能源管理静态因素
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇能源管理静态因素范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
能源管理静态因素范文第1篇
工业耗能、建筑耗能和交通耗能已经成为能源消耗的三大主要来源。在现代主要工业化国家，办公室作为建筑物的基本单元，主要集中分布在大中城市。随着气候变化成为全球的主要议题，节能成为现代建筑必不可少的要素。随着计算机技术和网络化技术的发展,以及人们对生活、工作环境舒适度要求的不断提升,集成了信息设施系统、信息化应用系统、建筑设备管理系统、公共安全系统的智能建筑应运而生。虽然智能建筑技术的发展为人们提供了安全、舒适、方便、节能的学习和工作环境并且能够完成一些人们需要的复杂任务,但是它仍然存在很多的问题：首先是智能楼宇自控系统中各子系统之间相互独立，集成度并不是很高，缺乏系统之间的协作与联动；其次是智能楼宇系统对终端采集的信息处理能力较低,建筑设备管理系统只是简单的将建筑内的各个子系统进行了集成并没有达到理想的能源优化效果；最后就是智能建筑技术并没有考虑人员因素对建筑设备节能的影响。针对目前智能建筑技术在实际应用中的不足,本文在基于多Agent技术的开发平台上，通过对多智能Agent之间的交互和相互协作研究办公环境的电力消耗研究。
2Agent技术及在智能建筑上应用
2.1agent仿真
智能体（Agent）是分布式人工智能（DAI）领域的一个基本术语，它是由美国学者明斯基于20世纪80年代提出的。[1]智能体（Agent）是一个物理或抽象的、能在一定环境下运行的实体。它能作用于自身和环境，并对环境做出反应。[2]智能体具有知识、目标和能力：知识主要包括领域知识、通讯知识、控制知识等；目标可以根据变化情况分为静态目标和动态目标，目标可以通过算法编入或显示给定，或通过通讯获得；能力是指智能体具有推理、决策、规划和控制等的能力。其能力的获得可以显示给定、学习或通过通讯获得。智能体具有如下特性：自治性、社会性和反应性。多智能体仿真的基本思想是：用程序展示行为，而这些行为则完全通过其内部机制来描述。通过把一个个体链接到一个程序上，就有可能模拟一个充满相互作用着的过程的人工世界。因此就有可能用人工对应物来置换真实系统里的成员总体。总体里的每个成员都由一个Agent来代表。多智能体仿真具有优于传统数值模拟技术的地方。传统的数值模拟基于数学或随机模型，通常是静态数学模型。多智能体仿真提供了形象的可视化显示，使用户（模拟设计者）能够在模拟过程中直观的评估Agent的行为，因此多智能体系统具有在空间上是分布式的、并行的，且系统的容错能力较强等特点。
2.2Agent技术用于智能建筑
目前将多智能Agent系统应用于智能建筑领域的研究主要集中在两方面:一是通过对多智能Agent进行不同层次的分类，提出智能建筑环境中各种参数的优化控制策略；二是研究多智能Agent之间的交互和协作机制为人们解决复杂问题提供一种新的途径。最早将多智能Agent系统应用于智能建筑中的是MIT人工智能实验室Brooks教授[3]，他在1997年提出了采用多智能Agent系统的控制体系结构。Brooks教授在实验中通过摄像头和语音-识别技术对人员活动进行跟踪和判别，为智能建筑中的人员提供所需要的信息。后来为了实现建筑物节能，Davidsson和Boman提出了用于建筑环境控制的多智能Agent系统。[4]Davidsson和Boman将多智能Agent或分为了四类，分别是人员Agent、标记Agent、房间Agent和环境Agent。其中标记Agent是人员身份识别卡片，人员Agent通过和标一记Agent之间的交互可以获知人员信息。房间Agent主要是对房间内的环境参数进行检测并对房间的控制模式进行设定最后由环境Agent来执行这些控制策略。英国艾塞克斯大学的VictorCallaghan等进一步提出了面向智能建筑的Agent体系结构，在该系统中用到分布式人工智能技术和模糊理论，利用嵌入式技术对Agent进行设计。[5,6,7]在国内，Agent技术的研究大多停留在理论和方案验证阶段，尤其是在建筑领域的研究和应用吏是不多见。福州大学王圣杰对多智能Agent初能建筑模型进行了研究，他们以智能建筑中的安保系统和照明系统为主要研究对象，在JALite开发平台}对一多Agent之间的任务分配和交互进行了描述。[8]重庆大学蒋鹏以JADE作为开发发平台，建立了一个建筑智能化系统集成的多智能Agent模型[9]，综上所述，可以看出多智能Agent在智能建筑中的应用目前仍停留在规划阶段。
3系统建模
3.1智能建筑能源消耗概述
智能建筑能源消耗主要包括四个主要要素：所在管理部门能源管理规定及相关政策；安装在楼宇的能源管理设施（例如能源计量、监控和自动化开关机设施技术）；各种电气设备（如照明电器、电脑、热水器等）；用户的用电行为。智能建筑能源消耗四要素，即能源管理政策/法规、能源管理技术、电气设备和用户行为。建筑内所有电气设备运行必须符合能源管理规定，能源管理设备计量控制电气设备运行，办公楼内电力消耗主要由不同类型电气设备组成，而这又由用户行为控制。用户之间交互及相互影响也会影响使用电气设备的行为。Firth等人在研究中根据使用模式将家用电器分成四种类型：连续型家电：包括时钟、报警设备、上网modem等需要持续供电的设备；可待机设备：电视、游戏机等，这类设备具有三种工作模式：运行、关机和待机。制冷设备：空调、冰箱等需要制冷的设备，这类设备会持续耗电但耗电量并不是平稳的，而是变化的。
3.2实际电力消耗模型
基于以上模型，我们开发了一个基于Agent的智能建筑电力消耗模型。具体仿真对象为英国诺丁汉大学Jubilee校区计算机学院。Jubilee校区建立于1999年，是一个典型的可再生绿色智能建筑群。该建筑具有以下特征：屋顶由植物覆盖用于保温，具有超高效通风系统，照明传感器用于照明自动控制，屋顶中庭集成光伏电池提供太阳能电力。基于房屋的照明自动控制，目前照明管理采用自动控制策略。当人员进入房间，照明开关自动打开，当人员离开房间20分钟以后照明自动关闭。EstateOffice具体负责学校所有建筑电力管理的规定。目前涉及两个问题：一是自动控制是否一定比手动控制更省电，二是照明、计算机用电占总用电的比例是多少。基于此，我们建立以下模型。
3.3基于agent的智能建筑电力消耗模型
