城市洪涝试验研究进展

城市洪涝物理试验与原型试验是开展数值模型验证及提高预报预警精度的重要手段。从城市产流过程、地表洪水演进以及地表径流与管网水流交互三方面,综述了近年来国内外城市洪涝试验的研究进展。针对目前城市洪涝试验研究中存在的不足,指出今后应完善现有城市产汇流过程相关机理方面的试验研究,深入研究地表与管网垂向交互过程,加强与城市洪涝期间的流动行为密切相关过程的定量试验研究。     

旱情预报技术进展与展望

受全球气候变化影响和人类活动的加剧,干旱灾害发生频次增加且强度增大,严重威胁着我国的粮食安全和水安全。准确及时的旱情预报,对于制定科学有效的干旱应对策略、减少灾害造成的损失具有重大意义。从基于数理统计模型的预报技术和基于物理机制模型的预报技术两方面入手,梳理回顾了国内外研究进展,揭示了当前预报技术所存在的问题,并提出针对性的解决方案。未来研究应注重提高干旱监测数据的质量、突破核心关键技术、构建全国旱情预报业务化系统,为抗旱减灾事业提供强有力的科技支撑。     

赛博空间态势感知技术研究

文章从赛博空间的概念和态势感知的流程出发,构建赛博空间态势感知框架,以安全栓测和安全事件分析技术为支撑,提出多层次多角度的态势评估模型,在此基础上使用时间序列分析方法预测安全态势的发展趋势。     

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.     

城市洪涝风险防控的生态修复途径

人类面临的水问题,体现为水的质、量和时机问题。流域自然水循环的扰乱和破坏,是城市造成城市内涝的根源。伴随城市化过程的绿色空间压缩、不透水面积增加、社会水循环影响增加等,最终都通过对自然水循环的扰动,产生同时存在的水资源短缺与洪涝及水源污染等问题。摈弃单纯凭借灰色基础设施的抵御、抗击思维,运用生态智慧,建设绿色基础设施,恢复和增加城市流域内的绿色空间,以实现水的分散积存、自然渗透、自然蒸发、自然净化、恢复水的自然循环过程为目的和方式的城市生态修复,是基于自然的城市洪涝问题解决方案。将生态智慧融入城市设计与规划,生态修复成为城市规划与建设的日常,是解决洪涝问题的长久之路。