基于全卷积神经网络的大坝变形监测数据粗差识别方法研究

针对大坝变形监测数据普遍存在粗差的问题，采用全卷积神经网络(FCN)模型对人工标记数据集进行表征学习的方法实现变形粗差数据识别的人工智能模拟；在此基础上，利用Python和Tensorflow框架构建了用于变形监测数据粗差识别的FCN模型并以人工标注数据集进行模型训练；最后，以训练得到的最优模型对某重力坝变形监测数据进行粗差识别应用。结果表明，经训练的FCN模型能够较准确地识别大坝变形监测数据中的粗差值，提高了大坝安全管理效率。     

基于抗差最小二乘的水工监测数据粗差探测

针对水工建筑物监测资料中不可避免地夹杂有粗差的情况,将抗差最小二乘法应用于粗差探测,实例分析比较表明,抗差最小二乘法在抵抗一定粗差的同时保持了最小二乘法的优点,其粗差探测结果优于传统方法。     

综合数据清洗及无监督学习技术的电力设备状态评估

针对传统的阈值异常监测方法难以快速、准确地检测出输变电设备的异常,且会出现误报现象,提出了一种综合数据清洗与无监督学习技术的电力设备状态监测方法,首先运用一种数据清洗方法对原始数据进行预处理,去除了其中存在的噪音点、缺失值等,在不影响结果的前提下最大程度的简化了数据,避免了误报,提高了在线监测的效率;然后结合一种基于无监督学习的数据挖掘方法,利用自回归模型,提出了契合度的指标;最后与历史正常运行时间序列进行欧氏距离的分析。实例应用结果表明,所提方法能更加及时监测到设备异常,且准确性得到了提高,较传统阈值方法更具优越性。     

基于未确知盲数的BP模型及其在年径流预测中的应用

针对未确知盲数可展现信息真实的数量及状态,将未确知盲数与BP网络耦合,提出了以未确知盲数为网络输入、预测对象为输出的BP模型,模型预测结果为具有置信度与置信区间的盲数,并将基于未确知盲数的BP模型用于年径流预测。结果表明,该模型有效,预测结果可供借鉴。     

基于改进和声搜索算法的主蒸汽温度现场数据辨识

针对主蒸汽温度系统现场数据的模型辨识问题,提出了结合粒子群优化算法的改进和声搜索算法.采用经验模态分解法对带噪声污染的现场数据进行滤波处理,采用离散相似法进行模型辨识的计算机仿真实现和数值计算.应用该改进算法对循环流化床主蒸汽温度系统模型进行了现场数据辨识.结果表明:所辨识的模型具有较高的精度,能够反映实际主蒸汽温度系统的动静态特性;改进和声搜索算法比粒子群优化算法具有更好的稳定性和全局寻优能力,以及更快的收敛速度.     

基于短期风功率预测的数据预处理算法研究

针对实测风速和功率数据中包含奇异点以及同一风速下风功率存在较大范围波动的问题,文章提出一种数据预处理算法。首先,采用拉依达准则剔除风速和功率奇异点;再使用优化的一次指数平滑法及最大皮尔逊相关系数对风速进行平滑处理;最后,利用新疆阿勒泰地区某风电场单台风机的实测数据进行验证分析。以文章提出的预处理方法得到的风速作为BP神经网络预测模型的输入,风功率的预测准确度显著高于已有预处理方法得到的结果。     

蒙特卡罗法求解湖库未确知水环境容量

针时未确知数学处理湖泊水库水环境系统众多不确定性信息中对未确知变量数、可能值区间分段数及采用的运算算子要求较高限制了未确知数学理论广泛应用的问题,提出用蒙特卡罗法模拟未确知数的可信度分布,根据满足可信度分布的未确知教试验值可直接进行未确知数运算.湖库水环境容量计算实例结果表明,该方案可行有效,计算结果可靠,对未确知数学在各学科领域广泛应用具有一定的推动价值.     