在案例研究中，我们选择了计算机学院一楼。此楼主要为学院老师、研究生，主要电气设备和电器包括：房间47间，灯239个，计算机180台，打印机24台，信息指示标牌2个，用户最大数量213位。每一个员工agent具有四个行为状态：离校（OutOfSchool）、在走廊（InCorridor）、在办公室（InOwnOffice）、在其他房间（InOtherRoom）（图1）。在OutOfSchool状态，该agent不工作，所以不会触发任何电力消耗。在InCorridor状态，会触发走廊的灯打开。在InOwnOffice状态下，员工agent在自己的办公室会触发办公室的灯光，其行为在使用办公室电脑上使计算机三种模式：开机、待机和关机。在outOfSchool和InCorridor状态进行转换取决于工作时间表。基于我们的实证调查人员分为三类不同的人员（表3）。在从InCorridor状态向InOwnOffice状态转换时设置了转换时间=2，表示员工需要两分钟从走廊走到办公室。在InOwnOffice状态员工agent的存在会触发所在办公室的灯开关。员工agent可以在没有电脑状态下工作或者在有电脑状态下工作。对每个员工agent均设置节能意识参数energySavingAwareness，值从0到100，以表示其对节约能源的意识。如果员工agent的energySavingAwareness的值大于一个阈值，它有更大的概率不使用计算机。基于我们的问卷调查，对员工的节能意识，我们创建四种不同的类型员工（表2）。3.2.2照明agent行为照明agent（图1）行为只有两个状态：开（On）和关（Off），状态转换取决于员工agent的行为。3.2.3电脑agent行为电脑agent（图1）有三个状态：开（On）、关（Off）和待机（Standby），行为与照明agent行为类似，状态转换取决于员工agent。电脑处于待机状态时能耗为25w，处于开机状态能耗为400w。
4模型仿真
在模型中，我们进行了三组实验。为测试该模型的有效性，我们将使用这些实验以EstateOffice得到用电管理策略帮助以深入了解学校里的电力消耗。
4.1实验1：模拟目前学校的电力管理策略
目前，计算机学院办公楼配备有光传感器的自动照明系统，当传感器检测到工作人员离开房间20分钟，照明系统将关掉灯光，以节省电源。基于这样的光传感器技术，学校EstateOffice已在计算机学院办公楼采用了自动化电力管理策略。从这种意义上说，工作人员不能控制照明开关的控制，所有照明开关由电脑控制。在我们第一组实验中重点就在模拟现有电力管理策略。当模型设定的“自动化”情况下，运行并绘制电力消耗图（图2）。图中上面部分为实际电力消耗，下面部分为模型中的电力消耗。从中我们可以看到，模型仿真结果与实际电力消耗非常相似。因此我们可以证明该仿真模型能模拟现实电力管理策略。
4.2实验2：自动化策略与人员控制战略
在办公大楼自动和手动照明管理各有优势。一些研究表明，在手动开关照明管理中，当打开开关后即使有足够的日光用户也很少关闭照明。在学校根据调查，这方面也存在争论，estateoffice认为采用自动控制方式，当最后一个人离开房间20分钟后关灯比较节能。但根据我们的书面调查，大家认为如果能手动控制肯定能更节能，因为无需等待20分钟。基于此辩论，在本实验中设定两组数据：一组采用自动控制方式，当最后一个人离开房间20分钟后关灯；另一组采用手动控制方式，人员是否选择立即关灯取决于该agent的节能意识EnergyAwareness。EnergyAwareness越高的人越倾向于立即关灯。仿真结果见图3，从图中我们可以看出，即使在能源消耗的高峰时期，手动控制开关方式能源消耗总比自动控制方式要高。
4.3灯光及计算机所消耗能源比重
尽管在学院安装有电表，但是电表不能测出各种物品所消耗能源比重，我们通过此仿真模型可以很清楚的反应各部分所消耗能源比重（见图4），所以通过此仿真可以为学校相关部门提供相应的技术支持。
5结论
能源管理静态因素范文第2篇
>> 关于神华乌海能源公司惩防体系建设中存在的问题及对策 基于网站群的高职院校网站建设的探索 基于网站群的高校信息公开网站建设 基于CMS的班级网站的建设 基于windows的网站建设技术分析 基于PHP技术的网站建设 基于商业应用网站的建设研究 基于PHP技术的党校网站建设 基于SSH的网站建设分析 基于CMS的高校网站建设 基于CMS的高校学院网站建设 浅谈乌海市园林苗圃的建设与发展 推进公司的能源管理体系建设 基于Web的图书资源管理的网站建设 基于SEO 技术企业网站建设的研究 基于企业需求的网站建设教学改革 基于CMS与DIV+CSS的网站建设探析 基于校本资源专题网站的开发与建设 基于BB的精品课程网站建设 基于信息构建理论的教育网站建设研究 常见问题解答 当前所在位置：l、index_article.html、list_article.html、article_article.html。同时，DedeDMS 可以为每个页面单独设定相应的模板文件，如果需要，可以为每个栏目甚至单独的页面设计独立的模板。模板文件可视情况用传统table方式或div+css方式编写。独立的css文件单独放在templets文件夹下的style文件夹中。
具体的Html编写本文不做涉及，以下是模板中会用到的重要调用：
（1）调用某栏目的网址
如需要调用“公司新闻”栏目的网址，可用type标记下的typelink标签。如“公司新闻”的栏目ID为2，（下同），则其连接可如下调用：
{dede：type typeid='2'}
[field：typename/]
{/dede：type}
其名称可以用typename标签。
（2） 调用某栏目下所有文章标题链接
如需调用“公司新闻”下的所有文章的链接，可用arclist标记，代码示例如下：
{dede：arclist row='4' titlelen='34' typeid='2'} [field：title /]
{/dede：arclist}
其中arclist标签调用文章链接，title标签调用文章标题，
row表示显示的文章数目，titlelen表示显示的标题最大字数。
（3） 其余如作者、该文章日期等均有相应标签，需调用时可查看相关技术文档。
2.4 后台管理
作为一个较成熟的内容管理系统，DedeCMS的后台相当明晰。登陆网站后台可以方便的对网站进行管理。其功能包括：频道管理、内容、内容维护、HTML更新、核心模块、扩展模块、辅助插件、系统管理等功能。下面将各板块的功能做简要说明：
在频道管理页面内可以方便的建立、修改、删除网站的栏目，主栏目下还可建立子栏目。主要功能带单有创建顶级栏目，预览栏目页面，查看栏目文档，添加子栏目，修改栏目设置，移动栏目，删除栏目，更新排序，获取js，更新栏目HTML，更新文档HTML等。
平时需要文章在内容页面，DedeCMS后台生成和管理方面充分为用户着想，提供了诸多功能，可以上次附件，上传图片，并可以在后台设置允许上传的附件后缀名，大大方便了公司日常的通知发放工作。
模板管理是DedeCMS最大的特色，作为一套开源软件，使用者可以较快的掌握其模板的制作方法。一套模板文件可以单独的放在模板文件夹下的一个文件夹中，在后台设置模板为此文件夹的名称即可启用该模板。
其余如内容管理，系统管理等页面也比较人性化，非常简单易用。
