基于GRA-SVM的光伏发电功率预测

针对目前影响光伏输出功率的气象变量多、复杂等问题,提出基于灰色关联分析结合支持向量机的光伏功率预测模型。利用灰色关联分析理论筛选出5个气象变量作为支持向量机模型的输入。实验结果证明了该方法的可行性,对短期光伏发电功率的预测具有一定的参考价值。     

基于云计算和智能优化SVR的光伏发电功率预测

为提高光伏发电功率的预测精度,针对支持向量机回归(Support Vector Regression,SVR)模型的预测结果易受其惩罚系数C、敏感损失函数的最大误差系数ε和核函数g影响的问题,提出一种基于新型智能算法-蝗虫算法优化SVR模型参数的光伏发电功率预测模型。由于光伏发电功率数据存在随机性和间隙性的特征,Multi-Agent和分布式思想被引入蝗虫算法优化SVR模型,通过将云计算的MapReduce框架和GOA-SVR结合,提出一种基于MapReduce和GOA-SVR并行化的光伏发电功率预测模型(MapReduce and GOA-SVR,MR-GOA-SVR),从而提高海量高维光伏发电数据的处理能力。将影响光伏输出功率的11个气象因素作为GOA-SVR的输入向量,光伏输出功率作为GOA-SVR的输出向量,建立GOA-SVR的光伏发电功率预测模型。研究结果表明:MR-GOA-SVR可以有效提高不同天气类型下的光伏发电功率的预测精度,具有很强的现实性和指导意义。与PSO-SVR、GA-SVR、GOA-SVR和SVR相比,MR-GOA-SVR在晴天、阴天和雨天均可以提高预测精度,且具有优异的并行性能。     

多参数光伏式无线水质监测系统

详细介绍了多参数光伏式无线水质监测系统的工作原理,以及利用光伏发电为无线传感器网络节点供电,通过GPRS进行数据传输的设计方案和软硬件设计。光伏发电以及GPRS模块在水质监测中的应用,为水质监测提供了极大的便利,减小了水质监测的难度及工作量,具有较好的应用前景。     

白石水库大坝安全监测数据分析与预测

季节性和趋势性时间序列为水库大坝安全检测数据的典型特征,将非平稳时间序列数据利用ARIMA模型准确预测。文章采用差分法平稳化处理非平稳时间序列,并对模型利用偏自相关和自相关函数识别,从而获取多个初选模型,通过对模型参数的估计确定最终模型,依据贝叶斯信息准则拟合和预测了检测数据。以白石水库大坝为例,运用最终模型计算分析一组安全监测数据,在此基础上对比分析实际位移数据与模型拟合预测数据。研究表明:对于短期安全监测数据的分析和预测ARIMA模型具有较强可行性和较高精度,可为水库大坝安全运行和科学管理提供数据支撑。     

意大利SIAP公司SM3820型气象水文自动化测站

一、系统概述 SM3820型气象水文自动化测站,通过与之相连的多种传感器完成水文气象数据的测量、采集和处理任务,并以查询方式将实测数据发送给中心站。数据发送可通过无线、有线或通过取回固态存贮模块的方式进行。 除了数据收集和处理功能外,该自动化测站也可提供有关系统状态的报警信号和其他辅助信息。若中心站有指令信息,测站也     

HEC—HMS模型在清江流域洪水模拟中的应用

HEC—HMS模型是一个半分布式的水文模型,它和它的子模块HEC—GeoHMS模型一起用来进行洪水模拟。首先,由HEC—GeoHMS处理流域DEM数据,生成包含水文信息的HEC—HMS能接受的降雨输入信息;然后将该信息导入HEC—HMS模型中,征HEC—HMS模型中建立包含流域产汇流模块的流域模型,包括雨量气象信息的气象模型,和包含模拟时间控制的控制模型;最后率定各子模型中的参数。以清江流域为例,运用HEC—HMS模型对6场洪水过程进行了模拟,模拟结果表明对次洪径流过程的模拟精度较好。     

基于云计算和智能优化 SVＲ 的光伏发电功率预测

为提高光伏发电功率的预测精度,针对支持向量机回归( Support Vector Ｒegression,SVＲ) 模型的预测结果易受其惩罚系数 C、敏感损失函数的最大误差系数 ε 和核函数 g 影响的问题,提出一种基于新型智能算法 － 蝗虫算法优化 SVＲ 模型参数的光伏发电功率预测模型。由于光伏发电功率数据存在随机性和间隙性的特征,Multi － Agent 和分布式思想被引入蝗虫算法优化 SVＲ 模型,通过将云计算的 MapＲeduce 框架和 GOA － SVＲ 结合,提出一种基于 MapＲeduce 和 GOA － SVＲ 并行化的光伏发电功率预测模型( MapＲeduce and GOA － SVＲ,MＲ － GOA － SVＲ) ,从而提高海量高维光伏发电数据的处理能力。将影响光伏输出功率的 11 个气象因素作为 GOA － SVＲ 的输入向量,光伏输出功率作为 GOA － SVＲ 的输出向量,建立 GOA － SVＲ 的光伏发电功率预测模型。研究结果表明: MＲ － GOA － SVＲ 可以有效提高不同天气类型下的光伏发电功率的预测精度,具有很强的现实性和指导意义。与 PSO － SVＲ、GA － SVＲ、GOA － SVＲ 和 SVＲ 相比,MＲ － GOA － SVＲ在晴天、阴天和雨天均可以提高预测精度,且具有优异的并行性能。     

