基于神经网络的EAST密度极限破裂预测

为了对全超导托卡马克核聚变实验装置(EAST)密度极限破裂进行预测, 根据密度极限破裂的基本特征从2014到2019年放电数据中筛选出972炮密度极限破裂炮, 选取了13种诊断信号为特征作为输入, 分别由多层感知机(MLP)和长短时记忆网络(LSTM)为模型、以破裂概率为模型输出建立破裂预测器对密度极限破裂进行预测实验. 结果表明: 对密度极限破裂炮, 在不同的预警时间下, LSTM的成功预测率(95%)均高于MLP的成功预测率(85%); 而对于非破裂炮, LSTM和MLP的错误预测率相近(8%). LSTM对密度极限破裂的预测性能较MLP有较大的提高. 说明利用神经网络进行EAST密度极限破裂预测以及提高破裂避免和缓解系统响应性能的可行性.     

EAST破裂炮的判定与波形显示

EAST运行放电期间等离子体破裂时有发生,破裂炮的判定及破裂参数的提取对破裂物理和未来ITER电流猝灭时间预测的研究具有重要意义.为了方便远程实验人员查看分析历史炮的破裂情况,需要根据等离子体电流进行破裂判定,采用MATLAB技术判定破裂并提取出主要参数存储到MySQL数据库中,同时结合Web技术搭建网站,并利用Dygraphs插件显示放电期间预设和实际参数.EAST破裂炮的判定与波形显示工作的实现,免去了实验人员手动记录的繁琐性,便于查询与对比分析,合理利用了放电时间.     

炮号显示模块在EAST超导TOKAMAK中的应用

EAST超导托克马克装置是一种利用磁场来约束等离子体的受控热核聚变物理实验装置;炮号显示模块是EAST装置总控系统的组成部分之一,用来为给子系统提供当前的炮号及放电长度等信息,是以AVR系列单片机atm ega128为核心,基于NUT/OS嵌入式实时操作系统完成了该显示模块的基本设计,给出了该模块的硬件和嵌入式软件的设计方案与实现方法;该模块已成功投入到2006年12月EAST超导托卡马克核聚变装置的放电试验中,实验结果表明,该模块运行稳定可靠,符合预定的设计目标。     

EAST PCS异常事件处理算法

随着EAST实验装置的不断升级和等离子体放电参数的不断提高,获得的等离子体电流也在不断提高.高能量等离子体一旦破裂,将直接作用在实验装置的第一壁上面,带来毁灭性的灾害.本文研究了针对放电过程中出现的异常事件的处理,并且通过代码实现了控制等离子体电流在异常状态下斜率下降的算法.通过主动反馈控制的方法对发生异常的等离子体进行控制,达到对于电流的斜率下降.这个方法的有效性已经采用带圆等离子体模型的simulation server验证过了.     

基于Java的EAST实验数据可视化系统

为了满足对全超导托卡马克实验(EAST)中等离子体状态变化进行查看和分析的要求,设计了基于Java开源架构、C/S结构的可视化方案.该方案通过同步显示等离子体放电视频图像,等离子体边界位形和等离子体电流,使EAST实验相关人员可随时查看和分析等离子体放电的内部视图和状态变化,为EAST实验人员分析和交流提供了便利.     

EAST工程数据可视化系统

EAST装置由多个子系统组成,只有当各个子系统运行参数满足条件时,才能进行等离子体放电实验。在放电实验过程中,远程实时监视装置运行状态,确保装置的正常安全运行尤为重要。本文根据EAST实验的需求,并依据EAST的网络结构,设计了B/S模式与C/S模式相结合的数据可视化系统。该系统可以使实验人员在放电时及时掌握各子系统的运行状态,能够对实验数据进行在线分析处理,及时做出判断和决策,以保证装置和实验的正常运行。     

基于MDSplus的EAST长脉冲数据采集系统设计与实现

随着EAST装置放电实验的进行,EAST放电时间将由现在的秒级提供到百秒千秒级,现有的低速、短脉冲数据采集系统已不能满足等离子体长时间放电的要求。本文设计并实现了基于MDSplus的EAST长脉冲数据采集系统,该系统提供中高速数据采集、实时数据存储和实时数据发布,在模拟放电测试环境中,取得了满意的预期效果,为下一轮EAST长脉冲放电实验提供了基础。     

EAST实验视频采集系统的设计与实现

在全超导非圆截面核聚变实验装置EAST中,为了实时监控等离子体状态,采用高速摄像头配合1394视频采集卡的视频采集系统,实现等离子放电视频的实时显示与采集,同时采集的视频文件用于网络发布.     

