三峡水库香溪河库湾水质预测

选取有代表意义的库区支流香溪河为研究对象,重点研究三峡建库后库湾的水质情况。以兴山水文站的实测资料为依据建立香溪河的一维流场模型,模拟其现时状态的流场,再用各断面水质的实测数据拟合模拟其水质场。在此基础上预测三峡水库蓄水达到１７５ｍ的设计水位时,香溪河库湾的水流运动和水质变化,为库湾水环境保护与管理提供依据。     

基于集成学习的新能源发电功率预测

针对现有新能源发电功率预测方法难以深入挖掘多维变量时序数据特征导致预测精度不佳的问题,提出一种基于集成学习的新能源发电功率预测方法。首先结合3种相关系数与Shapley值法筛选高相关度的相关变量;其次使用扩展因果卷积网络捕捉历史发电功率时序特征,并使用双向门控循环单元网络结合时间模式注意力提取过去和未来的相关变量特征;最后依照Stacking法对不同网络输出进行集成融合。实验表明,该方法在超短期内具有优秀的预测精度,预测结果均优于其他对比模型。     

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(RRMSE)及平均绝对误差(MMAE)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、RRMSE为0.02、MMAE为0.03,相较于单一模型(SVR、GRNN、RF),Stacking模型的RRMSE、MMAE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定性.     

基于集成机器学习模型的短期光伏出力区间预测

为全面深挖影响光伏出力因素之间的关联信息,进一步提高机器学习模型在短期光伏出力区间预测的精度,提出一种基于集成机器学习模型的短期光伏出力区间预测方法。首先,利用快速相关性过滤（FCBF）的特征选择算法对多维的历史光伏数据及气象数据进行最优特征的提取;然后,在集成多个机器学习模型的基础上,收集训练过程中的预测误差,通过最大似然估计获取预测误差的概率分布,得到预测区间的上下限;最后,结合集成学习模型预测得到光伏出力曲线,进而得到最终的日前光伏出力预测区间。最后通过算例验证了所提模型的可靠性与优越性。     

基于变分模态分解和集成学习的光伏发电预测

针对光伏发电量数据的非平稳性造成的发电量预测性能问题,提出一种基于改进变分模态分解和集成学习的光伏发电量预测方法。采用改进变分模态分解方法分解光伏发电量数据获得发电量分量,通过集成学习方法构建发电量分量预测模型;将发电量分量预测值进行组合,获得最终发电量预测结果。实验结果表明,所提方法在公开数据集上对光伏发电量进行预测的均方误差、平均绝对误差、决定系数值分别为0.223 2,0.338 7,0.979 7,与其他方法相比具有更高的预测准确率和更小的误差。     

基于人工神经网络和模拟集成的短期光伏发电预测

文章提出了一种基于人工神经网络(ANN)和模拟集成(AnEn)的短期光伏发电预测方法。该方法首先利用数值天气预报模型,以计算天文变量为输入,对光伏发电站点进行72 h的确定性和概率预测;然后分别运用基于ANN,AnEn和ANN+AnEn联合模型方法对3个光伏发电站点进行预测,并进一步利用模拟4 450个光伏电站的综合数据验证了该模型方法的可扩展性;最后利用美国国家大气研究中心(NCAR)的黄石超级计算机,在1个节点(32核)～4 450个节点(141 140核)内测试了该方法的并行运算处理能力。实验结果表明,基于ANN+AnEn联合模型方法可以获得最佳结果,同时证明了该方法适用于大规模并行计算。     

基于集成学习的涡扇发动机剩余寿命预测模型

为了解决涡扇发动机的监测数据维数高、时间跨度长、给预测发动机剩余使用寿命带来困难的问题。本文提出了一种基于集成神经网络模型的发动机寿命预测系统,采用集成学习中的Stacking方法对单一的学习器进行集成来预测涡扇发动机的剩余使用寿命(RUL)。模型在NASA公共数据集C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)上进行了发动机寿命预测实验验证,并与常用的机器学习方法和单一神经网络进行了比较。实验结果表明：模型在多种评价方法上综合表现最佳,且在超前预测上表现良好。     

浐灞河中下游水质时空变化特征及其与土地利用类型的关系

为探究浐灞河中下游水质时空变化特征及其与土地利用类型的关系,设置了17个采样点,分别于2019年4(平水期)、8(丰水期)、12月(枯水期)进行采样监测,运用统计学方法分析水质时空分布特征并识别主要污染因子,利用Spearman相关分析法探究土地利用类型面积占比与水质指标的相关关系。结果表明,2019年浐灞河中下游水质具有一定时空分异性。时间上来看,NH₃-N浓度值丰水期最大,TP、COD_Mn的浓度值均为丰水期>平水期>枯水期;空间上来看,NH₃-N、TP、COD_Mn浓度值从中游到下游基本呈上升趋势。受沿岸人类活动的影响,浐灞河中下游存在营养盐和有机物污染。建设用地与污染物浓度呈正相关,起“源”作用;林地与污染物浓度呈负相关,起“汇”作用。研究成果可为浐灞河流域水环境管理提供参考。     

基于时间序列的神经网络水质参数预测方法的应用

为准确预测水质变化规律,利用一种基于时间序列的神经网络水质参数模型预测方法,将时间序列预测方法与神经网络非线性建模方法相结合,通过时间序列的历史数据揭示特定水环境中水质参数随时间变化的规律,再利用神经网络的强非线性和自适应学习能力来预测未来的水质参数变化趋势,并用南津关水质自动监测站的监测数据验证了该方法的有效性。     

