基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

组合模型在降雨量预测中的应用

研究降雨量准确预测问题,降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性和各种干扰因素,预测不可能准确。传统预测模型难以对其进行准确预测,预测精度低。为提高降雨量的预测精度,提出一种组合模型的降雨量预测模型。首先采用小波分析将降雨量数据进行分解成线性和非线性部分,然后分别采用ARIMA和RBF神经网络模型对其进行预测,最后采用小波重构线性和非线性预测结果,得到降雨量最终预测结果。仿真结果表明,相对于传统预测模型,组合模型提高了降雨量预测精度,预测结果可以帮助农业、水利部门提高防治旱涝灾害的科学依据。     

基于相似样本和多模型动态最优组合的光伏功率预测

针对传统单一预测方法存在的局限性,引入了考虑特征加权的模糊聚类方法,进行关于天气类型的划分以得到相似样本;提出多模型动态最优组合预测方法,根据各窗口期预测误差的波动情况,设置合适的临近历史样本窗口宽度,利用窗口期中的数据和构建的最优赋权模型进行组合权重的求解,在避免单一预测方法片面性的同时,提高了对各种天气的适应性。通过算例验证分析表明,所提出的组合预测方法在各种天气类型下的预测效果都优于理论预测、BP预测和LSSVM预测等单一预测方法,能够有效提高预测的有效性和准确性,具有较高的工程实用价值。     

基于GWO-SVM的下肢假肢穿戴者骑行相位识别

针对下肢假肢穿戴者骑行相位识别的问题,提出基于灰狼算法优化的支持向量机(GWO-SVM)分类模型. 建立下肢多源信息系统,采集膝关节、踝关节的加速度信号以及膝关节角度信号. 应用奇异值分解,对采集到的信号进行降噪处理. 在对信号进行降噪处理之后,为了避免单一信号不确定的影响,从数据冗余角度,选取各信号的特征点,开展归一化处理,组成多维特征向量,作为SVM分类模型的输入. 为了能够进一步提高分类精度,加强全局优化能力,利用GWO算法对核参数进行优化. 通过与PSO-SVM分类模型、GA-SVM分类模型对比表明,基于GWO优化的SVM分类模型对骑行相位的识别率为94%,高于其他方法优化的SVM分类模型.     

高温高湿盐环境下SBS改性沥青胶浆的高温性能

基于自行设计的室内盐蚀干湿循环试验,采用动态剪切流变仪,对SBS改性沥青胶浆进行温度扫描试验和多重应力重复蠕变恢复(MSCR)试验. 以3.2 kPa应力下的不可恢复蠕变柔量J_nr,3.2为胶浆高温流变性能评价指标,分析试验环境和干湿循环耦合作用对胶浆流变性能的影响. 采用灰色关联理论,探究J_nr,3.2与常规流变参数、干湿循环次数及试验环境之间的关联性. 结果表明,随着盐蚀干湿循环次数的增加,胶浆的复数切变模量、车辙因子及J_nr,3.2均呈增大趋势,相位角和蠕变恢复率呈减小趋势. 在同种试验条件下,硫酸盐环境对胶浆高温性能的影响最大. J_nr,3.2与改进型车辙因子、试验环境的灰色关联度最大,关联度系数均大于0.93. 建议采用日常清扫、定期洒水冲洗的方式来减小路面盐分的积累,提高高温高湿环境中沥青路面的抵抗变形的能力.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

一种计及空间相关性的光伏电站历史出力数据的修正方法

针对光伏系统渗透率增高对电力系统稳定运行带来的严峻挑战,考虑到光伏功率预测技术精度高度依赖于数据精度的问题,提出一种基于人工神经网络的光伏电站历史出力数据修正方法。利用人工神经网络在建立复杂非线性映射关系的优越性,引入皮尔逊相关系数对数据进行降维处理,选择与目标光伏电站出力相关性高的电站作为基准光伏电站,并结合光伏出力的空间相关性特征与基准光伏电站的出力数据对目标光伏电站失准及缺失数据进行修正,以解决由人为因素或数据采集系统老旧带来的光伏数据失准问题,并通过山东省聊城市的光伏历史出力数据对所提方法进行分析验证。     

Machine-Learning based methods in short-term load forecasting

Short-term load forecasting is of great significance to the secure and efficient operation of power systems. However, loads can be affected by a variety of external impact factors and thus involve high levels of uncertainties. So it is a challenging task to achieve an accurate load forecast. This paper discusses three commonly-used machine-learning methods used for load forecasting, i.e., the support vector machine method, the random forest regression method, and the long short-term memory neural network method. The features and applications of these methods are analyzed and compared. By integrating the advantages of these methods, a fusion forecasting approach and a data preprocessing technique are proposed for improving the forecasting accuracy. A comparative study based on real load data is performed to verify that the proposed approach is capable of achieving a relatively higher forecasting accuracy.     

基于灰色关联分析和IHS变换的图像融合算法*

针对IHS融合算法的光谱畸变问题,提出一种基于灰色关联分析和IHS变换的图像融合算法.该算法利用灰色关联分析法检测出SAR图像像素中的边缘点和非边缘点;通过IHS变换,在线性加权融合时赋予边缘点较大的权值.实验表明,该算法在保持光谱信息方面具有显著的优越性,并且能够有效提高融合图像的空间分辨能力,具有简洁性和抗噪性,明显优于传统的IHS融合算法和改进的基于直方图匹配的IHS融合算法.     

对油田量化优化投资管理的探讨

总结了国外石油公司投资管理的典型经验做法,从理论方法、思路及步骤和油田具体应用实例3个方面,对某油田原油产量量化预测、下属采油厂投资优化调整进行系统论述。其中,综合运用数据包络法和灰色马尔科夫模型等,预测确定油田合理投资规模;运用DEA等方法,优化调整不同采油厂之间(或采油厂内部油藏概念上的油田及区块等决策单元)投资方向和幅度。最后,通过借鉴国外石油公司的经验做法,结合现代投资量化优化理论及方法的具体应用体会,提出了优化油田投资管理的建议。