｈａｃｃｕｒａｃｙ，ｗｈｉｃｈｐｒｏｖｅｓｔｈａｔＥｌｍａｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｓａｌｅｆｓｈａｎｄｒｅｌｉａｂｌｅｗａｙｏｆｐｏｗｅｒｌｏａｄｐｒｅｄｉｃｔｉｏｎ．

基于BP和Elman神经网络的压气机特性的计算

第２５卷
的一种处理方法。数据归一化处理将所有的数据转化为［一１１之间的数，，］目的是避免因为输入输出
数据数量级差别较大而造成网络预测误差较大。
０４ｎ＝０３上的样本作为神经网络的训练数据，．、．每
近年来，神经网络技术由于具有高度非线性映射的特
ＢＰ神经网络结构如图１所示，有一个输入层、具两个隐含层和一个输出层。１１２Ｂ．．Ｐ网络传输函数
点，广泛应用于压气机特性线的计算中。但是，由于神经网络的种类繁多，各有其特点，以，所针对压气机特性计算，分析应用不同神经网络所能达到的预测效果是提高压气机特性数据准确性行之有效的方法。目前，采用ＢＰ神经网络来计算压气机特性已
论，一般采用多项式来实现函数逼近，文献［］如１，
１神经网络建模
１１Ｂ．Ｐ神经网络模型
１１１Ｂ．．Ｐ神经网络结构
ＢＰ神经网络是一种前向反馈网络，文选用的本
但受限于数据的稀少，度有时并不能达到要求。精
对压气机特性曲线进行计算，并对结果作比较分析，
得出两者各自的特点以及所适应的情况。
在不稳定工况区内，以压气机特性线一般仅能提所
供部分工况数据，大多是以离散点形式存在的。且早期较普遍的方法是基于曲线拟合和函数逼近理

基于改进ELM神经网络的客户满意度评价模型

基于改进ELM神经网络的客户满意度评价模型卢海明;刘建鑫【摘要】使用一种动态递归网络———ELM神经网络来模拟专家打分进行电力客户满意度测评。

仿真结果表明，ELM神经网络具有训练速度快和结构简单的特点，能较准确地反映客户满意度。

同时，针对ELM神经网络基于梯度下降算法调整权值和阈值，容易陷入局部最优的缺陷，提出了利用入侵杂草算法（ IWO）优化ELM神经网络的连接权值系数。

神经网络权值优化是一个大规模多峰优化问题，已有文献证明IWO算法对于解决高维度、多峰优化问题具有明显优势。

新方法有效弥补了单一算法的不足，拥有ELM神经网络动态记忆的能力以及入侵杂草算法全局收敛性强的特点。

实例计算证明，改进ELM神经网络可以建立精度更高的电力客户满意度评价模型，保证专家评价系统的一致性和稳定性，是一种行之有效的评价方法。

%A dynamic recurrent neural network, namely ELM neural network simulating the assessment of expert scoring has been used to evaluate the electric power customer satisfaction. The calculation of real examples shows that this method is capable to reflect the lev⁃els of customer satisfaction accurately with the advantages of fast training speed and simple structure. At the same a method for optimi⁃zing the connecting weight value coefficient of ELM neural network is presented by using the global searching ability of IWO. The opti⁃mization of neural network parameters is a large scale multimodal optimization problem and the tests show that IWO has obvious advan⁃tages in solvinghigh⁃dimensional multimodal optimization problem particularly. This new approach combines the merits of ELM neural network that has the abilityof dynamic memory and the strong global searching capability of IWO which exactly makes up the shortcom⁃ings of single algorithm. The simulations reveal that neural network optimized by IWO is able to build a higher precision modal for the e⁃valuation of electric power customer satisfaction and guarantee the uniformity and stability of expert evaluating system.【期刊名称】《东北电力技术》【年(卷),期】2016(037)007【总页数】5页(P39-43)【关键词】电力客户满意度;入侵杂草算法;神经网络;电力市场【作者】卢海明;刘建鑫【作者单位】广州地铁集团有限公司运营事业总部，广东广州 510310;国网江西省电力公司萍乡供电分公司，江西萍乡 337000【正文语种】中文【中图分类】F224随着电力体制改革的不断深入及电力市场的逐步建立和完善，电力需求侧管理越来越受到供电企业的重视。

基于Holt-Winters模型的天然气负荷预测

技术与市场创新与实践２０２０年第２７卷第７期基于ＨｏｌｔＷｉｎｔｅｒｓ模型的天然气负荷预测胡　凯（合肥燃气集团有限公司，安徽合肥２３０００１）摘　要：探讨ＨｏｌｔＷｉｎｔｅｒｓ乘法模型在企业天然气供应负荷预测中的应用价值。

