基于深度学习模型的新能源电站一体化短期功率预测

为了解决风力发电和光伏发电随机性、波动性、间歇性造成的新能源功率预测建模和精度不高问题,基于深度学习模型变分自动编码器(Variational Auto-Encoder, VAE)在时间序列建模和非线性逼近特征提取方面的优异性能,开展新能源电站VAE模型功率短期预测研究,并与循环神经网络(RNN)、长短期记忆(LSTM)深度学习方法和支持向量回归(SVR)机器学习方法的预测结果进行了对比。光伏电站和风电场独立功率预测结果表明,深度学习模型较基线机器学习模型预测性能更好,基于VAE的预测方法能够学习更高级别的特征,其预测性能表现更佳,光伏功率预测模型的RMSE、MAE和R²值分别为1.593、1.098和0.973;风光一体化功率预测结果表明,VAE和RNN模型能够提高功率预测准确性,其一体化功率预测模型的R²值分别为0.96和0.97。     

基于机器学习算法的万家寨水库排沙预测研究

为克服水库排沙多因素、非线性复杂关系建立难题，实现水库排沙准确预测，利用万家寨水库2002～2020年水沙系列数据，基于XGBoost、KNN、SVR、RF四种机器学习算法分别预测分析水库出库含沙量。结果表明，利用机器学习算法可有效预测综合考虑不同影响因素的水库排沙；不同机器学习算法在水库排沙预测的适用性有所不同，对比之下，基于RF算法建立的水库排沙预测模型的决定系数R²最高为0.934 9,平均绝对误差及均方根误差均最小，分别为2.974、4.886,其预测效果更优于其他三种算法。研究成果可为水库排沙精确预测及调度方案优化提供参考。     

基于SARIMAX-XGBoost模型的区域能耗预测

为了对能源消耗做出精准的预测,文章提出了一种基于带外生变量的季节差分移动自回归(seasonal autoregressive integrated moving average with exogenous,SARIMAX)模型与极限梯度提升算法(extreme gradient boosting,XGBoost)混...     

基于数据驱动算法的再热蒸汽温度动态预测

锅炉再热蒸汽温度具有强非线性和大滞后特性,为解决其软测量中常规单一模型预测精度不足的问题,提出一种基于自适应提升算法(Adaptive Boosting, Adaboost)和极限梯度提升(eXtreme Gradient Boosting, XGBoost)的数据驱动建模方法。利用变分模态分解对数据进行深度解析,通过XGBoost建立预测模型,将其作为弱学习器,经过Adaboost算法的不断迭代,配合误差动态修正(Error Dynamic Correction, EDC)构造出一种再热蒸汽温度动态数据驱动模型。结果表明：模型最终的精度评价指标均方根误差(Root Mean Square Error, RMSE)和平均绝对误差(Mean Absolute Error, MAE)分别为1.733和1.387,与常规的支持向量回归、随机森林及XGBoost模型相比表现更为优异,可以实现再热蒸汽温度的快速准确预测,为后续再热汽温优化控制问题提供有效的参考。     

基于物理成因的中长期径流预测模型研究

可靠的中长期径流预测对水资源开发等具有重要意义。为此,筛选了影响径流的主要物理因子,引入极端梯度提升(XGBoost)算法构建中长期径流预测模型,通过纳什效率系数评价模型精度,并与多元线性回归模型(LR)、梯度提升决策树模型(GBDT)进行比较。实例应用结果表明,该模型对月径流过程的预测精度较高,训练期和验证期的纳什效率系数均值分别达到了0.9和0.7,且泛化能力优于GBDT模型和LR模型,用于中长期径流预测具有一定的可靠性和稳定性。     

基于Stacking集成算法的抛石护岸水毁破坏预测研究

抛石护岸在顶冲等极端情况下易发生水毁破坏,给人民的生命财产带来威胁。通过水槽试验获取496组样本数据,利用互信息(MI)筛选出6个关键特征属性,并采用支持向量机(SVR)、广义回归神经网络(GRNN)和随机森林(RF)等机器学习算法构建多个预测模型。然后,将这些模型作为基学习器,结合BP神经网络(BPNN)作为元学习器,采用Stacking集成学习方法构建抛石护岸破坏程度预测模型。最后,通过决定系数(R²)、均方根误差(R_RMSE)及平均绝对误差(M_MAE)等评价指标对模型性能进行评估。结果表明,Stacking模型在抛石护岸破坏高度、长度、范围上的平均R²为0.98、R_RMSE为0.02、M_MAE为0.03,相较于单一模型(SVR、GRNN、RF),Stacking模型的R_RMSE、M_MAE皆为最小,R²最高。在抛石护岸水毁破坏程度的预测中,融合的Stacking模型展现出更高的准确性与稳...     

