基于时间序列的神经网络水质参数预测方法的应用

为准确预测水质变化规律,利用一种基于时间序列的神经网络水质参数模型预测方法,将时间序列预测方法与神经网络非线性建模方法相结合,通过时间序列的历史数据揭示特定水环境中水质参数随时间变化的规律,再利用神经网络的强非线性和自适应学习能力来预测未来的水质参数变化趋势,并用南津关水质自动监测站的监测数据验证了该方法的有效性。     

混沌实码遗传算法在水质模型参数优选中的应用

为提高遗传算法在水质模型参数优选中的计算精度和全局优化能力,利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在实码遗传算法初始群体中引进50%的混沌变量和50%的均匀随机变量,采用混沌变异,用进化得到的优秀个体群来逐步缩小搜索空间,提出了求解水质模型参数优选的一种新方法———混沌实码遗传算法(CRGA)。应用该方法对1~10个变量的非线性、多峰值测试函数进行了仿真。在收敛速度和全局优化方面,CRGA好于现有的标准二进制编码遗传算法和改进的遗传算法。将CRGA用于求解有关河流横向扩散系数的实际水质模型的参数优选问题,与实编码遗传算法、标准二进制编码遗传算法、传统直线图解法相比,CRGA精度高、收敛速度快。     

基于灰色聚类分析的矿坑水质评价——以清河门地区矿坑水水质评价为例

运用灰色聚类分析理论，结合舒卡列夫分类法，建立基本数学模型，并考虑影响矿坑水质的各种因素，优选其中具有代表性的参数，对清河门地区矿坑水水质进行灰色聚类分析评价。分析认为：灰色聚类分析法能够准确地计算出清河门地区的矿坑水水质情况，对开发利用矿坑水资源，缓解水资源短缺具有重要的意义，实践表明这种算法具有很好的使用价值。     

MIKE11模型在河道生态修复方案优选中的应用

以横泾街道南片河网为例,基于MIKE11模型建立了水生态数学模型,首先利用水质实测资料进行了参数率定及模型检验,并研究了不同的生态修复措施组合方案下河网水质的改善效果,再结合横泾南片河网现状,选定生态湿地与木桩+自然护岸的联合方案作为优选方案。结果表明,该水生态数学模型能够为农村河道生态修复措施组合方案的优选提供定量化基础。     

IEA-PNN模型在水质预测中的应用

采用免疫进化算法(IEA)对概率神经网络(PNN)模型参数进行优化,并应用于水质预测中.以黄河小浪底至花园口段为例,使用该模型预测水体中的COD和NH3-N浓度.预测结果表明,IEA-PNN模型应用于水质预测切实可行,能同时实现分类预测和定量预测,且预测精度较高.     

大伙房水库水质预测模型研究

水质为水库运行管理的重要因素,水质变量包括溶解氧、总磷、叶绿素a及透明度等,是水库富营养化判定的重要指标。在线性回归法分析的基础上,优化环境因子参数,分别采用多元线性回归模型、径向基函数模型与自适应模糊神经网络推理模型对辽宁省大伙房水库的水质进行预测,并通过平均绝对误差、均方根误差及相关系数判定水质模型的预测效果。结果表明,自适应模糊神经网络推理模型预测效果明显优于多元线性回归模型和径向基神经网络模型,因此自适应模糊神经网络推理模型更适合于大伙房水库的水质预测。     

神经网络技术在油田防砂中的应用及发展方向分析

神经网络技术是基于神经科学研究成果而发展起来的边缘学科,对人工神经网络的应用研究已渗透到许多领域,在石油工业中也经常见到有关的报道。以神经网络在防砂方法优选中的应用为例,介绍了神经网络知识获取、训练学习、优选过程等原理及其实际应用效果。最后,探讨了神经网络技术在岩石力学参数计算、出砂预测、防砂施工参数优选等方面应用的可行性及发展前景,提出了该技术在防砂中的发展方向。     

三峡库湾二维随机水质预测模型的研究

在分析香溪河流域污染特点的基础上,建立了一个二维随机水质数学模型,该水质模型将一维水质随机降解模型和二维迁移扩散模型相结合,同时考虑了各水质参数K1,K2,K3和河道横向扩散系数Dy的随机性影响。该模型适用于各种复杂水力条件的排污范围的水体,对于平面二维的任何一个计算点,它都能给出该点水质浓度随机变化的概率分布,用该模型对三峡建库后的香溪河库湾水质进行了预测,其成果可为三峡库区水环境保护及规划治理提供设计数据。     

基于单纯形法的新安江次洪模型的参数优化研究

以东湾流域的洪水预报为例,将改进的单纯形法用于新安江次洪模型6个参数优化识别,基于参数分层原理与参数敏感性分析对优选结果的影响,提出了一套简化的次洪模型参数单纯形法优选方案.结果表明,该优选方案可行、准确率高,可为类似模型单纯形法参数率定提供参考.     