以２０１５—２０１８年各季度天然气负荷为基础，运用ＳＰＳＳ分别建立ＨｏｌｔＷｉｎｔｅｒｓ加法模型和乘法模型，采用２０１９年各季度的实际数据验证模型，采用均方根误差（ＲＭＡＥ）作为模型评价指标。

结果：ＲＭＡＥ的比较结果表明加法模型优于乘法模型，具有较高的预测精度，可较好的拟合企业天然气负荷的变化趋势。

关键词：天然气；负荷；时间序列；ＨｏｌｔＷｉｎｔｅｒｓ；预测ＮａｔｕｒａｌｇａｓｌｏａｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎＨｏｌｔｗｉｎｔｅｒｓｍｏｄｅｌＨＵＫａｉ（ＨｅｆｅｉＧａｓＧｒｏｕｐＣｏ．，Ｌｔｄ．，Ｈｅｆｅｉ２３０００１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＩｎｏｒｄｅｒｔｏｄｉｓｃｕｓｓｔｈｅａｐｐｌｉｃａｔｉｏｎｖａｌｕｅｏｆＨｏｌｔｗｉｎｔｅｒｓｍｕｌｔｉｐｌｉｃａｔｉｏｎｍｏｄｅｌｉｎｎａｔｕｒａｌｇａｓｓｕｐｐｌｙｌｏａｄｆｏｒｅｃａｓｔｉｎｇｏｆｅｎｔｅｒｐｒｉｓｅｓ．Ｂａｓｅｄｏｎｔｈｅｎａｔｕｒａｌｇａｓｌｏａｄｏｆｅａｃｈｑｕａｒｔｅｒｆｒｏｍ２０１５ｔｏ２０１８，ｔｈｅＨｏｌｔｗｉｎｔｅｒｓａｄｄｉｔｉｏｎｍｏｄｅｌａｎｄｍｕｌｔｉｐｌｉｃａｔｉｏｎｍｏｄｅｌａｒｅｅｓｔａｂｌｉｓｈｅｄｂｙＳＰＳＳ，ｔｈｅａｃｔｕａｌｄａｔａｏｆｅａｃｈｑｕａｒｔｅｒｉｎ２０１９ｉｓｕｓｅｄｔｏｖｅｒｉｆｙｔｈｅｍｏｄｅｌ，ａｎｄｔｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ）ｉｓｕｓｅｄａｓｔｈｅｍｏｄｅｌｅｖａｌｕａｔｉｏｎｉｎｄｅｘ．Ｒｅｓｕｌｔｓ：ｔｈｅｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｏｆＲＭＳＥｓｈｏｗｔｈａｔｔｈｅａｄｄｉｔｉｖｅｍｏｄｅｌｉｓｂｅｔｔｅｒｔｈａｎｔｈｅｍｕｌｔｉｐｌｉｃａｔｉｖｅｍｏｄｅｌ，ｗｈｉｃｈｈａｓｈｉｇｈｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｃａｎｂｅｔｔｅｒｆｉｔｔｈｅｃｈａｎｇｅｔｒｅｎｄｏｆｔｈｅｎａｔｕｒａｌｇａｓｌｏａｄｏｆｔｈｅｅｎｔｅｒｐｒｉｓｅ．Ｋｅｙｗｏｒｄｓ：Ｎａｔｕｒａｌｇａｓ；Ｌｏａｄ；Ｔｉｍｅｓｅｒｉｅｓ；ＨｏｌｔＷｉｎｔｅｒｓ；Ｆｏｒｅｃａｓｔｉｎｇｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６－８５５４．２０２０．０７．００９!　引言近年来，合肥地区随着城市规模的不断扩大，燃气民用户与工业、公建和商业用户数的持续增加，城镇天然气消费量持续增加。

基于燃气气量预测模型的研究和运用

基于燃气气量预测模型的研究和运用摘要：近年来，随着城市燃气企业的不断亏损，大手大脚的去实现智能化、数字化燃气已不可能，开源节流成为了燃气企业的主流经营思想。

本文通过分析当下经营的主要矛盾，分析出现亏损的主要原因，提出气量预测模型的建立可以成为企业实现智能化、数字化转型的新思路并且可以极大程度的利用现有管理平台节约投资。