基于PSO-XGBoost的风电叶片缺陷分类算法

针对风电叶片缺陷回波信号分类效率低的问题,提出粒子群-极限梯度提升（PSO-XGBoost）算法。首先采用变分模态分解（VMD）结合模糊熵的方法对缺陷回波数据进行特征提取,建立XGBoost多分类模型,在此基础上采用PSO算法对XGBoost超参数进行寻优,建立PSO-XGBoost多分类模型。这种PSO、XGBoost相结合的算法可提高风电叶片缺陷的预测精度、减少缺陷分类的误差。通过仿真,对PSO-XGBoost、XGBoost及其他几种机器学习算法进行对比,结果表明PSO-XGBoost算法准确度最高,其缺陷分类准确率可达98%。由此可见,采用PSO-XGBoost算法可有效提高风电叶片缺陷分类的准确率。     

基于不同类型全无机钙钛矿材料的太阳能电池研究

随着新型光伏电池的发展,卤族钙钛矿太阳能电池备受关注,其中全无机钙钛矿材料因其良好的热稳定性、高吸光系数、带隙可调、制备工艺简单等优点,在光电和光伏器件领域具有良好的应用前景,基于全无机钙钛矿太阳能电池的最高效率达到了20.4％.本文总结了基于ABX3、A2BX6、A2B1+B3+X6以及类钙钛矿材料等全无机钙钛矿太阳...     

基于GMM-LSSVR模型的脱硫出口SO2浓度预测方法研究

采用燃煤机组脱硫系统原始非高斯数据建立的单一出口SO₂质量浓度预测模型精度较低，泛化能力较差，针对该问题提出一种基于高斯混合模型-支持向量回归(Gaussian Mixture Model-Least Squares Support Vector Regression, GMM-LSSVR)的建模方法。采用高斯混合模型(GMM)将训练集数据聚类为多个高斯数据集，对每个对应的子集建立独立的最小二乘支持向量回归机(LSSVR)训练模型。在此基础上，估计测试集数据属于每个种群的概率并对测试集进行聚类，将每个子集输入到对应的LSSVR模型中完成预测。现场数据实验表明：采用GMM聚类后每个子集的概率密度不规则波动幅度减小，数据高斯性增强；GMM-LSSVR建模方法测试集均方根误差(RMSE)、平均绝对误差(MAE)和可决定系数(R²)较单模型LSSVR方法有较大改善，具有更好的预测精度和泛化性能。     

基于机器学习模型的关中地区GPMIMERG降水数据订正方法

针对GPM_IMERG降水数据存在系统误差的问题,以关中地区为例,在筛选海陆位置、地形、植被指数（NDVI）变量的基础上,运用支持向量机（SVM）、随机森林（RF）、高斯过程回归（GPR）模型对IMERG月降水数据进行订正,并通过34个站点数据验证订正模型。结果表明,关中地区IMERG数据具有良好的可替代性,其决定系数R²达0.76,平均绝对误差M_MAE、均方根误差R_RMSE分别为6.94、9.77 mm;经机器学习模型订正后星地数据之间的R²提升了2.05%～58.33%,R_RMSE、M_MAE分别降低了0.85%～71.23%、0.10%～73.47%;与GPR、RF模型相比,SVM模型的R_RMSE、M_MAE分别减小16.76%、9.76%和24.73%、14.11%,对IMERG数据订正具有更好的适用性。     

抗氧化小分子体掺杂对锡铅钙钛矿太阳电池性能的影响

锡铅钙钛矿中存在各种缺陷,且Sn²⁺容易被氧化成Sn⁴⁺,从而导致太阳电池的转换效率和稳定性较差。研究发现4-香豆酸(p-C)的引入可显著改变薄膜的表面形貌、有效提高结晶性,且抑制Sn²⁺的氧化,有利于提高钙钛矿层与传输层之间的能级匹配度。通过对钙钛矿光吸收层的缺陷进行钝化,可显著提升太阳电池的光电特性。最终,锡铅钙钛矿太阳电池的开路电压提升65 mV,光电转换效率由18.14%提升至20.37%,并且电池稳定性得到显著提升。     

