基于DEA的工作负荷评估方法研究

工作负荷会影响员工的身体健康、工作绩效和离职意向,因此了解员工的工作负荷情况对员工和企业都至关重要.本文系统阐述了运用DEA评估工作负荷的方法.该方法改进了CCR模型,使之更适合评估工作负荷,并提出改善工作负荷最重要的是改善凸显指标,使改善工作负荷水平的措施,达到事半功倍的效果.     

组合式神经网络下的短期电力负荷预测模型分析

本文对电力负荷变化规律和影响因素进行分析,提出一种组合式神经网络下的短期电力负荷预测模型。采用神经网络、模糊聚类分析和模式识别理论的方法进行建模。以每天24点负荷数据、天气数据以及天类别数据为指标,将历时数据分成若干类别,针对每一类别建立神经网络预测模型,预测时通过模式识别,找出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时短期电力负荷预测。     

刍议负荷预测技术在电力系统中的应用

本文分析了现代负荷预测方法,针对负荷预测的精度要求,对现代负荷预测方法的应用提出了建议。     

基于季节调整和Holt-Winters的月度负荷预测方法

针对负荷序列中异常数据会导致模型误设或参数估计发生偏差的问题,提出利用季节调整方法,先对原始负荷序列进行季节调整,获得消除离群值、节假日影响的季节调整后序列和季节成分序列;然后用改进的Holt-Winters方法对季节调整后成分进行预测,用虚拟回归方法预测季节成分序列;最后对各成分预测结果重构得到最终预测结果的月度负荷预测方法。通过实例检验,提出的方法能明显提高预测精度,预测效果要优于季节性Holt-Winters、SARIMA、神经网络、支持向量机等模型。     

对中长期负荷预测方法的综述

中长期负荷预测各种预测方法都具有其各自的优缺点和适用范围,在实际预测工作中,必须根据实际情况,着重从预测目标、期限、精确度等诸多方面作出合理选择,寻求能获取所需精度的预测方法。本文针对电力系统中长期电力负荷预测方法做出分析。     

基于KPCA-CNN-DBiGRU模型的短期负荷预测方法

本文针对已有神经网络模型在短期负荷预测中输入维度过高、预测误差较大等问题,提出了一种结合核主成分分析、卷积神经网络和深度双向门控循环单元的短期负荷预测方法。先运用核主成分分析法对原始高维输入变量进行降维,再通过卷积深度双向门控循环单元网络模型进行负荷预测。以第九届全国电工数学建模竞赛试题A题中的负荷数据作为实际算例,结果表明所提方法较降维之前预测误差大大降低,与已有预测方法相比也有大幅的误差降低。     

利用空调装机密度预测居民用电尖峰负荷

夏季极端气温时段城市居民家用空调用电负荷占整个电网尖峰负荷的比率极大。由于对其难以采取一般的避峰措施,因此成为电网安全运行的不可忽视的问题。解决这一问题的前提是准确预测城市居民空调装机数量和用电负荷。传统预测方法是基于城市居民户数和户均装机及功率进行测算,但居民住房商品化后,基于户数的预测方法会产生很大的误差,通过对住宅装机密度进行调查,基于住宅面积进行预测,可以获得比较准确的预测结果。     

城市供水节假日负荷预测模型的研究

城市供水水量的预测是城市供水系统优化调度的前提和基础,城市供水节假日的负荷变化与平时显著不同,若仍按正常供水日预测模型进行预测,会产生很大的误差。因此,针对城市供水节假日负荷变化的特点,利用节假日的负荷预测模型中节假日期间负荷变动模式高度相关以及节假日负荷平均值高度相关的特点,建立城市供水节假日负荷预测模型。     

浅析负荷管理系统在营销管理中的应用

随着科学技术飞速发展，负荷管理系统得到快速发展和应用，目前运行的电力负荷管理系统已成为以计算机应用技术、数字通信技术、电力负荷控制技术为基础的信息处理和实时监控系统，成为营销现代化的重要技术支持系统之一，能够实现对用户或某个区域电力、电能等用电状况进行远程监测。控制和对所采集的数据进行分析，并加咀综合应用，负荷管理系统在营销工作中发挥着越来越重要的作用。如何加强负荷管理系统在营销管理中的应用成为负控人员思考的问题。     

二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷,首次提出了季节型负荷预测的组合优化灰色神经网络模型,研究了同时考虑两种(非线性)趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于两种单一发展趋势负荷预测模型,给出了电力负荷预测的应用实例,为季节型电力负荷预测提供了一种新的、有效的方法。     

被信任的代价:员工感知上级信任、角色负荷、工作压力与情绪耗竭的影响关系研究

在组织管理中,上行信任和下行信任都是对员工情绪、态度有重要影响的信任类型,而下属对上级信任的感知(Felt trust)是近年来才兴起的另一种重要信任类型,被认为是唤起员工知觉的重要前提。员工感知被上级信任主要包含上级对下属的依赖(Reliance)感知、上级对下属的信息透露(Disclosure)感知。本文借助351份三阶段纵向数据样本,研究发现:(1)下属感知到上级的依赖与下属感知到的角色负荷(工作压力)显著正相关;下属感知到上级的信息透露与下属感知到的角色负荷(工作压力)显著正相关;(2)下属感知到的角色负荷和工作压力在以上关系中发挥中介作用;(3)规范强度在感知上级依赖与下属的角色负荷感知(工作压力感知)之间起调节作用,即下属所在组织对服从上级、忠诚于上级越强调,也即规范强度越强,感知上级依赖与下属的角色负荷感知(工作压力感知)之间的作用越会得到增强;规范强度在感知上级信息透露与下属的角色负荷感知(工作压力感知)之间起调节作用,即下属所在组织对服从上级、忠诚于上级越强调,也即规范强度越强,感知上级信息透露与下属的角色负荷感知(工作压力感知)之间的作用越会得到增强。研究结果对于"被信任也可能付出代价以及为什么会付出代价"的问题提供了一个新的解释,也使管理者真正清楚"信任作为一种策略用于管理员工,对员工而言未必总是好的,也有可能引致员工的工作压力和角色负荷,甚至情绪耗竭"。     