同时提出了物理模型、3层软件模型的架构，实现了运用。

实践表明，该预测模型效果良好，可有效改善气量成本。

关键词：燃气管网；负荷预测；大数据；物理软件模型；模拟分析The Research And Application of Prediction Model Based on Gas VolumeWang Zijing，Xiao Song，Tong Qingfu，Zhu Mingen，Wang Lihang（WHNG Co.,Ltd ，Wuhan Hubei，430033）Abstract：In recent years，with the continuous loss of city gas company，It is impossible to achieve intelligent and digital gas with extravagance.Broaden sources of income and reducing expenditure has become the mainstream management idea of city gas company.This article analyzes the main contradictions of principal contradiction,analyze the main causes of losses.It is proposed that the establishment of gas volume prediction model can become a new idea for enterprises to realize intelligent and digital transformation, and can greatly use the existing management platform to save investment.At the same time, the architecture of physical model and 3-tier software model is proposed to realize the application.The practice shows that the prediction model has good effect and can effectively improve the gas volume cost.Keywords： Gas Network System；Load Forecasting；Big Data；Physical Software Model；Simulation Analysis一、气量预测的背景与原因随着近年国家油气体制改革进程深入，我国油气上、中游改革已基本完成，但下游市场化销售体系暂未形成，市场压力集中向下游传递，城市天然气发展面临较大压力。

灰色Elman神经网络的电网中长期负荷预测

灰色Elman神经网络的电网中长期负荷预测摘要:电力系统长期负荷预测在企业的调度运营和服务管理等方面都起着不可或缺的作用，其预测精度的高低直接影响着电力系统运行的安全性、经济性和稳定性，因此长期负荷预测方法的研究一直为人们所重视。

基于电网实际运行数据建立一个BP神经网络模型，利用神经网络高度非线性建模能力，探讨含小水电地区电网的负荷情况。

实例计算表明，该方法精确有效，收敛性好，运行速度快，对提高多小水电地区网供负荷预测的准确度有较高的实用价值。

关键词:小水电;BP神经网络;长期负荷预测1前言电力产业在我国处于基础地位，不仅保障人们的生产生活，对于经济的增长和社会的进步也有不可替代的推动作用。

现在随着经济的发展了，电力行业也面临着难得的机遇，拥有更为宽广的空间。

在电力建设当中，规划处于非常重要的地位，提高规划的科学性和合理性不仅能够保证科学发展的要求，还能保证资源的优化配置。

2分布式电源发电预测2.1风电功率预测目前，对于分布式风电预测的方法，根据数据来源和预测模型的不同，主要分为物理方法和统计学方法。

物理方法就是根据天气预报得到的气象数据结果（包括风速、风向、温湿度、大气压强、空气密度等数据），局地效应模型的建立采用粗糙度、地形变化模型来建立，将局地效应模型中数据转换成预测（如风机轮毂处）的气象数据（风速及风向），然后根据建立的气象数据模型（风速与风电功率）进行风电功率预测。

在预测风电场功率时，往往还要考虑在进行风电功率预测中尾流效应的影响。

统计学方法通常不考虑气象数据，利用历史统计数据与风电场输出功率之间对应的函数关系，进行风电功率预测，随着预测时间的增加，预测精度会相应降低，故多用于长期预测。

其主要预测方法有时间序列法、人工神经网络、灰色系统、支持向量机以及小波分析法等。

对风电场风电功率进行了长期预测，采用最小二乘法，并在时间序列法中考虑稳健估计，建立了自回归滑动平均模型，将此作为功率预测模型，该方法的预测精度高于常规自回归模型；利用风速时间空间分布信息，基于BP神经网络，将建立的基于风速时空信息的功率预测模型进行求解，具有很高的预测精度；对超短时平稳风速进行数学建模，基于灰色模型，对风功率进行了预测，并且检验了预测误差情况。

