拱坝施工仿真参数多因素概率预测方法

施工仿真参数对拱坝施工进度仿真结果的准确性具有重要影响。目前施工仿真参数分析多采用单变量建模方式,部分采用多元分析方法建立点预测模型,均难以分析各类因素影响下施工仿真参数的不确定性。针对上述问题,本研究提出基于宽度学习系统-弹性网分位数回归（broad learning system-elastic network quantile regression,BLS-ENQR）的施工仿真参数概率预测方法。宽度学习系统不需要深度网络结构,具有高效的非线性学习能力,可以克服传统分位数回归模型仅能分析线性关系的不足;同时,采用弹性网正则化惩罚来减小回归系数并提高模型稀疏性,从而避免模型过拟合。工程应用表明,本研究提出的方法可以有效分析出施工仿真参数的概率分布,且相比于支持向量机-弹性网分位数回归、极限学习机-弹性网分位数回归、宽度学习系统-分位数回归模型,该方法具有更好的预测性能,为拱坝施工仿真参数预测提供了一种新思路。     

高拱坝施工仿真参数EMD-P-ILSTM动态更新模型研究

施工仿真参数更新是确保建设期施工进度仿真准确性的关键。但现有的参数更新方法难以对参数局部非线性和波动性变化特征进行学习和提取,更新精度有待进一步提高。为此,本文利用深度学习模型能够深度挖掘参数序列隐含信息的优势,采用分解-预测-集成的建模新思路,提出高拱坝施工仿真参数EMD-P-ILSTM动态更新模型。该模型利用基于自适应步长改进的天牛须算法对长短期记忆网络模型的超参数进行自动寻优,以提高建模效率。采用经验模态分解法将参数序列分解为多个平稳的子序列,并利用偏自相关函数自动选取各子序列的时间窗口。工程实例表明,相比于未改进的LSTM、BPNN、SVM和贝叶斯更新方法,本文模型能有效跟踪施工参数的复杂变化,具有更高的预测精度。     

高拱坝施工的SD-ABMS混合仿真建模研究

针对现有的高拱坝施工仿真多采用离散事件仿真（discrete event simulation,DES）这一建模方法,难以从微观层面精细地描述大坝施工复杂系统中的个体行为,同时仿真模型缺乏对关键连续因素的复杂作用关系进行定量分析的问题,提出高拱坝施工的SD-ABMS混合仿真建模方法。首先采用基于多智能体的仿真与建模方法（agent-based modeling and simulation,ABMS）,依据高拱坝施工流程,抽象出拌和楼、自卸汽车、缆机、施工仓面四种Agent和详细的混凝土转运过程,对各Agent的行为以及它们之间的相互作用进行建模;同时,对影响施工效率的各种连续因素,基于系统动力学方法（system dynamics,SD）进行建模,定量分析疲劳、熟练度等连续影响因素对施工效率的影响;最后,以工作时间、缆机循环时间等为接口变量,建立高拱坝施工的SD-ABMS混合仿真模型。工程应用表明,与传统DES模型以及单一ABMS模型相比,仿真结果与工程实际偏差率分别平均缩小了4.83%和3.5%,为高拱坝施工过程精细化仿真分析提供了新的思路。     

基于LSTM-ARIMA算法的发电机定子线棒出水温差预测

对定子线棒出水温度的最大温差进行预测,对于保障汽轮发电机的安全运行具有重要意义。但由于发电机运行过程中工况多变,温差时间序列变化模式复杂,因此趋势预测相对困难。本文使用长短时记忆(LSTM)神经网络对复杂的变化模式进行学习,并进一步融合了差分整合移动平均自回归(ARIMA)模型,用以弥补工况多变导致的训练不足的问题,从而对LSTM神经网络的预测结果进行修正。然后,在型号为QFSN-660-2-22的汽轮发电机运行数据上开展了实验,结果表明该方法预测效果优于单独的LSTM神经网络和ARIMA模型算法,并且可用于短期预警,准确率高于95%。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于SLAM优化的高拱坝施工仿真移动AR可视化

目前基于增强现实（augmented reality,AR）的高拱坝施工仿真可视化研究,存在可视化角度受限及系统集成度差的问题。移动AR具有交互方式多元化的优势,但存在相机注册误差较大的不足。针对上述问题,提出基于同步定位与地图构建（simultaneous localization and mapping,SLAM）优化的高拱坝施工仿真移动AR可视化方法。本文首先基于SLAM根据目标三维-二维成像关系精确计算初始化相机注册参数,并利用ARCore运动追踪实现移动中实时相机注册;同时,结合相机注册结果,将施工仿真虚拟场景与实际场景融合,实现施工仿真移动AR可视化分析。工程应用表明,基于SLAM优化的移动AR施工仿真可视化系统,初始化相机注册精度相比传感器提高了97.6%,移动中相机注册误差平均仅为0.275 m,能够实现多方位的空间决策分析。     

高拱坝真实工作性态仿真的理论与方法

高拱坝的安全是坝工界非常关注的问题,其中的核心问题之一就是大坝在当前荷载工况下的真实工作性态。本文从高拱坝真实荷载、分析方法与技术、参数与准则等3个方面就近几年来取得的有关高拱坝真实工作性态仿真的理论与方法的成果进行系统的阐述,建立起高拱坝真实工作性态仿真研究的整体概念,服务于高拱坝的设计与施工。     

