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。     

基于天气类型聚类和LSTM的PM2.5短期预测模型

为了提高多变天气状态下PM_2.5的预测精度,利用灰色关联分析确定与PM_2.5相关性较强的因素,通过Copula函数建模分析得出PM_2.5与AOD具有强相关性且季节差异明显。采用自组织特征映射(SOM)对天气类型进行聚类识别,基于LSTM建立不同天气类型下的PM_2.5浓度短期预测模型。算例结果表明,与传统BP神经网络、支持向量回归方法相比,基于LSTM建立的模型具有更高的预测精度。     

基于改进INFO-Bi-LSTM模型的SO2排放质量浓度预测

针对火电机组SO₂排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors, INFO)算法与双向长短期记忆(bi-directional long short term memory, Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO₂排放质量浓度进行预测,将预测结果进行验证对比。结果表明：改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO₂排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。     

基于非线性高斯混合回归的燃煤锅炉NOx排放浓度预测模型

为了准确测量锅炉出口的NO_x排放浓度，针对燃煤锅炉的复杂非线性，提出了一种基于非线性高斯混合回归(Nonlinear Gaussian Mixture Regression, NGMR)的NO_x排放浓度预测方法。采用滑动时间窗方法，结合奇异值分解实现稳态判定；进一步采用互信息(Mutual Information, MI)判断不同变量与NO_x排放浓度的相关性，确定模型输入变量；利用选定的输入变量，基于NGMR建立NO_x排放浓度预测模型；基于某660 MW燃煤机组运行数据，将提出的NGMR模型分别与人工神经网络(Artificial Neural Network, ANN)模型、支持向量回归(Support Vector Machine, SVR)模型以及极限学习机(Extreme Learning Machine, ELM)模型进行对比分析。结果表明：NGMR模型预测均方根误差(Root Mean Square Error, RMSE)为4.66 mg/m³,平均绝对误差(Me...     

基于IEWT-FE-BO-LSTM模型的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于IEWT-FE-BO-LSTM的组合风功率预测模型,首先利用改进经验小波分解(IEWT)对历史风功率数据进行分解;然后引入模糊熵(FE)算法对各分解子模态进行复杂度计算重组子模态;再对各个重组分量分别建立基于长短时神经网络(LSTM)的预测模型,利用贝叶斯优化算法(BO)进行超参数组合,解决人为调参导致训练结果不佳的问题;最后通过历史风电场数据进行算例分析。结果表明,IEWT-FE-BO-LSTM模型对超短期风功率有较高的预测精度和预测效率。     

基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R²)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。     

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。     

基于机器学习的卤化物双钙钛矿材料性能预测

以卤化物双钙钛矿材料为研究对象,利用机器学习方法高速、高精确预测卤化物双钙钛矿材料的带隙和相对稳定性。使用贝叶斯岭回归、梯度提升回归、支持向量回归和XGBoost这4种算法建立模型,分析得出：梯度提升回归可为相对稳定性提供最高性能预测(R²=0.9161,MAE=0.2061),XGBoost可为带隙提供最高性能预测(R²=0.9899,MAE=0.0542);采用SHAP方法解释模型后,对元素替换后的新样本进行筛选,最终获得18种光吸收范围理想且稳定性良好的卤化物双钙钛矿。结果表明,相比传统方法,基于数据驱动的机器学习方法可有效加速功能材料的发现,提高设计效率。     

基于正弦余弦算法的汽轮机热耗率预测

为了准确建立汽轮机热耗率预测模型,提出了一种基于量子位Bloch坐标编码自适应的改进后正弦余弦算法(ASCA)和快速学习网(FLN)综合建模的方法.首先将ASCA算法与经典的人工蜂群优化算法(ABC)、教与学优化算法(TLBO)和正弦余弦算法(SCA)进行比较,最后利用某600MW超临界汽轮机组现场运行数据建立汽轮机热耗率预测模型,并将ASCA算法优化的FLN模型(即ASCA-FLN模型)的预测结果与FLN、ABC-FLN、TLBO-FLN和SCA-FLN模型的预测结果进行比较.结果表明:ASCA-FLN模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率.     

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。     

基于EnKF法的无资料地区河道断面形状反演研究

针对无资料地区河道断面反演中使用优化算法和概率密度等数学方法在算法寻优过程中易陷入局部最优解的问题，提出了基于集合卡尔曼滤波(EnKF)和粒子群优化(PSO)耦合的方法实现对无资料地区河道断面的反演计算，即通过粒子群优化算法对缺失断面进行初始化，形成一个梯形的初始断面，再通过EnKF不断对初始断面进行修正，并通过理想案例对所提方法进行验证。结果表明，模型的R²、N_NSE均高于0.99,相对均方差小于0.04。考虑到工程实际中的观测误差，选取0.1%、1%、5%、10%的观测误差对缺失断面、PSO初始断面及EnKF法修正断面的水动力模拟误差进行评价，发现误差随选取的误差不同整体呈现正态分布，但EnKF法面对不同的观测误差均可保持一个很高的模拟精度，R²均高于0.98,相对均方差均小于0.06 m,N_NSE均高于0.98。可见所提方法具有较高的可行性。     