基于Web的EAST实时视频点播系统

基于Web的EAST（全超导托卡马克）实时视频点播系统是在原视频点播系统的基础上进行优化和改进实现的,具有实时点播EAST实验中的等离子体放电视频、搜索视频、下载视频以及逐帧分析视频等功能.该系统主要由视频合成应用程序和视频点播网站两个部分组成,视频合成程序采用socket TCP通讯的方式接收炮号信息,通过共享目录转移视频帧文件,最后利用ffmpeg将视频帧文件合成flv视频.视频点播采用B/S（浏览器/服务器）结构框架实现,通过JSP从数据库读取炮号信息实现点播功能,结合XML和JavaScript实现逐帧分析.目前本系统已经在EAST实验中投入使用,为EAST实验人员提供了极大的便利.     

基于LabVIEW的EAST破裂防护快速充气阀远程控制及数据采集系统

高压气体注入是目前托卡马克装置缓解破裂的主要手段,一种靠涡流驱动的适用于等离子体破裂防护的快速充气阀已经在中科院等离子体物理研究所研制成功,为了使快阀实现远程可控、可监视,并且实时记录充电电压及工作气压的变化情况;我们以研华工控机及NI-6299数据采集卡为硬件技术,lavVIEW8.6为编程环境的控制及采集系统;该系统充分利用labVIEW图形化编程语言直观特性进行控制及数据采集;该快阀远程监控及数据采集系统的建立,很好地满足了快阀系统的控制要求;这一系统的可靠性已经在台面实验中得到了验证,在试验中该系统可以实时显示快阀系统的主要状态,并可实现对电压、气压进行远程调节并记录试验数据;其性能将2012年春季EAST等离子体放电试验中继续进行检验。     

EAST等离子体控制仿真模拟可视化运行系统

等离子体控制仿真模拟功能库 (SPACE) 是一款基于开源软件Python开发的用于磁约束核聚变托卡马克装置等离子体控制仿真模拟的函数库. 其主要功能是在托卡马克装置模型、等离子体物理模型和控制系统模型基础上, 利用计算机数值仿真技术, 对托卡马克等离子体控制进行分析、设计、预测和仿真实验. 针对SPACE各功能模块可视化运行需求, 本文采用Python和PySide2开发了适用于EAST超导托卡马克的等离子体控制仿真模拟可视化运行系统. 该系统可使实验人员以图形交互的方式进行等离子体控制仿真模拟的相关操作, 显著提升等离子体控制仿真模拟的效率.     

EAST托卡马克实时数据系统

全超导托卡马克装置EAST的设计目标之一是实现1 000 s的可控等离子体放电,与此相对应,需要构建具有实时数据传输、存储和发布的高速分布式实时数据系统。该文从功能结构和实现方法2个方面,论述了EAST实时数据系统的硬件结构,对基于时间片机制的实时数据系统接口和实现方法进行分析。     

基于LSTM-LightGBM模型的车站环境温度预测

客运火车站环境温度易受其他环境特征变量如湿度、PM2.5、二氧化碳等影响,传统的单变量预测算法并未考虑其他环境特征变量的影响因素;为进一步准确预测车站环境温度值,提出了结合长短期记忆神经网络LSTM与梯度提升算法LightGBM的组合模型,对客运站环境温度值进行预测;首先将预处理数据输入LSTM模型,对环境特征变量湿度、二氧化碳、PM2.5、PM10进行单变量预测;再将环境特征变量的LSTM输出预测值输入LightGBM模型得出环境温度预测值;根据波形图与均方根误差RMSE对比分析,基于LSTM-LightGBM的组合模型预测方法可以保留LSTM模型对单变量预测的周期性特点,且可表现出环境特征变量输入LightGBM模型后对温度预测的非平稳变化;结果表明基于LSTM-LightGBM的组合模型方法比单纯使用LSTM方法更接近原始波形,具有更低的RMSE。     

