英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
电动RTG起重机未来工业负荷预测
鉴于国际贸易的增加以及世界各地港口面临的重大能源和环境挑战，有必要更好地了解港口的能源需求行为。与柴油RTG起重机相比，电气化轮胎龙门起重机(RTG)有望减少气体排放，节约能源，但它将增加电能需求。电力负荷预测是了解电能需求的关键工具，通常用于具有较强规律性和季节性的数据。然而，RTG起重机需求的高度波动性和随机性给预测带来了巨大的挑战。本文是对电气化RTG起重机需求短期负荷预测的首次广泛研究之一。模型输入的选择取决于广泛的数据和相关分析。还研究了外生变量估计精度对预测精度的影响。这些模型在从英国费利克斯托港收集的两个不同的RTG吊车数据集上进行了测试。结果表明，当起重机移动次数和集装箱毛重的估计准确时，预测模型的有效性。
关键字：轮胎龙门起重机，相关分析，外生变量估计，人工神经网络，时间序列预测模型
收到：2017年9月12日/接受：2018年1月9日/发布
在线：2018年2月27日
copy; 作者2018。本文是开放获取的出版物
Feras ALASALI
F．M．MAlasali@student.reading.ac.uk
斯蒂芬·哈本斯蒂芬·哈本@ maths.ox.ac.uk
维克多·贝塞拉 victor.becerra@port.ac.uk
威廉·霍尔德鲍姆w.holderbaum@reading.ac.uk
1 英国伯克郡雷丁大学系统工程学院
2 英国牛津牛津大学数学研究所
3 英国朴次茅斯大学工程学院
4 英国曼彻斯特大都会曼彻斯特大学工程学院
1引言
在过去十年中，全世界的国际贸易数量迅速增加，港口面临着重大的环境和能源挑战，如化石燃料价格上涨和温室气体排放。 柴油轮胎龙门起重机通常在环境和经济上效率低下，因为它们使用更多的燃料，燃料成本波动和产生气体排放，如二氧化碳和氮氧化物。 减少碳气体排放和运行成本的一种方法是从柴油转换为电气化RT G起重机。 因此，由于连接到低压和中压网络的带电RT G起重机的数量增加，港口变电站的电力消耗一直在增加。 与柴油RT G起重机相比，电动RT G起重机的使用可以减少30%左右的维护和维修部件成本，绿色气体排放可减少25%至70%。然而，从柴油转向电气化RTG起重机将导致港口变电站的峰值需求和功耗的增加。 在这种情况下，港口可能需要升级电力基础设施，以满足这种需求的增长。 此外，对港口和RTG起重机的能源需求行为也存在差距和缺乏了解。 这种理解对于制定发电战略以减少气体排放和需求高峰问题对环境的影响至关重要.. 负荷预测是估计未来因需求不一致而可能发生的任何财务或技术风险的重要工具.. 准确的预测是解决能源管理系统问题的有效解决方案，如负荷脱落、高峰需求和电力基础设施发展。 在电力系统应用中，短期负荷预测已被广泛应用于运行调度、电力系统稳定性和经济运行。为了实现准确的短期负荷预测，采用了各种各样的方法和模型。这些模式主要分为三类：
1)传统的或统计的方法：例如，奥托雷外生变量累进积分移动平均法(ARIMAX)和外生变量自回归法(ARX)。
2)人工智能方法：如人工神经网络(ANN)[9]和支持向量机(SVM)。
3)混合预测系统：以ARMAX-SVM和体制切换模型为例。