碘三离子后处理对钙钛矿太阳电池的影响研究

采用碘三离子(I₃^-)作为提升钙钛矿太阳电池性能的界面修饰材料，对钙钛矿体相及上层空穴传输材料的接触界面进行修饰和改性，钝化光活性层上表面缺陷，以优化光电转换器件的转换效率。由反溶剂法和后处理的形式，制备平面异质结电池，运用该界面钝化策略改善后的器件效率达到18.9%，且电池的稳定性也得到增强，600 h后仅有5%的性能衰减。通过物相和光电性质等表征与测试，系统地研究电池的形貌及性能参数，探究不同浓度的I₃^-对器件性能的影响作用和机理。研究发现，该缺陷钝化策略对钙钛矿膜层进行处理后，能有效改善钙钛矿材料的结晶性，减少其表面陷阱态缺陷，降低钙钛矿与空穴传输层的载流子界面传输势垒，且I₃^-与钙钛矿能形成钝化层，起到隔绝水氧的作用，使其稳定性得到改善。     

基于混合集成学习算法的香港林村河水质指标预测

水质指数(WQI)是评价地表水水质最常用的指标。传统的WQI计算费时,且在派生子指数时常常产生错误。对此,使用4种独立算法(随机森林(RF)、额外树回归(ETR)、梯度提升回归(GBR)、XGBoost)和5种新的混合集成算法(Adaboost+RF、Adaboost+ETR、Adaboost+GBR、Adaboost+XGBoost及Stacking混合模型)来预测香港林村河的WQI值。收集香港大埔区下游TR-12监测站1987～2019年的数据,利用Pearson相关系数构建11个不同的输入参数组合,将数据按7∶3分为训练数据集、测试数据集两组,使用5种统计和视觉评价指标评价模型。结果表明,生化需氧量(BOD)和化学需氧量(COD)对WQI值的预测影响最大,Stacking混合模型的性能最优。     

基于IMPSO的双韦伯燃烧参数标定及预测

针对柴油机放热规律的拟合，提出了基于免疫粒子群优化(IMPSO)算法的双韦伯方程标定方法．对25%负荷和100%负荷的放热规律分别进行了标定，对双韦伯方程采用改进算法和免疫算法进行多解问题优化，优化结果表明：量纲为1的决定系数R²大于0.998，最优解稳定性可以达到0.700以上；对其他工况和机型放热规律进行标定，拟合和试验结果吻合，具有良好的泛化性，满足柴油机多工况的放热规律拟合要求；选择转速、循环喷油量、进气压力和进气温度作为输入，建立了多层前馈(BP)神经网络双韦伯方程预测模型，各参数R²均大于0.950，表明预测值与校准值吻合，验证了神经网络预测建模方法的可行性．     

基于XGBoost-LSTM组合模型的光伏发电功率预测

该文提出一种基于极端梯度提升（XGBoost）模型和长短期记忆网络（LSTM）模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差（RMSE）为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。     

基于贝叶斯优化—随机森林回归的燃煤锅炉NOx预测模型

根据某超超临界1 050 MW燃煤机组实际运行数据,采用随机森林(RF)算法建立燃煤锅炉炉膛出口烟气中NO_x质量浓度预测模型,并利用贝叶斯优化(BO)进行超参数寻优,将BO-RF模型与网格搜索优化的RF模型(GSO-RF)进行对比。为了更好地评价预测模型,以平均绝对百分比误差δ_MAPE和决定系数R²作为评价指标,将所建立的BO-RF模型与目前常见的基于贝叶斯优化的BP神经网络(BO-BPNN)模型、最小二乘支持向量机(BO-LSSVM)模型进行比较。结果表明：BO-RF模型比GSO-RF模型的预测精度更高,且BO-RF模型的δ_MAPE为1.478%,R²为0.916 2,均优于BO-BPNN模型和BO-LSSVM模型的预测结果,证明BO-RF模型具有更高的预测精度和更优的泛化性能。     