分形理论下的电力负荷特性分析

本文讨论非线性电力负荷特性分析问题.文中运用分形理论和R/s方法构造了电力负荷分析模型,通过自相似性和分形维数的分析证实了电力负荷时间序列具有分形的特征,并对负荷特征的持久性进行了初步的探讨,为电力负荷特性的研究提供一个新的角度.     

关于毕业班工作的思考

毕业班级是学校的窗口,在很大程度上,群众是通过这扇窗口来评价一所学校的优劣。因此,毕业班学生的质量直接影响着学校的声誉,直接关系到学校在群众心中的地位。学校对毕业班工作都非常重视,是学校工作的一个重点。如何提高毕业班学生的质量,一直是学校领导和老师们思量的问题。在这里,抛开客观因素不说,我从主观方面谈两点:     

基于贝叶斯神经网络短期负荷预测模型

本文提出了基于贝叶斯神经网络(BNN)短期负荷预测模型。根据气象影响因素和电力负荷的样本数据,针对权向量参数的先验分布分别为正态分布和柯西分布两种情况,应用混合蒙特卡洛(HMC)算法学习了BNN的权向量参数。由HMC算法和Laplace算法学习的贝叶斯神经网络以及BP算法学习的传统神经网络分别对4月 (春)、8月 (夏)、10月 (秋)和1月(冬)每月25天的每个整点时刻的负荷进行了预测。这些神经网络的输入层有11个节点,它们分别与每个整点时刻和的气象因素、上一个整点时刻的气象因素和时间变量相对应,输出层只有一个节点,它与负荷变量对应。试验结果表明HMC算法学习的BNN的预测结果的百分比平均绝对误差( MAPE)和平方根平均误差( RSME )取值远远小于由Laplace 算法学习的BNN和BP算法学习的人工神经网络的 MAPE和RMSE。 而且,HMC算法学习的BNN在测试集和训练集上的预测误差MAPE和RMSE的相差很小。 实验结果充分说明HMC算法学习的BNN具有较高的预测精度和较强的泛化能力。     

粒子群优化灰色模型在负荷预测中的应用

针对电力系统负荷特性,分析灰色模型GM(1,1)的应用局限性,引入向量α改进灰色模型背景值序列的计算公式,从而构建了适应性更强的GM(1,1,α)模型。应用粒子群优化算法非线性全局寻优能力来求解最优α值,提出了基于粒子群优化算法的灰色模型PSOGM,并给出了电力负荷预测的应用实例。实例证明PSOGM模型具有较高的预测精度和较广的应用范围。     

重庆地区夏季空调负荷分析及调控措旋建议

根据重庆地区电力消费特点,分析了重庆地区电网负荷结构特性及发展趋势.应用最大负荷比较法分析了重庆地区的空调降温负荷特性、结构现状及发展趋势;结合国内外空调负荷调控措施,针对陕西省空调负荷特性提出有效控制高峰时段空调负荷增长的措施.     

空中交通管制系统中人为差错的防范策略研究

近年来,随着民用航空飞速发展,空中交通管制员承受的工作任务愈发繁重,随之而来的是人为差错增加,并引发诸多飞行不安全事件。导致空中交通管制系统中人为差错出现的成因包括工作环境、气象条件等客观因素,包括管制员工作注意力、工作情绪、思维习惯等主观因素,还包括规章制度、班组管理等管理因素。为了有效防范人为差错,减少飞行不安全事件的发生,就需要空中交通管制部门从管制人员、管制方法、管理规范等方面进行改进。     

冲击负荷对厌氧折流板反应器的影响

本文进行了厌氧折流板处理屠宰废水实验研究.研究了水力冲击负荷、有机冲击负荷对厌氧折流板反应器性能的影响.     

冲击负荷对厌氧折流板反应器的影响

本文进行了厌氧折流板处理屠宰废水实验研究。研究了水力冲击负荷、有机冲击负荷对厌氧折流板反应器性能的影响。     

基于可变区间权重的中期用电量半参数预测模型

由于数据变化规律的多样性,中期电力负荷的波动有着不同于短期、长期负荷的特点。基于电力系统复杂性的研究视角,重点讨论了中期负荷预测过程中模型的不确定性、参数的时变特性以及负荷波动的周期性规律。根据中期负荷的数据特性,建立了基于非参数修匀的半参数模型,定义了函数区间的划分粒度以及模型权重的求解方法,提出了基于可变区间权重的动态预测方法,给出了基于经验模态分解和波动能量分析的噪声序列提取、检验方法。试验研究结果表明,气候因素对用电消耗的影响最大,经济因素次之;从选取的指标来看,不同时期的影响因素对于模型的解释能力是时变的;所提方法能够对电力负荷进行精确的多粒度、多维度分析,进而掌握其局部变化规律,可有效用于电力系统中期负荷预测。