MIKE11模型在浑河流域水质预测中的应用

针对辽宁省浑河流域沈阳段水环境污染严重的现状,应用MIKE11模型构建了流域水动力和水质耦合模型,利用水质实测资料进行了参数率定及模型检验,分析了参数取值的合理性;并研究了不同情景下该流域水质变化趋势及水质改善的效果。结果表明,模型在率定期和验证期模拟效果均良好,可供水质研究参考并为未来沈阳市污染物排放控制提供理论依据。采用自然增长、社会调控与社会-环境-经济协调发展三种情景进行水质预测,分析了不同发展方式的合理性,结果表明第三种方式最有利于经济环境健康发展。     

基于单纯形粒子群—支持向量机模型的土坝测压管水位预测方法及应用

针对土坝渗流安全监测模型中测压管水位与其影响因子之间非线性关系复杂、模型因子选择难度较大的问题,采用支持向量机模拟测压管水位与其影响因子之间的非线性映射关系,并采用单纯形粒子群算法对支持向量机中的核参数、惩罚系数及不敏感损失因子进行优化,建立了土坝测压管水位预测的单纯形粒子群—支持向量机模型（SMPSO-SVM）,通过与多元线性回归模型、逐步回归模型、遗传回归模型及最小二乘支持向量机模型进行对比,表明SMPSO-SVM预测模型预测精度高、稳定性好。     

基于改进的最小二乘支持向量机的闸首渗流监控模型研究

鉴于大坝渗流监测受众多因素影响,首先利用主成分分析法对相关性较大的因子进行处理,然后利用最小二乘支持向量机进行建模,最后依靠遗传算法对其参数进行选优,建立了基于改进的最小二乘支持向量机的闸首渗流监控模型,并通过实例应用做了对比分析。结果表明,改进的最小二乘支持向量机模型可有效降低输入因子的维数,减小因子之间相关性,降低模型的训练时间,拟合精度均优于其他模型,更适合于渗流监测数据的建模。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

最小二乘支持向量机在大坝渗流监测中的应用

支持向量机的训练速度慢．制约了它的发展和推广应用。Suykens提出了一种新的支持向量机方法——最小二乘支持向量机。最小二乘支持向量机是支持向量机的发展和改进,它采用等式约束替代不等式约束,求解速度大大加快。将其用于大坝的渗流监测中．并与传统的支持向量机进行了比较,结果显示二者的预测效果都比较好．但是最小二乘支持向量机的训练效率比支持向量机要高。     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于经验模态分解与多步预测的最小二乘支持向量机的风速预测

由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。     

燃煤锅炉高效、低NOx运行策略的研究

借助现场燃烧调整试验数据,采用最小二乘支持向量机方法建立了NOx排放和燃烧效率的预测模型,并与遗传算法相结合,分别对降低NOx排放和提高锅炉效率的各参数进行了优化,找到了在燃用不同煤种下较低NOx排放和较高燃烧效率的运行参数组合.研究结果证明:运用此方法可以寻找出锅炉在燃用不同煤种时最佳的高效、低污染运行方案.     

选择预报因子的新方法及其对预测的影响分析

针对选择适合预报因子预测负荷时采用相关系数法仅能确定两个随机变量之间线性关系的问题,采用相关概率法选择预报因子构建预测模型,分别考虑了单因素与双因素,并利用最小二乘支持向量机法预测电力负荷。结果表明,该方法精度较高,预测结果较好。     

基于GA-BP神经网络与LSSVM支持向量机的日用水量组合预测模型

影响城市日用水量的因素众多,供水部门由于缺乏有效的日用水量预测模型,造成了调度过程中严重的水电等资源浪费现象。针对日用水量变化的趋势性和周期性特点,提出了基于GA-BP神经网络与LSSVM支持向量机的组合预测模型,即选择不同影响因素分别输入到两个子模型,可达到最优效果。在对两个子模型的训练过程中,同时获得预测结果的置信概率,利用置信概率结合两子模型的预测结果,建立组合预测模型,并与传统组合模型进行了对比分析。在上海市某区域自来水公司的应用表明,与单项预测模型、传统线性和非线性组合模型相比,该组合模型具有更高的精度和泛化能力。