水文时间序列模体挖掘

水文时间序列数据中蕴藏着自然演变的规律和人类活动对下垫面影响的信息。通过序列模式挖掘技术发现这些时空序列中蕴藏的洪水频率、水文情势突变等物理规律能够为水文预测预报、防汛调度等提供辅助决策支持。模体是指在一组序列中重复出现的相似片段模式。时间序列模体数据挖掘就是利用数据挖掘思想,在时间序列中找出重复出现的相似片段的过程。本文针对水文时间序列的特点以及对洪水和旱情的挖掘需求,提出基于小波变换、极值点分解和符号化的模体挖掘方法GSB-VLMD（Grammars & Semantics Based-Variable Length Motifs Discovery）。其中小波变换负责对数据去噪,使处理后的数据变得更加平滑;极值点分解负责从平滑数据中提取洪水和干旱等极值语义信息;符号化负责离散化数据,为模体挖掘Sequitur算法提供输入。以太湖近50年水位序列作为源数据,使用该方法对其进行模体挖掘,结果证明了其正确性和实用性。     

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析，提出将负荷数据分层分区的处理方法，建立它们之间相互牵制和联系的表达，在由递推最小二乘支持向量机（RLS-SVM）算法实现顶层预测的基础上，建立输电系统多节点负荷动态行为特征的描述模型，构建了自适应动态模型的超短期负荷预测总体构架。以山东电网为例的现场测试效果验证了所述方法的可行性和有效性。     

基于CEEMD-SSA-SVM的短期光伏发电功率预测

针对光伏发电功率随机波动性导致预测难度大这一问题,采用改进的经验模态分解(CEEMD)对原始光伏发电功率数据进行分解,得到不同尺度的模态分量;然后引入麻雀搜索算法(SSA)对支持向量机(SVM)进行优化,建立不同尺度模态分量的预测模型;最后将各预测值叠加得到最终的光伏发电功率预测值。仿真结果表明,所提CEEMD-SSA-SVM光伏发电功率预测方法在保证原始光伏发电功率序列经CEEMD处理后具有较小重构误差的前提下,极大地提高了预测精准度。     

基于WT-HBBO-RBF模型的年径流时间序列预测

利用4个基准函数对HBBO进行仿真测试；采用WT分解处理年径流时序数据；通过突变点检测方法Mann-Kendal(M-K)划分训练、预测样本，构建RBF适应度函数，利用HBBO优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度，建立WT-HBBO-RBF模型，并构建WT-HBBO-SVM、WT-HBBO-BP、WT-RBF、WT-SVM、WT-BP、HBBO-RBF、HBBO-SVM、HBBO-BP作为对比分析模型。以云南省龙潭站、落却站年径流时间序列预测实例对模型进行验证的结果表明，HBBO具有较好的寻优精度及全局搜索能力；WT-HBBO-RBF模型对龙潭站、落却站年径流时间序列预测误差小于其他对比模型，具有较好的预测精度和泛化能力；HBBO能有效优化RBF神经网络输出层权值、基函数中心和隐含层节点宽度，提高RBF神经网络预测性能；WT能科学降低径流序列的复杂性，提高预测精度。     

加权一阶局域法在边坡位移预测中的应用研究

目前，常用的变形预测分析方法有：确定函数法、统计回归分析法、混沌时间序列分析法等。其中混沌时间序列分析法可以在未直接考虑引起位移变形的有关随机因素的条件下，对历史观测数据进行重构相空间处理，建模比较简单、计算量小、预测精度较高。研究建立了加权一阶局域法多步预报模型，运用Matlab6，5编制了计算程序，并利用预报模型进行了典型混沌系统的预测和水利工程高边坡位移预测，取得了较好的预测效果。     

基于WebGIS的山洪灾害预警系统

基于WebGIS的山洪灾害预警系统由信息采集、信息处理、信息发布三个模块构成,信息采集模块负责获取与山洪灾害预警相关的基础数据。信息处理模块负责对采集到的信息分析和评估。信息发布模块负责对评估的结果向相应的对象发布。系统功能通过WebGIS技术、现代通信技术、网络技术、自动化技术实现。开展山洪灾害非工程措施的研究,对山洪灾害防治、保障人民生命财产安全,具有非常重要的现实意义。     