改进的非等间距GM(1,1)模型在大坝沉降分析中的应用

由于影响大坝监测数据因素多,且数据存在非等间距离散的情况,利用传统非等间距GM(1,1)模型的建模原理,分析了数据拟合与预测精度低的原因,提出了优化背景值的改进非等间距GM(1,1)模型,根据两种模型对施工期堆石坝心墙的沉降观测数据进行拟合和预测。实例表明,改进模型精度较高,更接近观测值,可应用于工程实际中。     

基于回归模型的风电海量数据补齐算法研究

在研究风电场或风电机组出力特性前,对数据的预处理很必要。数据可能出现的问题较多,集中的大量数据缺失是其中比较棘手的问题之一。针对这个问题,在分析风电场或风电机组之间时间和空间的分布特性的基础上,建立对集中的大量数据缺失补齐的时空模型,并根据时间模型和空间模型的特点对建立的时空模型进行改善,提出了一种双向变权重的时空模型。以均方根误差为指标,评价双向变权重的时空模型与单一时间、空间模型的补齐精度。通过算例验证双向变权重的时空模型优于单一模型,补齐精度有明显的提高。     

基于小波分析改进的神经网络模型 电力系统负荷预测

建立了模糊决策模型分析所给历史负荷数据的关联度,以提取对预测有贡献的有用数据,除去"坏数据",即对原始数据进行预处理。建立了神经网络模型,并结合小波分析和神经网络的优势建立改进小波神经网络的结构模型,预测出待测日96个时间点的电力负荷值。通过准确度分析,验证了模型的合理性。进而将所建模型应用于某地区进行负荷预测,并且对该地区的负荷特点及规律性进行了讨论。     

基于计算流体力学的数据中心机器学习热模型数据增强技术

基于人工智能的热模型可以有效地提升数据中心制冷能效比。受到机房实际采集数据的数量不足和覆盖范围不足的影响,使用实际采集数据集训练的热模型常常在准确度和泛化能力上存在不足。文章介绍了一种基于计算流体力学(Computational Fluid Dynamics,CFD)的人工合成数据增强技术,采用增强数据源对人工智能热模型的训练数据集进行补充。模拟场景下的实验结果显示CFD数据增强技术不仅能在实际采集数据量不足时提高模型准确度,减少预测误差,还能提升模型在实际采集数据无法覆盖工况下的性能。     

基于离差和改进的大坝变形监测粗差判别方法

随着大坝监测自动化的普及,在大坝安全分析评估中寻求可靠的粗差判别方法显得越来越重要,而基于回归统计的粗差判别准则中,由于粗差数据也会先参与回归建模,由此导致回归模型本身可能失真,从而易引发后续的误判和漏判粗差。对此,提出了一种针对混凝土重力坝变形监测的粗差判别方法。首先,计算样本中每个测值的离差和;其次,基于离差和剔除部分疑似粗差的测值,从而建立回归模型;最后,根据回归模型计算每个测值的拟合残差,并基于肖维勒准则最终确定粗差。实例仿真表明,该算法不受原始数据粗差的影响,具有更高的精度和鲁棒性。     

基于M估计的抗差Kalman滤波算法在某混凝土重力坝变形监测中的应用

为了解决标准Kalman滤波法不能很好处理大坝变形观测粗差与状态方程异常的问题,提出了采用基于M估计的抗差Kalman滤波算法,在最小二乘准则的基础上,通过调整观测值对状态估计的比例权重,可得到模型参数的稳健估计,给出了其滤波准则及递推公式,并根据预测残差调节增益矩阵的大小,尽可能地削弱监测噪声和动态噪声里粗差的影响,让系统处于比较稳定的状态。实例应用结果表明,该算法不仅可提高滤波精度,且能很好地控制观测异常和动态扰动异常对监测的影响。     

The all-sky meteorological radiation model: proposed improvements

The all-sky meteorological radiation model is a broadband solar-radiation estimation model that uses synoptic and sunshine information. The original model due to Muneer–Gul–Kambezidis was improved using regressions based on the sunshine fraction to increase the accuracy of the estimation of diffuse horizontal irradiation, thus achieving an accuracy increase for the estimation of the global horizontal irradiation. The improved model was validated using data from ten worldwide sites and using three statistical indicators:-coefficient of determination between computed and measured global irradiation data and the relevant, mean bias error and the root mean square error of the computed global irradiation. The performance of the new model was improved when compared to that of the original model. The new regression coefficients were found to be more accurate in estimating global horizontal radiation for both fine and coarse datasets.     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于改进的湿润地区站点与卫星降雨数据融合的洪水预报精度分析