计及需求响应的Elman-NN短期负荷预测模型研究

计及需求响应的Elman-NN短期负荷预测模型研究于道林;张智晟;韩少晓;李晨【摘要】This paper studies the basic characteristics of the load which takes demand response into consideration through frequency spectrum analysis and constructs a load forecasting model based on Elman-Neural Networks ( El-man-NN) , which also takes demand response into account. Elman-NN is characterized by a short training period and its ability to deal with dynamic information and achieve the whole optimum. An actual case is used to compare the forecasting performance of the models based on Elman-NN with and without taking demand response into ac-count. Results exhibit that considering demand response can markedly improve the forecasting accuracy of models based on Elman-NN. The paper confirms the significance of considering demand response in forecasting models and lays necessary theoretical foundation for the study of predicting load which takes demand response into account.%通过频谱分析研究了需求响应负荷的基本特性,并以此为依据建立了计及需求响应的El-man神经网络(Elman-NN)预测模型.Elman-NN具有处理动态信息能力强、训练时间短、全局寻优性强的优点.通过实际算例,对比在Elman-NN模型中计及需求响应因素前后的预测性能,结果显示计及需求响应因素可显著提高Elman-NN模型预测精度.本文证实了在模型中计及需求响应因素的重要作用,为需求响应负荷的预测研究奠定了必要的理论基础.【期刊名称】《电工电能新技术》【年(卷),期】2017(036)004【总页数】7页(P59-65)【关键词】需求响应;负荷特性;Elman神经网络;短期负荷预测【作者】于道林;张智晟;韩少晓;李晨【作者单位】青岛大学自动化与电气工程学院,山东青岛266071;青岛大学自动化与电气工程学院,山东青岛266071;山东省电力公司,山东济南250001;国家电网公司电力调度控制中心,北京100031【正文语种】中文【中图分类】TM743传统电力体制下，通常认为需求侧负荷是“刚性”不可控的，电能可保持供需平衡，只是发电机组单方面对需求侧电能变化的响应。

城市天然气负荷预测及调峰方案

需求侧管理调峰方案
总结词
需求侧管理调峰方案是一种通过控制和调整天然气需求来平衡供求关系的调峰策略。
VS
详细描述
需求侧管理调峰方案包括对城市天然气用户进行分类，根据其用气特点制定不同的调控措施。例如，对工业用户采取错峰生产或调整生产班次等方式，降低高峰时段用气需求；对商业用户和居民用户，则通过宣传引导、优惠政策等措施，鼓励其在低谷时段使用天然气。
储存设施调峰方案
总结词
储存设施调峰方案是通过建设和管理天然气储存设施，如地下储气库、液化天然气（LNG）接收站等，实现天然气的调峰。
详细描述
储存设施调峰方案可以在天然气需求低谷期储存多余的天然气，并在需求高峰期释放储存的天然气，以平衡市场供需。同时，储存设施还可以作为应急备用，应对突发事件和管道故障等情况。
3. 结合智能技术、大数据等先进手段，实现城市天然气负荷预测及调峰方案的智能化管理；
4. 开展跨学科、跨领域合作，共同推进城市能源规划与管理的研究与实践。
感谢您的观看
THANKS
预测方法采用历史数据法，通过对过去几年的用气数据进行分析，预测未来各时段用气量。
调峰方案在用气高峰期，通过增加天然气储备、提高输气设备输气能力、推广错峰用气等方式进行调峰。
某省天然气负荷预测及调峰方案案例
背景介绍
该省是能源消费大省，天然气消费量逐年上升，为满足全省各区域的用气需求，需要进行全省范围内的天然气负荷预测及调峰方案设计。
预测方法
采用多元回归分析法，通过对全省各区域的用气历史数据进行分析，建立数学模型，预测未来各区域的用气量。
调峰方案
在全省范围内建立多级天然气储备基地，提高输气设备的输气能力，推广集中供气和分布式能源等方式进行调峰。

燃气负荷及其模型研究

2
燃气负荷的描述模型
在燃气负荷的研究中, 下列一些描述模型和方
法得到了较多关注, 其可用性得到了很好的论证。
第4期
严铭卿等: 燃气负荷及其模型研究 Vk ( t ) - 1 2∃ E ( k) wj
∀ 209 ∀ + % Vk ( t - 1)
n
k- 1 k
得到关于燃气负荷的映射模型 , 从而多层面、多角度地对燃气负荷的规律性进行描述。 2. 3 燃气负荷参数的统计推断方法
i= 1 [10]
是很
! ( ∃ cos T t +
i i
p
2&
%i sin
2& t) Ti
第 i 分量的系数; 第 i 分量的周期。
激活函数的阈值。 E ( k) ( t ) w i, j
采用最速下降法进行权值及阈值修正。 - 1 Wk ( t ) = 2∃ + % Wk ( t - 1)
1 2 2 2 2
Research on Gas Load and Models
YAN Ming qing , LIAN Le ming , JIAO Wen ling , TAN Yu fei , ZHAN Chang hong 2. Haerbin Institute of Technology , Haerbin 150090, China ) Abstract : There are actual needs to study city gas load. The features of city gas load have been analyzed, and gas load category has been expounded. Gas load models can be divided into two types: descript ion model and forecasting model according to their functions. A series of description model has been mentioned. Key words: gas load; model research; mathematic statistics