3 需要注意的问题
3.1 网站安全
如果不注意网络安全，服务器很容易被黑客入侵，后果不堪设想，具体的措施包括：开启服务器的自动升级服务，及时安装系统补丁；安装正版杀毒软件和防火墙软件并启动自动升级服务；为Aache、MySQL建立单独账号，并降低其权限；更改后台文件夹名称，且不要在前台页面给出后台管理登陆的链接地址；定期查看服务器日志，定期更改后台登陆密码，且密码有一定复杂度。
3.2 数据备份
网站的数据备份非常重要，如果没有及时的备份，一旦由于误操作或不可控因素造成的数据丢失，其损失将是不可挽回的，要建立严格的数据备份制度，尽量做到网站数据每周一次备份。尽量将可能的损失降到最小。
能源管理静态因素范文第3篇
[关键词]控规；区域建筑；能源需求
0.引言
地球是人们生活的一个整体，区域是地球构成的基本单位，区域的划分主要是按照一定指标和方法划分出来的地域空间，也是人们地理差异的基础，区域的目的不同，所用的指标也不相同，划分区域的类型也就不会相同。现如今我们所说的区域就是指建筑与城市之间的空间，也就是城市级以下的园区、街区与成片开发区。建筑能源需求是建筑使用过程中能源需求，并不是建筑全寿命周期的能源需求。在区域发展的过程中能源是基本保障，城市规划建设的完成，区域能源主要是电力、热力以及燃气的供应，各个能源基础设施专项规划是各自独立规划建设，但是能源供应的对象并不是相互独立的。在技术快速发展的过程中，各种能源在供应的过程中采用不同的供应与转换方式。
1.区域建筑能源需求现状分析
区域建筑能源需求系统是一个错综复杂的系统，能源需求不仅受到功能定位、建筑形态、空间布局、运行模式等因素的影响，还会受到经济、政治、政策、区域环境以及社会等因素的影响[1]，由此可见，区域建筑能源系统始终处于不确定型与变化性。我国在分析区域建筑能源需求时候，采用多种需求预测方法进行研究，而不分发国家还设立专门预测分析软件或者模型来进行分析。从实际的分析角度来看，可以将能源需求分析方法分为预测分析法和因素分析法。预测分析法主要是依据能源系统本身对能源的需求进行研究分析，其中包括了BP神将网络模型、时间序列预测法。而因素分析方法是在社会经济系统对能源需求进行研究的基础上进行分析，其主要包括了部门分析法、投入产出法、情景分析法、新能源消费弹性系数法。在应用分析方法的过程中，不同分析方法具有不同的特点，但是无论采用何种分析方法，都是分析能源的需求现状。
在建筑能源需求预测的过程中，应用最为普遍的方法是情景分析预测方法。如白玮等提出的机遇系统动力学和情景分析法等能源需求和环境负荷模型、龙惟定的基于低碳目标的区域建筑能源规划模型等等。在能源需求预测的过程中需要明确研究的情景各自有什么特点，并对这些特点进行定性描述，随后描述出与之相应的框架，对一些关键因素设定的不同情景组合，典型的关键因素设定不同的情景组合，进行分析，并得出负荷值，进而可以确定能源的需求。在区域建筑能源需求分析的过程中，情景预测分析方法所分析得出的数据具有一定准确性，有利于需求分析的具体化。
2.区域经济能源需求特点与分类
在分析区域建筑能源需求的过程中应当明确能源需求的特点。首先，系统性。系统就是由相互联系、相互作用的不同要素组成，促使其具有一定功能和结构的有机整体，区域建筑群可以看作是一个系统，而地块则是系统的基本组成部分，建筑能源需求与周边地块是有联系的，因而地块能源需求组成一个有机整体，促使建筑能源需求具有系统性[2]。其次，多维性。区域建筑能源需求并不仅仅是单点或者是静态的数据。对建筑群进行详细规划，也仅是对用地情况进行分析，建筑的形式、功能结构都属于未知数，使得建筑能源需求处于一个不确定性。在多种宏观因素与微观因素的影响下，能源需求情景分析具有不确定性，因而分析的结果也具有多样性。最后，地域性。区域建筑能需求表现出较为明显的地域特点，这种表现主要出现在区域不同，建筑能源需求结构不同以及发展水平不同，需求特点也不相同。因而建筑能源需求分析方法与侧重点也存在差异。
通过分析建筑能源需求的特点就可以看出，能源需求又可以分为不同的种类。其主要分为常规能源需求以及特殊区域能源需求。常规的能源需求主要指的是采暖、照明、室内设备、通风、电梯、空调及其他综合服务系统构成的能源需求，特殊区域能源需求则指的是安防监控、通讯网络、消防救助等系统的能源需求。
3.区域建筑能源需求影响因素分析
在经济快速发展的过程中，区域建筑能源需求受到多种因素的影响。这些影响因不仅影响了区域建筑的发展，还对能源系统的分析造成一定影响。
3.1区域气候环境
区域气候环境主要指的是热湿环境、光环境以及风环境[3]。不同的环境因素受到区域气候环境的影响较大。其中区域热湿环境受到区域建筑所在地气候特点影响，并且还会受到温室效应、热岛效应等变化的影响。在建筑能源需求分析中热湿环境会对建筑外扰引起冷热负荷。区域光环境会受到区域的太阳辐射强度的影响，区域光环境效果好，就会产生较好的采光率，进而有效影响建筑照明系统。而区域风环境与所在地区域建筑空间的布局具有一定联系，它不仅会对建筑的通风产生影响，还会影响建筑室外热湿环境，进而影响建筑建筑冷热负荷。
3.2社会经济发展
就区域建筑能源来看，社会发展对其产生的影响是缓慢性。在社会发展速度逐渐加快，人们生活水平不断提高的过程中，人们对建筑环境的要求也会不断提高，如建筑室内要达到冬暖夏凉、增加建筑通风量、建筑设施不采暖而将来通过设置采暖设施，就会增加建筑暖通空调能源的消耗。另外，在社会经济快速发展的过程中，区域经济发展的速度也会不断加快，区域建筑的承载力也会持续上升，人口与经济持续增长，人口增长必然会对人口密度产生影响，与此同时人们生活水平提高，经水平上升就会增加能源的消耗量。
3.3技术政策进步
在社会快速发展经济持续增长的过程中，技术也在不断地进步。被动式的技术与技能技术能够有效减少能源需求与高能源系统转换效率，在此过程中采用节能的方式能够在保证建筑能源的基础上，提高建筑能源的服务水平。现如今，我们生活各方面都发生了一定的变化，能源与环境政策日趋完善，促使建筑能源管理区域合理化、规范化，这样就能够在建筑能源运行方面提高运行效率，有效降低能源的需求。
3.4土地利用规划
在城市建设逐渐完善的过程中，土地资源的利用率逐渐下降。与此同时区域规划属于区域控制详细规划范畴，其需要对区域进行合理定位于空间布局。并且在每块的容积率、建筑密度以及绿地率、建筑限高等方面都提出了相应的数值[4]。针对使用情况不同的地块，由于地块所处的地理位置与开发强度不相同，建筑物的使用水平、使用程度与功能结构都会表现出不同的差异性，进而影响区域建筑能源的消耗量。
4.结语
总之，区域能源需求处于一个不确定的状态，这不仅仅在于建筑服务水平、技术水平还体现在使用程度之间的差异有一定的联系。在分析区域建筑能源的过程中，应当综合考虑。
[参考文献]
[1]崔秀瑞.基于体制机制的绿色建筑推广责任归属研究[J].工程管理学报，2010，6（07）：42.