基于K-means分层聚类的TCN-GRU和LSTM动态组合光伏短期功率预测

为了提高电网运行的稳定性和改善电网的节能调度,针对目前单一模型处于不同天气状况时,预测精度难以达到最优的状况,文章提出了一种基于K-means分层聚类的TCN-GRU和长短期记忆网络(LSTM)动态组合光伏短期功率预测。利用K-means算法进行二次聚类,将天气类型分为晴天(A₁)、多云(A₂)、阴天(A₃)、雨天(A₄);通过时间卷积网络(TCN)提取数据的时序特征,并结合门控循环单元(GRU)建立出融合提取时序特征模块的TCN-GRU结构;TCN-GRU与LSTM神经网络动态组合后,通过弹性网络(ElasticNet)回归选择最佳输出权重得到最终预测值;基于江苏某地区的光伏发电功率数据及对应的气象数据对文章所提出的方法进行验证。在4种天气状况下,通过与其他模型预测结果进行比较,文章提出的动态组合模型预测精度更高。     

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．     

基于磷虾群算法的汽轮机热耗率建模应用

为了准确建立汽轮机热耗率预测模型,以某热电厂600MW超临界汽轮机组为研究对象,采用基于反向学习自适应的磷虾群算法(OAKH)和快速学习网(FLN)进行综合建模,并将该模型的预测结果与基本快速学习网、粒子群算法、生物地理学优化算法和磷虾群算法优化的快速学习网模型的预测结果进行比较.结果表明:OAKH算法能够更好地优化FLN模型参数,使所建立的FLN汽轮机热耗率预测模型具有更高的预测精度和更强的泛化能力,能够准确、有效地预测热电厂的汽轮机热耗率.     

早期受冻损伤混凝土强度预测模型研究及其配比优化

针对严寒地区水工混凝土建筑物在浇筑施工时易受早期冻害，并可能影响后期健康服役的问题，为研究早冻混凝土强度损伤规律并对其配比进行优化，利用RSM响应面法Box-Behnken(RSM-BBD)优化试验设计，并建立以水胶比、粉煤灰掺量、引气剂掺量为变量的RSM响应面模型；同时，构建一种GA-BPNN强度预测模型，实现早冻混凝土强度的精确预测。结果表明，与RSM模型相比，GA-BPNN模型有更精确的预测性能，且能更高效地优化配比设计；GA-BPNN强度预测模型的拟合优度R²和平均相对误差e_MRE分别为0.998 5、2.13%,最优配比强度预测值与试验值的相对误差约为1%,应用该模型可实现混凝土受冻强度推演及其配比的高效优化。     

基于MI-GA-LSTM的锅炉NOx排放快速预测模型

针对电站锅炉在实际运行过程中存在燃烧优化调整不及时以及烟气脱硝成本较高的问题，提出了基于MI-GA-LSTM的炉膛出口NO_x排放快速预测模型。根据燃煤锅炉实际运行数据，利用互信息(MI)进行特征相关性分析，将所得最优特征子集作为长短时记忆神经网络(LSTM)的输入，并利用遗传算法(GA)对模型关键参数进行寻优，得到炉膛出口NO_x原始生成质量浓度预测的MI-GA-LSTM模型，并与LSTM、门控神经网络(GRU)、循环神经网络(RNN)在同一测试集上进行预测效果对比。结果表明：该模型在训练集和测试集上都能够对运行数据进行精准地预测，可以很好地完成多变量非线性拟合；该模型在测试集上的3项指标均优于其他模型，具有更高的预测精度和泛化能力；该模型可作为炉膛出口NO_x排放质量浓度传感器的补充，提前准确感知炉膛出口NO_x原始生成质量浓度的变化。     

基于随机森林的SCR脱硝系统出口NOx浓度预测研究

基于集成学习中的随机森林(Random forest, RF)算法,利用某燃煤机组SCR脱硝系统历史运行数据,通过计算各特征变量重要性评分选取出最优输入变量集,建立脱硝系统出口NO_x浓度最优的RF预测模型。与常见建模方法进行对比,结果表明:基于RF算法的模型预测精度明显高于BP神经网络和SVM等建模方法,且经最优变量选择后,具有更好的泛化能力和更短的建模时间,能够有效应用于电厂烟气脱硝系统出口NO_x浓度预测中。     

基于CPSO-LSSVM的汽轮机热耗率软测量模型

为了准确建立汽轮机热耗率预测模型,提出了一种基于变空间Logistic混沌粒子群算法(CPSO)优化最小二乘支持向量机(LSSVM)的汽轮机热耗率软测量模型。采用变空间Logistic混沌搜索策略和粒子镜像越界处理策略来改善粒子群算法(PSO)的全局优化性能,提出了CPSO优化最小二乘支持向量机的超参数以改善模型预测精度,并以某600 MW汽轮机组为研究对象,利用该机组的运行数据建立CPSO-LSSVM的热耗率预测模型。结果表明:CPSO-LSSVM模型具有更高的预测精度和更强的泛化能力,能够准确有效地预测热电厂的汽轮机热耗率。