锂离子电池剩余使用寿命预测方法综述

近年来,随着锂离子电池的能量密度、功率密度逐渐提升,其安全性能与剩余使用寿命预测变得愈发重要。本综述全面分析了锂电池剩余使用寿命预测领域研究现状,系统介绍了现有预测算法,并着重探讨了机器学习方法在该领域的应用。基于模型的方法包括电化学模型、等效电路模型和经验退化模型;基于数据驱动的方法涵盖了支持向量回归、高斯过程回归、极限学习机、卷积神经网络、循环神经网络和Transformer等常用的机器学习方法。本文详细分析了每种方法的优缺点,并重点阐述了机器学习方法在特征提取与融合方法等方面的应用及发展情况。对于特征提取,本文从电流电压温度曲线、IC曲线、EIS曲线中进行总结分析;对于融合方法,本文将其细分为模型-模型、数据-模型、数据-数据融合方法并进行分析。最后,针对当前研究存在的问题,本综述从早期预测、在线预测和多工况预测3个方面提出了对剩余使用寿命预测方法的研究建议,为提升锂电池剩余使用寿命预测算法的准确性和实用性提供思路。     

1,1’-磺酰基双（2-甲基-1H-咪唑）对宽带隙钙钛矿太阳电池性能的影响

对倒置结构,带隙为1.68 eV的钙钛矿太阳电池光吸收层掺杂1,1’-磺酰基双（2-甲基-1H-咪唑）,以改善钙钛矿薄膜质量,提高太阳电池性能。空间电荷限制电流（SCLC）测试结果表明,掺杂后的钙钛矿薄膜的缺陷密度明显降低;稳态光致发光光谱（PL）结果表明,掺杂后的钙钛矿薄膜的非辐射复合被显著抑制;最终太阳电池的开路电压达到1.17 V,光电转换效率达到21.42%,在氮气环境下储存1000 h后,未封装的太阳电池仍能保持初始效率的96%,稳定性显著提高。     

基于ARIMA-SVM方法的梯级泵站机组运行趋势预测

针对多因素参与下梯级泵站机组运行趋势预测建模困难且预测准确度低、适应性差的问题，以宁夏盐环定扬黄工程为研究对象，引入时间序列分析法，提出了基于ARIMA与SVM模型组合的泵站机组运行趋势预测方法，即选择机组运行技术参数中的能源单耗和平均负荷作为试验样本，由ARIMA建模对处理后的数据进行线性拟合，通过SVM模型对残差进行预测处理，补偿机组运行中的非线性变化，综合二者预测结果得到组合模型预测值。结果表明，最优模型为ARIMA(1,1,3)、ARIMA(2,1,1),SVM模型最优参数分别为c=38、g=0.06和c=68、g=0.18;组合模型对试验样本的预测拟合优度分别达到0.999 2、0.998 4,均方根误差分别为1.67×10^-5、3.9×10^-8,平均绝对百分比误差分别为0.036 1%、0.074 7%,说明该组合模型预测泵站机组运行趋势精度较高、效果良好，可为泵站机组运行状态监测系统优化升级提供理论基础。     

基于XGBoost算法的光伏阵列故障诊断方法研究

针对光伏阵列故障频发,且无法及时有效在线对故障类型进行识别的问题,提出了一种基于极度梯度提升(XGBoost)算法对光伏阵列进行故障诊断的方法。首先,基于Matlab Simulink仿真技术,建立光伏阵列仿真模型,针对正常、开路、短路、老化、阴影遮挡5种光伏阵列运行状态进行仿真,获取500例有效数据;其次,分析仿真数据特征变量之间的共线性关系,提取有效的特征变量作为模型的特征变量输入;然后,基于特征变量构建XGBoost故障诊断模型,并根据10折交叉验证方法优化超参数;最后,依据模型性能度量指标对XGBoost故障诊断模型的诊断结果进行评价,并分析模型特征变量的重要性。研究结果表明：基于XGBoost算法的光伏阵列故障诊断方法能简单、高效、实时在线对样本数据进行故障诊断,可应用于光伏阵列典型故障类型的有效识别。该故障诊断方法可为光伏电站现场运维人员提供技术支持,未来将在大型光伏电站,使用更大范围的实时数据开展使用和验证工作。