[2]华贲.低碳时代的中国城市能源规划[J].建筑科学，2011，6（10）：87.
能源管理静态因素范文第4篇
文章关键词: 企业 统计工作 经营决策 生产管理 核算监督 挖潜增效预警作用
统计信息工作是全方位的，它不仅贯穿于企业经济运行的全过程，而且渗透到企业管理的方方面面，发挥着信息、预警、咨询、监督、分析和决策职能。它是计划决策的依据；是财务核算的基础；是对生产经营活动进行有效控制的工具。在生产经营中的人流、物流、资金流，是按照有关信息所规定的路线、要求和时间进行流动的，统计信息对它们起着控制作用。同时，又对公司各基层单位在经营活动中的相互配合与工作衔接起着协调作用，通过信息反馈，使管理者及时地采取措施进行调整与纠偏，保证企业整体目标和计划的实现。
一、企业中统计工作的影响因素和存在问题
1、统计指标体系不够完善，统计指标更新迟缓。
目前所使用的统计指标主要仍是为政府和上级管理部门服务的，而且有的指标已经过时，所搜集的统计数据不能及时地从各个侧面反映企业的经营状态、经济效益和发展趋势，致使统计工作在企业经营管理过程中的作用难以发挥。
2、企业领导对统计的认识不够，统计意识淡薄。
有的企业领导认为统计工作可有可无，不善于利用统计成果进行经营决策，甚至有的企业领导为了功名向上级领导汇报的情况与企业统计资料所反映的情况相差甚远，导致人们对统计人员通过辛勤工作得到的统计数据产生怀疑和偏见，使统计人员处于进退两难的境遇。
3、统计力量薄弱，统计工作处于应付状态。
随着企业改革步伐的加快，机构改革成为企业改革的一个组成部分，而往往在改革的过程中统计部门和统计人员就会面临撤并和分流，统计部门不是挂靠在财务部门就是合并到其他部门，留下一名统计人员应付来自上级、地方政府、企业内部的各项统计工作，甚至还有统计工作以外的一些事务，使得统计人员对各项工作都处于应付状态，无法对统计工作和业务知识进行钻研和学习。
4、统计预警和分析工作不能深入到企业经营管理中。
有的统计人员对统计工作的认识不够全面，认为将统计数据上报以后统计工作就完成了，而没有认识到统计数据的收集、汇总和上报只是统计工作全过程中的一个阶段，统计工作的最终目的是将所得到的统计数据进行加工、整理和分析，从中发现问题、找出对策和提出解决问题的方法，从而为企业的经营管理服务。
二、浅析具体解决方法
1、 企业领导和统计人员要彻底更新观念，正确认识统计、重视统计，善于运用统计方法来进行分析和决策。
我国春秋时期的管仲对统计的作用进行了高度概括：“不明于计数，而欲举大事，犹无舟楫而欲经于水，险也……举事必成，不知计数不可。”只有企业领导和统计人员对统计工作有了正确的认识，善于运用统计成果为企业经营决策服务，统计工作才会在企业发展中发挥重要的作用。
综合维修公司领导班子已从几年的工作中逐渐摸索出一套运用统计数字为企业经营决策服务的办法，每月通过《月度成本分析报表》了解成本费用发生与控制情况，为进一步的节能降耗工作奠定了基础；通过《发电经营分析报表》了解发电队生产经营与成本费用的配比情况，为更好地控制能耗，精细化管理及比学赶帮超等活动的进一步展开提供了充分的第一手数据；
2、 建立健全统计指标体系，强化对内服务职能。
企业统计指标应在满足政府及上级主管部门需要的前提下，建立一套满足企业生产经营需要，反映企业经济效益和发展趋势的统计指标体系。例如综合维修公司发电队根据历史统计资料，结合当前情况，做了深入细致的预测分析工作，利用统计手段，将指标按固定能耗和可控能耗划分开来。根据通常发电作业的地点路况以及负荷工况合理计算正常的燃油消耗量，设备维护保养严格限定在相关规定的要求下，以及正常队伍在各时期的各项消耗指标，设定为固定能耗，是可以保持长期稳定的统计，我们采用每月定额法，实施静态管理。而那些随着生产运行变化而变化的能耗则划归可控能耗，实施动态管理。可控能耗是我们统计管理的重点，不但要详细掌握能源消耗项目，还要将当期的设备检查和队伍自查结合起来，运用能源统计指标体系，精确预测出在报告期内各能源消耗指标，以具体数据的形式明示给各个能耗部门，并在整个运行过程中通过收集、整理数据，实施分析、调整、监督，发现问题及时采取措施，纠正和预防跑、冒、滴、漏及浪费事件的发生。
综合维修公司发电队还设立了《设备运行月度报表》和《能耗月度明细单》等各种统计报表通过这些表格，构成了我企业统计指标体系，建立了上下一致，相互呼应的能源管理机制，强化了对能源消耗部门的监督与反映。
此外，还建立了规范的奖惩条例，利用统计资料归纳整理的数据，作为评价部门节能降耗成果的主要依据，年终统一兑现，这样既调动了大家节约能源的积极性，又为超标部门敲响了警钟。
3、 加强统计基础工作，确保统计信息质量
根据公司目前运营方式的需要，再沿用原有的统计报表制度来解决问题已经不能适应新体制的要求，首先要根据公司实际，逐步完善及补充各项统计管理规章制度，确保统计数据的规范运作。其次科学设置和完善公司统计信息指标体系，改进指标的设置、口径、范围、分组和计算方法，使统计信息内容涵盖企业产供销、人财物、投入与产出的基本情况及过去、现在和将来的方方面面，做到信息更完整、更及时、更准确真实，加工程度更深。
4、加强信息综合分析能力，为企业经营和决策提供依据
公司发展需要科学的决策，而统计信息分析是制定公司发展战略和经营决策的重要依据。统计工作人员要始终明确一个观点――统计数字背后的“情况”、“分析”、“监测”才是统计工作真正发挥作用的根本。统计人员不仅要为公司发展提供正确的统计信息，而且要搞好统计资料的分析，提供具有前瞻性和内涵性的分析报告,以增强对行业发展预测和公司经营决策的预见性、科学性、有效性，指导性。
5、加强部门协作，发挥各自优势，实现信息共享
任何企业统计信息工作都决不仅限于计划统计部门内部，统计工作是一项综合性非常强，需要多方配合才能完成的工作。公司现有统计体制大多为垂直管理，分级分专业负责制，各专业部门都是独立的平等关系，只有加强部门之间的相互协作与支持，才能确保信息沟通渠道的畅通，才能确保统计信息的完整性,才能使各专业部门互相支持，发挥各自的优势，实现信息共享。
6、加快统计信息网络建设，强化企业统计信息决策功能
为适应公司未来发展的需要，面对信息量越来越大、处理精度越来越高、时效性越来越强、统计方法越来越复杂的要求，我们必须改进工作方法，尽快编制统计信息系统，利用内部网络收集、汇总各专业数据，使原始数据的采集、储存、深加工到传输等一系列过程实现程序化、规范化，保证企业信息具有准确性和时效性，使统计信息在部门之间、公司与基层单位之间的快速传输、资源共享成为可能。
能源管理静态因素范文第5篇
关键词：通信基站；能耗模型；最小二乘支持向量机；粒子群；滚动时间窗
中图分类号：TP18；TN929.5 文献标志码：A
Modelling of Base Station Energy Consumption System