预测模型在电力系统的规划、运行和能源市场等许多应用中起着至关重要的作用。ARIMAX和ANN预测器在建筑、工业负荷和可再生能源等不同能源领域得到了广泛的应用。将这些技术应用于RTG起重机的需求预测，对提高对负荷特性的认识也是有益的，这将有助于减少峰值需求和气体排放。文献中有许多文献讨论和发展了负荷预测模型，它们利用ANN和ARIMAX技术成功地预测了风速、太阳辐射、微电网系统和建筑需求等高度不稳定的目标。然而，这些系统在文献中有明确的物理解释关系，与外生变量COM-削减RTG起重机的需求。例如，开发了两种不同的人工神经网络模型，用于建立具有季节数据点的高频和低频数据集，利用小波分解来预测伊朗国家电网24小时的峰值需求。此外，时间序列方法被广泛应用于电价预测。参考文献提出了一种ARIMAX模型，该模型包含了温度、风速和水库水位等外生变量，主要反映了每周现货电价的季节变化趋势，有助于减小预测误差。
值得注意的是，文献中提出的建筑物、工业负荷和智能电网的预测模型都采用了季节性相关和与预测指标有明确关系的外生变量来预测负荷需求。与以往的研究不同，电气化RTG起重机的需求是：高度的波动性和随机性；不包括明确的季节性或模式，有助于提高预测质量；由于人(起重机司机)对起重机移动和负荷的影响，其行为高度不可预测。
此外，据作者所知，虽然只有一项研究讨论了RTG起重机的预测问题，但没有研究专门考虑通过估计移动次数和集装箱毛重来预测电气化RTG起重机的负荷，并检验不同的输入变量。参考使用ARIMAX和ANN模型，用一个隐层来预测24小时RTG起重机的需求。然而，他们假设外生变量是预先知道的，而没有检查输入误差对预测精度的影响。此外，RTG起重机的预测模型不考虑外源输入变量对预测性能的影响。
为了填补文献中的空白，解决港口应用对能源需求行为认识不足的问题，本文试图建立短期预测模型，对电气化RTG起重机负荷进行一天的预测。本文利用ARIMAX、ARX、ARIMA、ARIMA、AR两个隐层神经网络(ANN)对甘蔗移动次数和集装箱毛重进行了估计，并考察了输入变量误差对预测模型的影响。本文利用两台RTG起重机在三个不同的时间周期内采集的数据，对预测模型进行了检验。本文的主要贡献总结如下：
1)本文采用了两种新的预测模型，与文献相比，预测结果更加准确。首先，采用两个隐层的人工神经网络系统，提高了预测模型的性能。其次，ARX模型具有与ARIMAX模型相似的性能，但具有较高的速度计算AR系数的优点。
2)研究了外生变量的精度对预测模型性能的影响，以建立准确的预测模型。
3)提出了一种外生变量(起重机移动次数和集装箱毛重)的估计方法。这种估计有助于检查预测模型在预测模型输入(外生变量)的误差范围内的性能。
4)本文对三个不同时段的预测模型进行了检验。此外，所有预测模型都使用一个RTG起重机测试数据集进行了训练，并使用两个不同的RTG起重机数据集进行了测试。
本文的其余部分的结构如下。第二节介绍了所提出模型的方法。第三节详细讨论了提出的模型方法。第四节给出了预测模型的结果，并对预测结果进行了讨论。最后，第五节给出了结论。
2方法论
电气化RTG起重机用于港口集装箱装卸的多式联运作业。在需求时间序列中，RTG需求行为主要是非平稳的、不稳定的，没有明显的模式或季节性，这就增加了对起重机负荷预测的挑战。本文建立了人工神经网络模型和ARIMAX模型，用于预测t n小时(t为小时时间，n为1；2；hellip;；24小时)时的电气化RTG起重机需求。此外，我们还考察了一些外生变量(XT，Yt)对预测模型性能的影响。图1给出了负荷预测过程的一般原理图。这一部分给出了电气化RTG起重机负荷预测的方法
2.1人工神经网络
人工神经网络是由多层人工神经元构造的数学模型，它们通过突触权重相互联系，从一层的单个神经元到下一层的每一个神经元。
|
数据收集：每小时RTG起重机负荷、移动次数和集装箱重量 |
估计/假定外生变量 |
预测模型建立ANN，ARIMAX，AR，ARIMA |
模型的训练和测试 |
图1本文实现的负荷预测程序总图
(1)
