基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差（MV）法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明：组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。     

基于峰值识别理论的大坝安全监控模型

针对常规基于误差平方和最小的监控模型未考虑大坝测值样本容量间的差别,使峰(谷)值拟合和预测精度比一般测值偏低,采用峰值识别理论根据采样频次中峰谷值比例和幅度分别对常规的逐步回归模型和BP模型进行改造,以辽宁白石碾压混凝土重力坝、甘肃碧口心墙土坝和浙江里石门双曲拱坝为例,计算结果表明改进后的监控模型可有效提高峰值的拟合和预测精度.     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

改进的GM(1,N)灰色模型在邯郸市地下水矿化度预测中的应用

针对传统GM(1,N)模型求解时假定相关因素为线性相关与实际不符的问题,提出改进的GM(1,N)非线性优化方法,并将其应用于邯郸市2010～2015年地下水矿化度的拟合预测中,对比改进的GM(1,N)模型、传统GM(1,N)模型、多元线性回归分析、BP神经网络模型的拟合预测结果,验证改进的GM(1,N)模型的有效性。结果表明改进的非线性GM(1,N)模型拟合精度最好,其预测精度略低于BP神经网络模型。     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。     

基于动力学突变辨识的高边坡位移监控模型

针对位移突变对高边坡位移监控模型拟合和预测精度的影响,在对高边坡位移与影响因素相关分析的基础上,基于高边坡系统演化过程中的非线性动力学特性,采用相空间重构、云模型等数值分析手段,研究了高边坡位移突变辨识的实现方法,从而依据最近一次位移突变后的监测资料,建立了考虑动力学结构突变影响的位移监控模型。实例应用结果表明,该模型拟合和预测精度均较高。     

贝叶斯多变量动态线性模型在大坝监测中应用

针对常规静态监控模型不能完全描述大坝监测效应量之间的关联性,探讨采用多元贝叶斯动态模型描述这种复杂关系.通过应用实例表明.建立的动态模型拟合和预测精度高,能实时反映大坝的动态特性.     

一种新修正的风电机组尾流分析模型

基于尾流区线性膨胀、径向风速损失呈高斯分布的假设,在BP模型基础上建立一种新修正的风电机组尾流分析模型。该模型针对BP模型无法对近尾流区进行分析的问题,基于质量守恒原理求解近尾流区速度损失分布;通过大涡模拟数据拟合,对BP模型中速度损失标准差方程进行修正,提升了模型在不同地表粗糙度下的计算精度。采用大涡模拟数据对多种工程尾流模型的计算结果进行比较。结果表明,相比于Jensen、Frandsen和BP模型,该模型能更好地预测全尾流范围的径向速度分布,并且具有更高的计算精度。     

单桩静荷载曲线MMF模型拟合及承载力预测

基于桩静荷载Q-s曲线特点,引入MMF生长曲线模型拟合Q-s曲线预测极限承载力,采用Origin软件求解,并对3根试桩的实测数据静荷载Q-s曲线进行了拟合和承载力预测.结果表明,利用Origin软件得到的拟合方程式能预测桩的极限承载力,且MMF模型的Q-s曲线拟合精度高、拟合效果明显优于双曲线模型.     

改进的非等间距GM(1,1)大坝位移监控模型

针对传统GM(1,1)监控模型在拟合和预测大坝位移方面的不足,通过采用积分方式重构背景值、引进最佳赋权矩阵体现原始数据的时间影响效应、优化残差等途径,提出了改进的非等间距GM(1,1)大坝位移监控模型。结合工程实例,对比分析表明改进的GM(1,1)监控模型相比于传统GM(1,1)监控模型在对大坝位移原始监测资料分析的基础上,预测精度有较大提高,可作为一种新的预测手段应用于大坝位移预测中。