Based on Sliding Window PSO-LSSVM
ZHANG Yingjie1，2，XU Wei1，2，TANG Longbo1，2， ZHANG Ying1，2，
LIU Wenbo1，2，HU Zuolei1，2，FAN Chaodong3
（1. College of Information Science and Engineering，Hunan University， Changsha 410082， China；
2.Institute for Communications Energy Conservation， Hunan University， Changsha 410082， China；
3.The College of Information Engineering， Xiangtan University， Xiangtan 411105， China）
Abstract：Base station is a major node for communication network's energy consumption. The accurate calculation of the energy-saving amount for the base station under EPC model is a technology bottleneck in this field. This paper proposed a modeling method of energy consumption of the base station based on particle swarm optimization （PSO） and least squares support vector machine （LSSVM） of sliding window， oriented at three kinds of typical scenarios base station. In this approach， a sliding window was established by selecting configuration parameters of base station and real-time data for pretreatment， and then the dynamic energy consumption model was obtained for the base station， which varied in accordance with that of the sliding window by means of the parameters for PSO training model and LSSVM regression training model. Compared with the simulation and test results from the sample base station， the proposed energy consumption model shows high prediction accuracy and generalization ability， and is applicable for the evaluation of energy-saving engineering of the base station.
Key words：base station；energy consumption model；LSSVM（Least Squares Support Vector Machine）；PSO（Particle Swarm Optimization）；sliding window
S着通信业务快速发展，通信业能源消耗也呈快速增长趋势，而通信基站是通信行业能耗的重点，因此，持续有效地整体推进通信基站节能降耗已经成为通信行业节能减排的关键.从目前的形势来看，通信基站的合理设计及节能措施的选择还未形成一个完整体系[1]，通信节能发展的瓶颈是过于概念化和粗放型的能源规划，不断增加节能设备，缺少综合信息集成应用、运行监管及评估体系.所以，研究并建立能够精确计算基站能耗的数学模型，对通信企业节能减排和基站用电的精细化管理具有积极的意义.通信基站能耗系统主要由电源系统（包括通信电源、蓄电池组），基站主设备（包括BTS、天馈系统、BSC），环境设备（包括基站空调、新风系统、热交换系统）以及辅助系统（包括照明设备、监控系统）等部分构成.基站总能耗主要集中在通信设备用电和机房环境用电，通过实际调研及实测数据计算可知，通信基站能耗主要由主设备能耗和空调系统能耗构成.主设备能耗主要包括无线设备能耗、电源损耗与传输设备能耗等，其中无线设备能耗为主要能耗点[2]，而空调系统耗能与设备发热量以及整个基站的热传导情况直接相关；同时，空调系统能耗还受到气象条件、建筑环境及内部运行设备等多方面因素的影响.由于通信基站能耗的相关特征数据（包括基站建筑材料及结构属性、基站所处位置及外部环境特征、基站设备参数、气象参数等）复杂多变，同时要考虑环境条件的约束，所以通信基站能耗建模具有一定的复杂性[3].
在通信行业，能耗建模相关研究主要集中在基站主设备能耗计量、空调能耗计量及空调节能量计算、基站能耗分类建模等方面.周小兵[4]以广东中山地区90 mm厚彩钢板结构通信基站为研究对象，利用基站总耗电量、空调及新风系统耗电量、室内外气温的实测数据计算空调基准耗电量的方法，方便准确地得到了空调基准耗电量，对核定通信基站节电量具有一定的参考价值.杨苹等人[5]根据基站内外部特征，分析了外部环境因素和内部设备构成对基站能耗的影响，建立了基于建筑能耗分析软件DeST的基站能耗模型；通过DeST进行通信基站能耗分析具有一定的局限性，且模型准确率低，不能作为理想的能耗预测模型.杨天剑等人[6]通过多元线性回归确立影响基站耗电量的主要因素，然后通过聚类算法将大量基站能耗数据分类，最后通过能耗标杆得到了通信基站的耗能预测模型；该方法通过多元线性回归和聚类分析得到基站能耗标杆，在设备环境参数和能耗关系上具有一定研究意义，但对基站整体能耗预测尚有不足.李阳[7]以基站的热平衡模型为基础，应用Simulink仿真软件对基站能耗进行动态仿真建模，同时，对基站当前使用的主要节能技术进行建模，构建出一个较完整的基站能耗动态仿真模型；该研究模型主要应用于仿真模拟，实际应用到通信基站能耗计量方面仍有缺陷.虽然众多研究机构及学者在通信基站能耗建模方面做了大量的工作，但建立起来的概念型与统计型的能耗模型也只能在基站能耗预测预警与节能措施选择时起到一定的辅助决策作用，仍然缺乏一个能够实时精确计算基站能耗的模型.