其中，是突触权重的总和(输入神经元n和隐神经元i之间)乘以每个神经元的输出，和m是神经元的数目。在一个典型的单个人工神经元的结构中，来自几个突触的输入信号的总和通过(2)所描述的激活函数F传递给所选择的函数乙状体激活。
(2)
人工神经网络通过计算由(3)和(4)表示的隐层的第一个神经元()的误差来修正权值。
(3)
其中 和分别是输出层中神经元的预测值和实际目标值。在(4)中，错误信息被用于更新突触权重：
(4)
其中是训练率，是第i神经元的输出。接下来，使用加权校正来修改旧的突触权重：
(5)
其中是神经元n和隐神经元i之间的更新权重。最后，经过训练后，该模型可以在相似的集合上进行推广和测试。
2.2多元时间序列分析
ARIMA技术是一种时间或统计序列方法，它将历史数据作为时间函数来预测未来的价值。时间序列的ARIMAX(p，d，q)模型由(6)和(7)[19]描述。
(6)
(7)
其中是时间t上的差序列t(由(7)定义，)，是X变量项，是p阶的自回归项；是q阶的移动平均项是AR(P)项的系数；是MA(q)项的系数；是误差项；是外生变量的系数参数，表示外生变量h的个数；C是一个常数项。ARX、ARIMAX和AR是ARIMAX模型的子类。例如，ARX是自回归项AR(P)与外生变量的积分。
2.3 外生变量估计
基于不同分布方法的估计技术已广泛用于估计预测模型的外生变量。在这项研究中，由于在t时 刻的外生变量（Xt）是每小时集装箱总重Zt，而起重机移动次数Yt是由于这些变量与RTG之间的高度相关性起重机需求（在小时t）。但是，外生变量t n (n=1,2hellip;2)通常是未知的。为了改进预测模型并检查外生变量的影响，在这里我们开发以下模型：估计外生变量Zt和Yt；仅估计一个外生变量，例如Zt，并假定第二个变量Yt事先已知。
当我们预先知道外生变量Xt的精确值时，我们将这些估计方法与实际情况进行了比较。我们将从适当的分布函数中随机抽样估计变量。正如我们将要展示的，外生变量是高度相关的，因此当一个变量已知时，我们必须使用条件概率进行抽样。为了估计这两个外生变量，本文采用了联合概率分布。由于重量Zt是一个连续变量，起重机的移动数Yt是离散值，所以节点分布的混合情况如下：
（8）
其中是（）的概率密度函数；是在给定的情况下的概率密度函数；是的概率；是相对于边际分布给出 的的条件概率分布。另一方面，在已知一个变量（例如）的情况下，用于估计另一个外生变量（）的条件概率如下：
（9）
其中是Yt的概率；是Zt和Yt结合的概率。为了估计联合分布和条件分布，并对外生变量(Zt、Yt)进行抽样，本文使用的经验分布描述如下：
(X)= (10)
其中是一个指标函数（如果Xt X则为1，否则为0）;M是样本大小。
2.4 负荷预测模型评估
为了评估预测模型的性能或针对特定时间序列或特 定应用比较不同的预测技术，定义性能评估方法很重要。可以使用不同的技术来测量预测准确性或预测误差。参考文献[21]显示，有四种主要的性能评估技术已用于评估负荷预测模型的准确性。在本文中，平均绝对百分比误差（MAPE），均方根误差（RMSE） 和平均绝对误差（MAE）已用于评估模型的性能。但是，MAPE是最常见的负荷预测评估方法之一。该技术使用百分比项使其易于解释[21]。
(11)
(12)
(13)
其中是电动RTG起重机的负载；是预测负载；i是时间步长；N是观测数
3 数据分析和预测模型
电气化RTG起重机由于其工作性质的特殊性，其功率需求很难预测。此外，温度和季节性变量等通常用于电力分配预测的因素与起重机的需求无关。电气化RTG起重机负荷表现
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235452]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