目前卫星降雨数据是水文研究中重要的数据来源,但其精度尚未达到洪水预报的要求。将TRMM3B42RT、TRMM 3B42、GPM IMERG Early及GPM IMERG Late分别与站点实测降雨数据融合,并利用HEC-HMS模型进行洪水模拟,从而改进卫星降雨洪水预报精度。结果表明,卫星降雨数据在经过与实测降雨数据的融合处理后,误差明显降低,相关系数由0.7提高到0.9以上,进而提高了模拟洪水的精度,在洪水预报方面有一定的可行性。     

Missing data estimation for 1–6 h gaps in energy use and weather data using different statistical methods

Analysing hourly energy use to determine retrofit savings or diagnose system problems frequently requires rehabilitation of short periods of missing data. This paper evaluates four methods for rehabilitating short periods of missing data. Single variable regression, polynomial models, Lagrange interpolation, and linear interpolation models are developed, demonstrated, and used to fill 1–6 h gaps in weather data, heating data and cooling data for commercial buildings. The methodology for comparing the performance of the four different methods for filling data gaps uses 11 1‐year data sets to develop different models and fill over 500 000 ‘pseudo‐gaps’ 1–6 h in length for each model. These pseudo‐gaps are created within each data set by assuming data is missing, then these gaps are filled and the ‘filled’ values compared with the measured values. Comparisons are made using four statistical parameters: mean bias error (MBE), root mean square error, sum of the absolute errors, and coefficient of variation of the sum of the absolute errors. Comparison based on frequency within specified error limits is also used. A linear interpolation model or a polynomial model with hour‐of‐day as the independent variable both fill 1–6 missing hours of cooling data, heating data or weather data, with accuracy clearly superior to the single variable linear regression model and to the Lagrange model. The linear interpolation model is the simplest and most convenient method, and generally showed superior performance to the polynomial model when evaluated using root mean square error, sum of the absolute errors, or frequency of filling within set error limits as criteria. The eighth‐order polynomial model using time as the independent variable is a relatively simple, yet powerful approach that provided somewhat superior performance for filling heating data and cooling data if MBE is the criterion as is often the case when evaluating retrofit savings. Likewise, a tenth‐order polynomial model provided the best performance when filling dew‐point temperature data when MBE is the criterion. It is possible that the results would differ somewhat for other data sets, but the strength of the linear and polynomial models relative to the other models evaluated seems quite robust. Copyright © 2006 John Wiley & Sons, Ltd.     

基于神经网络和改进相似日的光伏电站功率预测

为提高光伏电站功率预测的准确率,提出了一种基于SOM神经网络与熵权法优化关联系数的相似日预测模型,利用麻城市某100MW光伏电站的气温、相对湿度、风速及国家气象站日照时数、总云量、低云量等气象要素,采用SOM神经网络推算出预测日的三个相似日,再利用熵权法优化关联系数确定三个相似日的系数求出相似日分辨率为15min的瞬时功率,作为BP神经网络输入对光伏电站进行短期功率预测,并通过与其他四种预测模型的对比分析评估其性能。结果表明,模型的月相对均方根误差、月平均绝对百分比误差分别为5.88%、3.03%,与效果最佳的原理法模型误差接近;基于熵权法优化的关联系数和云量数据的加入对预测准确率有较大提高;模型预测准确率较高,抗扰动能力较强,可集合至本部门开发的预测系统运用到实际中。     

基于数据分层预处理的短期风功率预测研究

良好的风速和风功率预测是解决风电并网问题的关键。针对样本数据中的无效点影响风功率建模问题,采用分层统计法对风功率进行统计分析后获得了风速—功率关系带,对功率进行修正,根据修正后的数据应用灰色—马尔可夫链模型进行预测,并与比恩法和经验公式法进行对比分析。结果表明,风功率分层统计法可有效地消除坏点数据,预测精度高。