基于此，本文综合考虑了通信基站总耗电量、主设备耗电量、空调耗电量、电源系统耗电量、外部气象参数、室内外温度、基站环境特征、建筑材料及结构等数据，通过对不同类型典型场景基站进行动静态数据采集，分析基站能耗与时间、空间、环境参数等数据间的多维关系，找出基站能耗的主要影响因素，并采用基于滚动时间窗的PSO-LSSVM算法建立准确计量基站能耗的多输入复杂系统能耗模型.
1 基于滚动时间窗的最小二乘支持向量机
1.1 支持向量机理论
支持向量机（Support Vector Machine，SVM）是Vapnik于20世纪90年代初依据统计学理论提出的一种基于数据的机器学习算法.支持向量机的基本原理是通过非线性映射把输入向量映射到一个高位特征空间，在该空间用线性学习机方法以解决原空间的非线性分类和回归等问题.SVM最初是用来解决模式识别中的分类问题，后来Vapnik通过定义ε不敏感损失函数提出了支持向量机回归算法（SVMR），用于解决非线性回归问题[8].
支持向量机能够将算法转化为线性规划或二次规划问题，从而解决局部极小问题，实现全局最优；用核函数代替高维特征空间的内积运算，使得高维空间问题得到很好的解决.同时，它可以通过容量调节惩罚参数来平衡拟合能力和泛化能力间的权重关系，具有结构简单、稀疏性好等优点[9].支持向量机能够较好地实现结构风险最小化准则，也能很好地处理非线性、高维数、局部极小以及过学习等实际问题.在建筑、水利、气象、医学等领域支持向量机已经成功应用到分类、预测及预警中.
1.2 LSSVM算法介绍
支持向量机在计算时每增加一个样本数据就需要求解一个二次规划问题，不仅增加了运算量而且实时性较差.为了解决这种问题，Suykens等人[10]提出了最小支持向量机（Least Squares Support Vector Machines，LSSVM）理论.
给定训练样本集D={xi，yi}Ni=1，其中N为训练样本量，xi∈Rm为m维输入，yi∈R为一维目标输出.将样本空间中的非线性函数估计问题转化为高维特征空g中的线性函数估计问题[11-12].
f（x）=wTφ（x）+b （1）
式中：w=[w1，…，wn]T为权值系数向量；φ（・）=[φ1（・），…，φn（・）]T为映射函数.这一回归问题可以表示为一个等式约束优化问题，其优化目标为：
minw，b，eJ（w，e）=12wTw+λ2∑ni=1e2i（2）
s.t. yi=wTφ（xi）+b+ei，i=1，…，n（3）
然后，用拉格朗日法求解上述优化问题：
L（w，b，e，a）=J（w，e）-∑Niai（wTφ（xi）+
b+ei-yi）（4）
式中：ai（i=1，…，n）为拉格朗日乘子.
根据优化条件对式（4）求偏导可得：
Lw=0w=∑Ni=1aiφ（xi）
Lb=0∑Ni=1ai=0
Lei=0ai=γei
Lw=0wTφ（xi）+b+ei-yi=0（5）
再根据Mercer条件，定义核函数：
k（xi，yi）=φT（xi）φ（yi）.（6）
由方程式（5）和（6）消去ei，w后，得到
0 1 … 1
1 k（x1，x1）+1/γ … k（x1，xn）
1 k（xn，x1） … k（xn，xn）+1/γ×
ba1 an=0y1 yn（7）
最后得到最小二乘支持向量机非线性模型：
f（x）=∑Ni=1aik（x，xi）+b（8）
1.3 滚动时间窗原理描述
应用一个固定范围并随时间滚动的数据区间来进行能耗建模能够很好地解决模型时效性问题，由于这个固定范围的数据区间随时间不断滚动，所以称其为滚动时间窗.滚动时间窗方法是以样本选择方式来处理数据实时更新对能耗模型影响的基本方法，它通过一个不断向前移动并把最近时间段的新样本包括在内的“时间窗口”来不断进化基站能耗预测模型[13].该方法中，新样本数据实时地更替旧样本数据，滚动的当前时间窗内样本数据的变化需要重新构建更优的预测模型.
假设有一组n维时变向量数据，某时段拟合样本数据从时间点t逐渐滚动到（t+p），而构建预测模型时可获得建模样本的最早时间点为（t-q）.此时，对于t′∈[t，t+p]的任意时间段，都有（t′-q）到t′之间的样本数据能够进行建模，将（t′-q）到t′之间的样本数据记为当前时间窗数据，随着t′的增长，时间窗数据也随之变化更新.图1为时间窗的滚动示意图，可以看出建模时间窗不断向后移动，即新数据不断加入，并对下一时刻进行拟合建模，这是一个滚动优化的过程[14].
2 PSO优化的LSSVM算法
支持向量机在精度和效率上的优越性跟其参数的取值密切相关，但是其参数数量很多而且参数的选择范围很大，这样就使得最优参数的选取变得困难.同时，由于最小二乘支持向量机模型是非线性的，采用解析的方法得到其模型参数几乎不可能，使用数值计算也很难得到真正的最优参数，所以，必须选择一个合适的模型参数优化方法.
2.1 基于PSO算法优化模型参数
LSSVM模型中径向基核函数的选用需要确定两个参数：核参数σ和惩罚因子γ.γ越小，模型泛化能力越强，平滑性越好，但是拟合能力会降低；而σ越大，所得训练模型就会越平滑，泛化能力也越强；同时，粒子也是由这两个参数所决定，所以他们的优化必不可少.通常我们采用参数空间穷尽搜索法对LSSVM参数进行优化，但其缺点是较难确定合理的参数范围.而本文采用PSO优化LSSVM参数能够很好地解决这种问题，且能够快速准确地选取到最优参数.
粒子群算法PSO（Particle swarm optimization，PSO）是1995年由Kennedy和Eberhart[15]提出的一种启发式搜索算法.最初，PSO算法从鸟群觅食行为中得到启发，然后图形化模拟鸟群的不可预测运动，并以此作为算法的基础.然后引入近邻的速度匹配、惯性权重w，并考虑多维搜索和距离的加速，形成了最初的PSO算法[16].
与其他进化算法类似，粒子群算法采用“种群”的方式不断“进化”自己的搜索模式.在PSO算法中，可以将优化问题的每个潜在解看成是多维空间中的一个“点”，将各异的“点”称做“粒子”，多个“粒子”就组成一个群体.当PSO初始化生成一群随机粒子（即随机解）后，粒子即开始不断迭代来找到最优解，在这个过程中，每个粒子都有自己运动的方向及速率，即粒子都有一个矢量速度，不同粒子间会通过协作竞争来逐渐搜索出复杂空间中的最优解[17].
粒子迭代第t次时，其位置信息可用式（9）表示，运动速度用式（10）表示.