基于Mike21的水库联调水质预测及影响分析

近年来,城市化、工业化的发展使得城市对水资源的需求日益增加,为解决城市用水紧张,水库联合调度已成为新的应对措施之一。不同水库水质及污染物来源不同,导致联调水质风险陡增。为分析水库联合调度后水库间水质的相互影响,利用Mike21水动力—水质模型,模拟上游水库不同水质的调水对下游库区的影响,并预测其分布情况。结果表明,调水工程实施后受水水库总体水质较工程未实施前变差,除TP、TN浓度受水库初始浓度影响不能满足要求外,COD和氨氮浓度均较低;上游调水水库水质好坏直接影响下游水库坝址处的下泄水质。水库水质的模拟结果可为水源地的保护及水库的污染治理提供依据。     

APSO-WLSSVM算法在水质预测中的应用研究

针对参数选择是影响加权最小二乘支持向量机水质预测效果的关键,给出了基于自适应粒子群优化算法参数优选的WLSSVM回归预测的建模过程,以大伙房水库为例,预测了库区水质主要影响因素,并与未优选的WLSSVM预测结果进行对比。结果表明,该方法参数寻优更可靠、快速,预测精度高。     

基于Stacking算法集成模型的电厂NOx排放预测

提出一种基于Stacking算法集成模型的NOx排放预测方法.考虑不同算法的训练机理和观测角度,将门控循环单元(gated recurrent unit,GRU)、XGBoost(eXtreme gradient boosting)和随机森林(random forest,RF)等多个学习能力强、差异度大的模型进行融合,...     

基于误差预测的风速集成学习模型

受风能随机性和预测模型的影响,风速预测时不可避免地会出现误差,通过挖掘误差特性可探索新的风速预测模型,提高预测精度。提出一种基于误差预测的风速集成学习模型。该模型首先采用快速集合经验模态分解来降低风速序列的随机性,其次采用布谷鸟算法优化最小二乘支持向量机对分解得到的各分量分别建立学习预测模型。同时将历史预测误差作为一个新序列,进行建模预测。最后将原序列的风速预测结果和误差序列预测结果进行叠加得到最终风速预测结果。算例结果表明,与传统方法相比,所提集成预测模型具有更好的预测精度,证明了在风速预测中,精细化挖掘预测误差对于提高预测精度的有效作用。     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

基于CNN-LSTM的水质预测模型研究

为精确预测水质中的溶解氧(DO)浓度,提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合模型,通过线性插值法补齐缺失值以提高数据完整性,将溶解氧数据按时间滑动窗口构造连续特征图作为输入,用CNN提取数据中的抽象特征,将特征映射到LSTM中得到预测值,并以安徽省蚌埠闸水质监测数据为样本对模型进行训练和...     

基于图数据分割的子图集成学习方法及在电价预测领域的应用

目前的日前电价预测模型往往在欧式空间下进行建模,而许多研究表明图神经网络技术在各领域都具有优良的性能,但存在难以叠加多层以及鲁棒性不强等问题,因此,为进一步提升电价预测精度及图神经网络算法性能,提出基于图数据分割的子图集成学习方法,算法首先通过对区域电价多源信息进行图数据建模,形成具有边信息和节点信息的电价图数据,然后借鉴集成学习的思想,通过将电价图数据进行分割,形成多个子图数据,利用图卷积对每个子图进行图学习,最后将每个子图学习结果进行聚合,形成一层多子图学习层,所提方法适用于不同的图卷积核以及不同的下游任务场景,最后为日前电价预测任务构建预测模型。利用美国电力市场的运营数据进行算例分析,通过与对照算法对比及不同的图卷积核对比,证明所提算法具有更好的预测精准度。     

一种基于数据解析的混合风向预测算法

为了建立准确的风向预测模型,提出一种基于数据解析的混合建模算法(DAHA).首先,为了获取预测模型的输入变量、减小输入维数,采用分类与回归树算法进行特征初选择.其次,利用变分模态分解(VMD)算法将原始风向数据分解为一系列子序列分别进行研究,并针对不同的子序列采用信息熵理论进行输入变量的二次降维,以进一步优化模型的输入...     

基于机器学习的电力大客户群体月度售电量预测研究

精确的售电量预测对于电力公司合理安排供电计划、科学优化电力资源配置、提高用电管理效率、节约能源降低消耗等方面具有积极作用,电力公司也一直致力于研究售电量、售电收入的变化规律。随着预测技术的不断发展,关于售电量预测的理论以及方法已有很多,但每一种单一预测模型只能从某一方面刻画数据序列的规律,都只能反映序列的部分信息,因此文中提出了一种综合时间序列分析方法以及多种机器学习算法的电力大客户群体月度售电量预测方法,最大程度地利用现有信息,并对某省总售电量的实例进行检验,结果显示,组合预测模型的误差小于多数单一预测模型的误差,有利于提高预测模型的精度,并且预测较为稳定。     

基于混合深度学习模型的风速区间预测研究

风速的不确定性使风速预测难度加大,从而使风能难以被有效利用,为解决这个问题,基于卷积网络、共享权重长短时记忆网络、注意力机制和高斯过程回归,提出一种混合深度学习模型进行风速区间预测。首先采用卷积与共享权重的长短时记忆两者相融合的网络对风速序列进行特征提取,然后加入注意力机制有侧重地对特征向量加以利用,最后通过高斯过程回归进行区间预测。将该模型应用于2个风速数据集进行测试,从点预测、区间预测2个方面与其他风速预测方法进行对比。实验结果表明,所提预测模型能获得高精度预测结果及合适的预测区间。