基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率传统预测方法的局限性,提出一种基于LightGBM-TextCNN-XGBoost算法模型对超短期光伏功率预测的方法。首先,将原始数据进行预处理,并通过CEEMDAN对数据进行模态分解,将模态分解后的数据归一化后基于GWO-FCM聚类算法[10]对数据进行聚类为三种天气类型。其次,将数据划分,训练集对LightGBM和TextCNN算法分别进行训练,并基于Stacking思想建立基于LightGBM-TextCNN-XGBoost算法的模型进行预测,测试集用于评估模型预测效果。最后,结合R2等评价指标对预测模型进行综合评价。结果显示预测效果优良（R2=0.9766）。本文提出的模型能够精确地预测光伏发电的效率,帮助光伏电站降低损失,从而确保微电网的安全稳健运行。     

基于GRU和LightGBM特征选择的水位时间序列预测模型

水位时间序列受降雨量影响,在变化规律上呈现出季节性和复杂性。传统模型结构简单且很少考虑季节性因素的影响,对于汛期复杂的水位时间序列预测精度欠佳。提出一种基于GRU和LightGBM水位时间序列预测模型。利用GRU提取水位数据建立水位数据预测的基础模型,将预测结果分为非汛期与汛期两个阶段分别与LightGBM特征选择后的环境因素结合建立最终模型,解决了模型对于不同季节预测值简单叠加导致的精度丢失的情况。预测模型以射阳河流域站点为例,对水位时间序列进行预测。实验结果表明,该模型能更有效处理水文数据复杂的季节性变化,提高了预测的精确度。     

基于LightG BM 的高校就业预测模型

In view of the characteristics of high-dimensional, unbalanced and multi-category employment data, in order to further im- prove the accuracy of decision tree method in the employment prediction of college students, an employment prediction model based on LightGBM is proposed. First the improved ADASYN sampling algorithm is used to increase the minority class in the data sam- ple, and then the employment data after balance is used for training LightGBM algorithm, and Bayesian model is used for parameter optimization to get the final employment prediction. Finally the prediction model is analyzed to measure the influence of each fea- ture on employment. The validity of the proposed method is verified through the data set of unbalanced employment data of college graduates, and compared with various unbalanced classification methods. It is proved that the proposed model has better prediction performance.     

A physically based and machine learning hybrid approach for accurate rainfall-runoff modeling during extreme typhoon events

Accurate rainfall-runoff modeling during typhoon events is an essential task for natural disaster reduction. In this study, a novel hybrid model which integrates the outputs of physically based hydrologic modeling system into support vector machine is developed to predict hourly runoff discharges in Chishan Creek basin in southern Taiwan. Seven storms (with a total of 1200 data sets) are used for model calibration (training) and validation. Six statistical indices (mean absolute error, root mean square error, correlation coefficient, error of time to peak discharge, error of peak discharge, and coefficient of efficiency) are employed to assess prediction performance. Overall, superiority of the present approach especially for a longer (6-h) lead time prediction is revealed through a systematic comparison among three individual methods (i.e., the physically based hydrologic model, artificial neural network, and support vector machine) as well as their two hybrid combinations. Besides, our analysis and in-depth discussions further clarify the roles of physically based and data-driven components in the proposed framework.     

信用逾期预测中不同机器学习模型对比分析

当前金融机构正在努力应对不良资产的增长问题, 在信贷领域借贷逾期预测结果的准确性将直接决定不良资产的规模. 为了更好预测借贷人的还款能力, 通常会引入数据模型方法, 但对于数据样本较少的新业务, 单纯用这类数据容易导致模型结果过拟合. 本文通过实际案例分析, 对小样本业务数据进行相似业务数据补充, 并采用随机森林、LightGBM、XGBoost、DNN和TrAdaBoost 迁移学习方法, 旨在为小样本业务在模型建立过程中样本不足的问题提供一种有效的解决方法. 研究结果表明, 针对数据量少的产品, 结合相似金融业务数据后采用这五种机器学习模型方法的预测结果AUC (area under curve)均大于80, 其中使用迁移学习模型比LightGBM、XGBoost、DNN和随机森林模型在预测集上的AUC至少高出2个点; 此外迁移学习模型的预测结果的精准率(88%)和召回率(73%)也是最高的.