Xi（t）=（Xi1（t），Xi2（t），…，Xid（t））（9）
Vi（t）=（Vi1（t），Vi2（t），…，Vid（t））（10）
在每一次迭代过程中，粒子会通过跟踪两个“极值”来不断更新优化自己的速度及位置.其中，跟踪的第一个“极值”即为当前粒子在多维空间中经历的最优值，称为个体极值pBest，用公式表示为：
Pi（t）=（Pi1（t），Pi2（t），…，Pid（t））（11）
而另一个“极值”则是整个种群所有粒子经历的最优值，称为全局极值gBest，用公式表示为：
Pg（t）=（Pg1（t），Pg2（t），…，Pgd（t））（12）
另外，如果将种群一部分作为粒子的邻居而不是全部，那么在该粒子的所有邻居中搜索到的极值则称为局部极值l Best，表示为：
Pl（t）=（Pl1（t），Pl2（t），…，Pld（t）） （13）
粒子迭代更新自身速度和位置公式如下：
Vik（t+1）=ωVik（t）+c1r1（Pik（t）-Xik（t））+
c2r2（Pgk（t）-Xik（t））（14）
Xik（t+1）=Xik（t）+Vik（t+1）（15）
式中：t榈鼻笆笨塘W拥牡代次数；ω为粒子的惯性权重系数；c1，c2为学习因子，表示粒子向pBest和gBest运动的加速度权重；r1，r2是介于（0，1）的随机数；k=1，2，…，d.
本文选取模型预测结果的均方误差MSE作为PSO适应度函数，然后通过求解LSSVM模型的最小均方误差来得到最优参数γ，σ2.优化的具体步骤如下：
1）初始化粒子群各参数（学习因子c1=1.5，c2=1.7，最大进化代数maxgen=1 000，种群规模sizepop=30）；
2）通过适应度函数计算出各个粒子的适应度值；
3）比较粒子当前适应度值与自身个体最优值pBest，若前者更优，则把粒子当前位置作为目前的个体最优值gBest；
4）对粒子当前适应度值与全局最优值gBest进行比较，若前者更优，则把当前粒子位置作为目前的全局最优值gBest；
5）根据式（14）和式（15）对粒子速度及位置进行更新；
6）判断是否满足结束条件（到达最大循环次数或者误差满足要求），若满足条件则退出循环，否则，回到步骤2）继续循环.
2.2 基于PSO优化的滚动时间窗LSSVM改进算法
基于滚动时间窗的LSSVM回归估计方法的动态建模过程如下：
1）设置各参数初始值；
2）对采集的系统数据进行预处理；
3） 应用PSO优化算法寻优模型参数γ和σ2；
4）选取当前时刻t到（t-q）时刻的样本作为当
前区间时间窗数据；
5）采用基于LSSVM回归估计算法训练模型；
6）利用建立好的模型进行预测；
7）有新数据集进入时，数据窗进行滚动，形成新的时间窗数据；
8）选取新的时间窗数据重新建模并进行预测；
9）返回步骤7）.
图2为基于PSO优化的滚动时间窗LSSVM改进算法的基站动态能耗建模流程图.
随着样本数据的更新，上述建模过程循环进行，模型也不断随之更新，这样就能够实时地跟踪基站系统的能耗变化.建模过程中，选取了径向基RBF （Radial Basis Function，RBF）核函数，其中核参数γ和σ2的化必不可少.γ越小，模型泛化能力越大，平滑性越好，但是拟合能力会降低；同时，σ2越大，所得训练模型就会越平滑，泛化能力也越强.
3 基站能耗预测模型试验仿真
试验样本主要选取2013年1月至2016年1月湖南张家界、邵阳地区某运营商的典型场景基站数据，基本数据类型包括基站每月总耗电量（kW・h）、基站围体面积（m2）、室内外温度（℃）和载频数（个数）.基站总耗电量以月・度为单位可以有效过滤由单日能耗异常产生预测偏差的影响，故本文以月・度基站总耗电量为输出，其他变量为输入.同时，以3个月新出现的动态数据作为时间窗数据的更新数据，并随时间不断推移，以更新的时间窗数据作为能耗动态模型的输入数据.
本文采用均方根误差RMSE、相关系数R和决定系数R2 3种评价标准.均方根误差能够很好地反映出预测值的精确度，而相关系数绝对值可以用来反映预测值和实测值关系的方向和密切程度，相关系数绝对值越大，说明预测值和实测值线性关系越好；决定系数为相关系数的平方，能很好的反映模型的拟合程度，其值越接近1，模型的拟合程度越好[18].设Xi为模型预测值，为预测平均值，Yi为对应实测值，为实测值的平均值，其中i=1，2，…，N，定义：
RMSE=1Nσ2∑Ni=1（Xi-Yi）2（16）
R=∑Ni=1（Xi-）（Yi-）∑Ni=1（Xi-）2・∑Ni=1（Yi-）2 （17）
试验所用计算机CPU为AMD Athlon（tm）Ⅱ X2255 Processor 3.10 GHz，内存为4 GB，工具为MATLAB R2011a.将采集的样本数据进行修正和归一化处理后，取前240组数据进行训练模型，后120组数据进行测试.测试结果如图3-图5所示.
对比图3，图4和图5，观察表1可以看出，基于标准LSSVM建立的能耗模型拟合效果较差，而基于PSO-LSSVM和基于滚动时间窗PSO-LSSVM得到的通信基站能耗模型均能够较准确地拟合出能耗的变化，且后两种模型拟合相关系数高，各参数均表现出较好的泛化能力.采用滚动时间窗，可反应系统当前能耗状况的数据快速更新，模型也随之不断更新，从而使得建立的能耗模型更加精确.
基于测试样本的模型预测效果及误差图分别如图6和图7所示，拟合效果相关参数如表2所示.
从图7可以看出，基站能耗预测误差基本稳定，九成以上的预测值准确度都在90%以内，误差没有随数据变化而较大幅度的增大，而呈现逐步缩小稳定的趋势.从图6，图7和表2可以看出，基站能耗模型能够较好地跟踪实测能耗值的变化趋势，且基站能耗预测精度较高.
目前，通信基站在未采取节能措施的情况下，基于现有文献对通信基站能耗模型的研究，文献[19]采用二元一次线性回归建立了基站能耗模型，其空调耗电模型及设备耗电模型单站试算平均误差分别为18.87%～30.2%及12.32%～19.4%.而文献[7]基于建筑行业的Dest软件模拟建模的预测精度为82%～87%.文献[7]基于Simulink仿真技术建立的动态基站能耗模型仿真精度为86.64%～98.4%.可以看出，在各个不同的典型场景下，基站能耗预测值都普遍不高，虽然文献[7]建立的模型精度偏差不大，但是其超过1/3的能耗预测结果准确度低于90%，其整体预测精度仍然较低.相比来说，本文的研究预测模型整体预测精度更高，使用前景更大.