数据库系统在三江水利工程信息管理中的应用

水利工程信息管理系统为信息的管理和使用，提供数据控制功能，支持数据和程序的独立性；并解决了多用户，多应用共享数据的需求，是一套用于强化水利工程现代化管理的系统软件，它具有对水工建筑的各种资料数据进行存储，查询，分析，处理，并对水情，工情及气象资料进行统计，报表等功能，水利工程信息管理系统的开发和使用，将大大提高水管单位在工程管理上的自动化应用水平。     

计及警报信息时间特性的故障诊断模型

电力系统发生故障时的警报信息具有时间特性，如果能够充分与合理地利用这一特性，可以 提高故障诊断结果的准确性和加快诊断速度。但至今，还没有一个电力系统故障诊断方法能 够系统地处理警报信息的时间特性。以外展推理(abductive inference)和简洁覆盖集理 论(parsimonious set covering theory)为基础，对计及警报信息时间特性的电力系统故 障诊断问题做了一些初步的研究工作。采用时间图表示元件故障与警报信息及其时间特性之 间的关系，时间图中的节点表示警报信息，节点间的有向支路表示这两个节点所代表的警报 信息出现的先后次序。在此基础上，首次建立了描述这一问题的优化模型(0-1整数规划模型 )，给出了用Tabu搜索技术求解该问题的算法。最后，用一个简单的例子说明了所建立的故 障诊断模型的正确性和Tabu搜索方法的可行性。     

基于多源数据挖掘的河道综合治理风险精准预测研究

为降低河道治理的生态风险和建设风险,对河道综合治理风险进行精准预测。利用河道气象数据、河道水文数据、河道影像数据等多源数据作为谱聚类算法的初始数据,并在谱聚类算法中引入块对角约束方法,确定多源数据的自表示系数矩阵。同时,构建多源数据聚类的相似度矩阵,输出多源数据挖掘结果,再将该结果输入到长短时记忆网络中。长短时记忆网络利用序列到序列结构,通过两组循环单元输出河道综合治理风险预测结果。实验结果表明,该方法可以高效挖掘河道综合治理多源数据,精准预测河道综合治理中的环境污染、河道堤防承载等,为河道治理提供依据。     

基于GIS的大型灌区移动智慧管理系统研发

大型灌区具有空间范围广、节点建筑物类型多、特征数据分散等特点,所涉及信息种类繁多且数据量巨大,目前常规人工巡检及测量手段已不能满足灌区信息高效管理和利用的要求。为提高灌区管理信息化水平,基于GIS技术及大数据等现代信息技术,构建了基于GIS的大型灌区移动智慧管理系统框架,并依据灌区常设监测和管理项目,对其系统模块和功能进行划分。以河南省人民胜利渠为例,研发了灌区GIS移动智慧管理系统。利用该系统可及时准确地掌握灌区各遥测站及节点建筑物各项监测指标的变化情况,为灌区水资源高效利用和现代化管理提供科学依据。     

融合小波阈值与多维自回归的时序预报模型研究

针对传统统计模型并不能完全涵盖位移影响分量信息以及真实影响分量信息易受到噪声干扰等问题，提出了一种融合小波阈值理论与多维自回归的混凝土坝位移时序预报模型。该方法主要是将小波阈值理论与时间序列算法结合起来创建混凝土坝位移时序预报模型，模型通过不同小波分解层数、小波基、阈值选取准则、阈值函数集成出一个MATLAB编码平台进行数据平滑处理，能高效挖掘大坝位移数据的影响分量信息，并选择自回归(autoregressive model, AR)时间序列模型作为预报模型。实例应用表明，新的融合模型预测性能较好，能有效监测大坝运行状态，且其分析结果对于其他数字工程的数据预测也具参考价值。     

基于ARIMA模型的大坝安全监测数据分析与预测

大坝安全监测数据是既可能有趋势性又可能有季节性的时间序列数据,为了准确地对其进行分析与预测,运用较适合处理非平稳性时间序列的ARIMA模型,首先通过差分将非平稳时间序列平稳化,然后通过自相关函数和偏自相关函数进行模型识别,得到若干初选模型,进而估计各初选模型中的参数,并根据贝叶斯信息准则确定最终模型,最后利用最终模型对监测数据进行拟合和预测。以李家峡水库大坝的一组安全监测数据为例,通过模型计算,对模型拟合和预测数据与实际位移数据进行比较,结果表明,ARIMA模型在大坝安全监测数据的分析与短期预测方面有较高的精度,具有可行性。     

光伏电站数据中心建设研究

围绕黄河公司光伏发电数据中心建设目的、建设规划以及功能设计几个方面,系统的阐述了以通信为基础,数据应用为核心,通过人工智能、机器学习、中短期气象预测、新一代组件技术、柔性支架技术、功率预测模型优化等多项前沿技术的应用,构建基于工业互联网、大数据技术、自动化与复杂系统三大领域跨界融合服务于政府及电网企业和新能源全产业链的光伏电站数据中心。