基于传统CNN-LSTM模型和PGAN模型的用电量预测对比研究

为保证新一代智能电网能够根据实时的用电量情况动态的调节区域内电能分配及调度,需要实现高效且精准的用电量预测。传统电网中用电量预测方法是通过人工统计或者对历史同期用电量分析,粗略的计算出可能产生的用电量,不但消耗大量的人力物力,且无法满足智能电网背景下的用电量精准预测。现在采用差分整合移动平均自回归预测模型,长短时记忆网络预测模型和生成对抗网络预测模型等方法对用电量预测问题进行了研究,以取代传统的用电量预测方法。结果表明,智能算法可以大大程度上提高用电量预测的准确性,但要实现短时高效预测,还需在智能电网系统中对智能算法合理使用。     

基于AELSTM 模型迁移学习的滚动轴承剩余寿命预测

滚动轴承是机械设备中的重要零件,其工作状态直接关系着设备的运行,一旦发生故障会引起整个设备的正常运行,甚至引发重大的安全事故,因此,对其剩余寿命预测对设备的健康管理具有重要意义。提出了一种基于自编码-长短时记忆网络(autoencoder-long short term memory, AELSTM)迁移学习(transfer learning, TL)的滚动轴承剩余寿命预测方法,首先采用自动编码器自动提取源域中原始振动信号中的特征,再构建双层LSTM模型对剩余寿命进行预测,通过源域中训练获得AELSTM模型,再用目标域中的数据对AELSTM模型训练,完成对模型参数的微调,最后用调整好的模型对目标域中的数据进行预测。通过参数共享和微调两种方法,大大简化了模型在目标域上的训练过程。试验结果表明,在同轴承不同工况下,所提出模型相比于其他4种迁移学习方法的均方根误差分别降低了45.9%、58.9%、42.8%以及83.8%;在不同轴承不同工况下,所提出模型的均方根误差分别降低了16.9%、18.9%、11.7%以及8.9%。     

变分模态分解在光伏发电功率预测中的应用

准确可靠的光伏发电功率预测对制定高效智能的负荷调度策略具有重要的指导意义。不同于常规方法,提出了一种基于变分模态分解和差分整合移动平均自回归模型的组合预测方法。变分模态分解可将原始信号分解为若干个具有不同中心频率和频率带宽的模态函数;差分整合移动平均自回归模型可对每一个模态函数建立预测模型。实验结果表明本文所提方法在对光伏发电功率预测时,优于基于经验模态分解法和局部均值分解法的预测模型,具有较高的预测准确度和稳健性。     

基于长短时记忆网络的电力系统负荷预测方法研究

准确的负荷预测对保持电网的稳定性和提高当地经济效益、节约成本有重大帮助。考虑到负荷数据带有时序性,以及智能电网的发展所带来的数据量的增大,建立了长短时记忆网络(LSTM)模型来对未来用电量进行短期负荷预测。针对Adam训练算法可能存在的收敛问题,对其进行了改进,并通过MATLAB软件对LSTM网络进行建模,通过与BP神经网络进行对比,结果表明,LSTM模型具有更高的精确度以及实用性。     

基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。     

考虑分时段负荷行为的短期负荷预测方法

随着电力大数据时代的到来,对电力负荷预测的精度提出了更高的要求,准确的电力负荷预测对电力系统安全稳定运行,降低成本开销具有重要意义.针对短期电力负荷在不同时间段下呈现不同的负荷运行规律的特点,在日范围内计算不同的时间段的负荷行为相似度.在考虑天气维度和时间维度的基础上,增加考虑行为维度,将不同时间段的行为相似度因素引入...     

基于改进差分时域特征和深度学习优化的航空发动机剩余寿命预测算法

实现航空发动机剩余寿命的准确预测对于保证飞行安全和提高维修效率具有重要意义,但现有的预测算法往往只是浅层结构,且对各传感器参数之间的相互关系缺乏关联性考虑,限制了对发动机参数信息的深度挖掘。在深度学习理论的基础上,着重考虑不同传感器之间的参数关系,引入差分时域特征扩充特征集,构建了基于长短时记忆网络的寿命预测模型DTF-LSTM。在C-MAPSS数据集上的实验结果表明,该算法相较于其他深度学习算法具有更低的均方根误差(RMSE)值,可以有效实现发动机剩余寿命预测。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据,对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系,用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势,再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题,最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现,相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型,LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

中国火电行业多模型碳达峰情景预测

随着2030年碳达峰目标的提出,能源行业中火电行业的碳达峰情况备受瞩目.文章首先根据Kaya恒等式的扩展,分析得到影响碳排放的主要因素:人口、经济、产业结构、能源消费强度以及消费结构;其次,以2000—2018年数据为基础分别建立线性回归、径向基函数(radial basis function,RBF)神经网络、差分自...     

基于PF-ARIMA的锂离子电池剩余寿命预测

针对电池健康状态局部波动增加预测难度,采用粒子滤波和自回归整合移动平均模型分别预测由经验模态分解提取的健康状态趋势项和细节项,实现锂离子电池剩余寿命预测.提出的PF-ARIMA方法相对误差均值约4.0％,表明该方法能够较为准确地预测锂离子电池剩余寿命.