织物干洗工艺探讨

探讨了表面活性剂与四氯乙烯干洗剂配合对织物洗涤效果及抗静电性的影响。以涤纶、纯棉、全毛织物为实验主体,模仿沾染天然污垢;对几种表面活性剂进行配比与筛选,通过所测白度及其半衰期和静电压值的比较,得到对不同织物获得所对应的混合干洗剂及抗静电剂的较好配方。实验表明：无论是对涤纶、纯棉还是全毛织物,在洗涤过程中于干洗剂中加入油溶性表面活性剂和少量水制成的混合干洗剂,不仅能有效防止污垢再沉淀,也有助于水溶性污垢的去除。洗涤质量优于不加表面活性剂的洗涤方式,且表面活性剂的加入对织物抗静电性也有一定影响。     

基于RBF神经网络分位数回归的电力负荷概率密度预测方法

针对电力系统短期负荷预测问题,在现有的组合预测和概率性区间预测的基础上,提出了基于RBF神经网络分位数回归的概率密度预测方法,得出未来一天中任意时期负荷的概率密度函数,可以得到比点预测和区间预测更多的有用信息,实现了对未来负荷完整概率分布的预测。中国某市实际数据的预测结果表明,提出的概率密度预测方法不仅能得出较为精确的点预测结果,而且能够获得短期负荷完整的概率密度函数预测结果。     

基于混沌DE算法和PP多项式函数的洪灾评估

针对洪水灾情等级评估问题,建立了投影寻踪(PP)多项式函数模型,并提出一种基于分段线性混沌映射的混沌差分进化(CDE)算法优化投影指标函数,同时采用罚函数法处理约束条件,求出了最佳投影方向。通过灾情等级表各指标边界值的投影求出多项式函数的系数,获得一个评价洪水灾害等级的多项式函数,从而实现连续型洪灾等级的划分。2个实例计算的结果以及与其他现有的模型和算法的对比表明,该方案不仅有效,且更为简单实用,具有广泛的应用性。     

考虑温度因素的中期电力负荷概率密度预测方法

针对温度因素对中期电力负荷的影响,在现有的神经网络预测、区间预测和概率密度预测方法的基础上,研究在不同分位点上温度和历史负荷对电力系统中期负荷分布规律的影响,提出基于神经网络分位数回归的中期电力负荷概率密度预测方法。根据连续的条件分位数函数预测中期负荷在某天的概率密度,获得更多关于中期负荷预测信息。同时,通过比较在考虑温度因素下和不考虑温度因素下的条件概率密度预测曲线以及峰值对应的点预测值,可以得出,预测当天温度对中期负荷预测有较重要的影响,这为降低中期电力负荷预测的不确定因素提供了更多的决策信息和预测结果。     

基于Epanechnikov核与最优窗宽组合的中期电力负荷概率密度预测方法

利用神经网络分位数回归获得预测当天在不同分位点上的电力负荷预测值,将Epanechnikov核函数与不同的最优窗宽选择方法相组合,得到中期电力负荷概率密度估计函数以及在所有分位点上连续的概率密度曲线图。此外,通过选取概率密度曲线峰值处的点预测值,比较不同窗宽组合方法。相对于传统高斯核密度估计方法的组合方式,Epanechnikov核函数的组合方式较优。最后将获得的最优方法与现有的预测方法进行对比,结果表明通过选取最优窗宽可以提高预测精度,更好地反映中期电力负荷的波动性。     

刚性多滞量积分微分方程的BDF方法

本文研究了求解刚性多滞量Volterra型积分微分方程的BDF方法的非线性稳定性和计算有效性．经典BDF方法被改造用于求解一类刚性多滞量Volterra型积分微分方程,数值试验表明所给出的方法是高度有效的．此外,证明了在适当条件下,其扩展的BDF方法是渐近稳定和整体稳定的．     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数（RBF）神经网络在负荷预测中存在的问题,提出一种新的预测模型：粒子群优化的RBF神经网络模型。粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测。仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性。     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数(RBF)神经网络在负荷预测中存在的问题,提出一种新的预测模型:粒子群优化的RBF神经网络模型.粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测.仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性.     

属性区间识别模型在溃坝后果综合评价中的应用

溃坝后果严重程度综合评价是大坝风险评价与风险管理的重要组成部分.针对溃坝后果综合评价指标体系的模糊性与不确定性,以属性区间识别理论为基础,建立了溃坝后果综合评价的属性区间识别模型,采用均化系数将属性测度区间转化为综合属性测度;然后对熵权计算公式进行合理改进,并有效选择偏好系数将主客观权重有机结合得到了理想的组合权重;最后分别根据置信度准则、灰色接近度和样本评分准则进行溃坝后果等级识别和比较排序分析.实例研究表明,该模型简单方便、合理有效,为溃坝后果综合评价提供了一种新方法.     

基于决策者偏好DE算法的模糊聚类迭代洪灾评估方法

权重的选择是各种洪水灾害评估模型中的一个关键而又难以确定的问题。根据现有主观赋权法和客观赋权法的特点,在差分进化(DE)算法的基础上,引入决策者偏好过滤掉不满足条件的个体,通过优化考虑决策者偏好的模糊聚类迭代模型获得洪灾样本的指标权重向量,结合洪灾损失样本特征值矩阵得出各样本的灾情综合评价值;然后依据灾情综合评价值与聚类矩阵求出各等级的特征值,并依此自动识别聚类矩阵中各行的类别属性;最后依据识别出的类别属性和各样本的灾情综合评价值,对洪灾样本在不同的决策者偏好下进行等级划分和灾情排序。以2013年四川省和1996年新疆的洪灾样本为例进行仿真试验,实现了不同决策者偏好下的洪灾等级评估,并为水利部门选择偏好类型提供了参考性建议。