4 结 论
本文首先综合分析了通信基站总耗电量、主设备耗电量、空调耗电量、电源系统耗电量、外部气象参数变化、室内外气温等数据结构参数，同时，对不同类型典型场景基站的动静态数据进行了采集分析，得到基站能耗与时间、空间、环境参数等数据间的多维关系，计算出影响基站能耗的主要因素，然后，采用基于滚动时间窗的PSO-LSSVM方法建立准确计算基站能耗的多输入复杂系统能耗模型.将该模型与其他相关研究模型的预测精度进行对比，结果表明，本文方法具有更高预测准确度，且整体预测精度在90%以上.综上，本文研究模型具有预测精度较高，稳定性较好等优点，能够更准确地预测通信基站能耗以及更准确地计算节能量，具有良好的应用前景.
参考文献
[1] 张英杰，章兢，刘文强，等.通信行业能耗现状分析与节能战略思考[J]. 电信科学， 2011， 27（10）：103-109.
ZHANG Yingjie，ZHANG Jin，LIU Wenqiang，et al.Overview of current state of energy consumption and energy-saving strategies exploration in communication industry[J].Telecommunications Science， 2011， 27（10）：103-109.（In Chinese）
[2] LEI F， HU P. A baseline model for office building energy consumption in hot summer and cold winter region[C]//Management and Service Science，MASS '09，International Conference on. IEEE， 2009：1-4.
[3] 戎小寅. 严寒/寒冷地区通信基站动态能耗模拟及围护结构节能优化[D].哈尔滨：哈尔滨工业大学市政环境工程学院，2011：1-19.
RONG Xiaoyin.Dynamic energy simulation and energy efficiency optimization of building envelope for mobile telecommunication base stations in severe cold/cold regions[D].Harbin： School of Municipal and Environmental Engineering，Harbin Institute of Technology， 2011：1-19.（In Chinese）
[4] 周小兵.通信基站节能设计与空调基准耗电量的计算研究[D].长沙：中南大学能源科学与工程学院，2012：1-36.
ZHOU Xiaobin.Study on base station’s energy-saving design and air-conditioning baseline power consumption calculation[D].Changsha：School of Energy Science and Engineering，Central South University，2012： 1-36.（In Chinese）
[5] 杨苹，刘胜荣.南方地区移动通信基站的能耗分析与节能评估[J].西华大学学报：自然科学版，2010，29（1）：70-73.
YANG Ping，LIU Shengrong.The energy-consuming analysis and energy-saving evaluation of communication base station in South Region of China[J].Journal of Xihua University：Natural Science，2010，29（1）：70-73.（In Chinese）
[6] 杨天剑，张静.基于聚类算法的通信基站能耗标杆建立与分析[J].移动通信，2015（18）：92-96.
YANG Tianjian，ZHANG Jing.Establishment and analysis of energy consumption benchmark for telecommunication base station based on clustering algorithm[J].Mobile Communications，2015（18）：92-96.（In Chinese）
[7] 李阳.基于Simulink仿真技术的基站能耗建模及应用研究[D].北京：北京邮电大学经济管理学院， 2014：1-43.
LI Yang.Study on base station energy consumption modeling and application based on Simulink simulation technology[D]. Beijing：School of Economics and Management in Beijing University of Posts and Telecommunications，2014：1-43.（In Chinese）
[8] VAPNIK V.The nature of statistical learning theory[M].New York： Springer-Verlag，1995：17-21.
[9] 周欣然， 滕召. 一种在线稀疏LSSVM及其在系统建模中的应用[J]. 湖南大学学报：自然科学版， 2010， 37（4）：37-41.
ZHOU Xinran，TENG Zhaosheng.An online sparse LSSVM and its application in system modeling[J].Journal of Hunan Uniersity：Natural Sciences，2010，37（4）：37-41.（In Chinese）
[10]SUYKENS J A K，VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters，1999，9（3）：293-300.
[11]AHMADI M A，ROZYN J，LEE M，et al.Estimation of the silica solubility in the superheated steam using LSSVM modeling approach[J]. Environmental Progress & Sustainable Energy，2016，35（2）：596-602.
[12]SAFARI H，SHOKROLLAHI A，JAMIALAHMADI M，et al. Prediction of the aqueous solubility of BaSO4 using pitzer ion interaction model and LSSVM algorithm[J]. Fluid Phase Equilibria，2014，374（9）：48-62.
[13]阎威武，常俊林，邵惠鹤.基于滚动时间窗的最小二乘支持向量机回归估计方法及仿真[J].上海交通大学学报， 2004， 38（4）：524-526.
YAN Weiwu，CHANG Junlin，SHAO Huihe.Least square SVM regression method based on sliding time window and its simulation[J].Journal of Shanghai Jiaotong University，2004，38（4）： 524-526.（In Chinese）
[14]孙洁，李辉，韩建光.基于滚动时间窗口支持向量机的财务困境预测动态建模[J].管理工程学报，2010， 24（4）：174-180.
SUN Jie，LI Hui，HAN Jianguang.Dynamic financial distress prediction modeling based on rolling time window support vector machine[J]. Journal of Industrial Engineering and Engineering Management， 2010，24（4）：174-180.（In Chinese）
[15]KENNEDY J， EBERHART R C. Particle swarm optimization[C]//IEEE International Conference on Neural Networks， 1995， 4（8）：1942-1948.
[16]陈志坚， 黄伟杰. 基于多因素混合模型的运营期群桩轴力预测[J]. 湖南大学学报：自然科学版，2016，43（3）：155-160.
CHEN Zhijian，HUANG Weijie.Prediction of axial force in pile group during the operation period based on the mixed model of multiple factors[J].Journal of Hunan University：Natural Sciences， 2016，43（3）：155-160.（In Chinese）
[17]陈昌富，肖重阳，唐仁华.基于PSO搜索潜在滑裂面非极限状态土压力计算[J]. 湖南大学学报：自然科学版， 2013，40（2）：9-14.
CHEN Changfu，XIAO Chongyang，TANG putation of earth pressure under non-limit state based on PSO search of potential slip surface[J].Journal of Hunan University：Natural Sciences， 2013，40（2）：9-14.（In Chinese）
[18]王少军，刘琦，彭喜元，等.移动通信话务量多步预测的LSSVM方法研究[J].仪器仪表学报，2011，32（6）：1258-1264.
WANG Shaojun，LIU Qi，PENG Xiyuan，et al.Study on LSSVM method for multi-step forecasting of mobile communication traffic[J].Chinese Journal of Scientific Instrument，2011，32（6）：1258-1264.（In Chinese）
