基于改进的偏最小二乘法的防渗帷幕防渗预测模型研究

针对偏最小二乘回归法含有全部自变量引起的预测误差问题,对偏最小二乘回归法进行了改进,采用主元选择的GA-PLSR法,即引入逐步回归方法中挑选和剔除因子的思想来选择与因变量相关性较强的自变量主元,然后利用偏最小二乘回归法进行建模,再采用遗传算法对其回归系数建立目标函数进行优化,确立最后的拟合模型用于因变量的预测,并通过实例应用,将选择主元的偏最小二乘回归模型、常规的偏最小二乘回归模型及基于主元选择的GA-PLSR模型的预测结果进行比较。结果表明,基于主元选择的GA-PLSR模型的拟合效果较好,且预测精度更高。     

因子相关性对大坝监测模型精度的影响探究

介绍了逐步回归、岭回归、偏最小二乘回归、RBF神经网络、主成分RBF组合模型的基本思路与特点。以陈村大坝变形计算为例,分别建立了各种回归模型,比较了各种模型的优缺点,指出线性统计模型中偏最小二乘回归法的拟合精度及解释能力优于逐步回归、岭回归法;RBF神经网络、主成分RBF组合模型优于线性统计模型,主成分RBF组合模型最优,拟合及预测精度最好。     

土石坝渗流监测统计模型的变量分离方法

统计回归模型是土石坝渗流安全监测分析中最常用和相对成熟的数学模型,通过分离变量分析环境量对效应量的影响特性是进行土石坝渗流安全评价的重要途径之一。针对采用最小二乘法分离土石坝渗流统计回归模型各影响分量时存在的因子多重共线性问题,提出了基于主成分分析的变量分离方法,并将其应用于冶勒混凝土心墙堆石坝的变量分析中。实例应用结果表明,该方法能有效避免因模型因子间的多重共线性而造成的回归系数不合理和分量峰值错位的问题,提高了分量分离结果的力学规律一致性与结构特性变化的吻合度。     

基于ARMA混合回归模型的土坝变形分析

针对大坝变形问题,提出了基于ARMA混合回归方法,筛选出大坝变形因子并建立了大坝变形模型.以某大坝为例,采用该法进行了计算并与统计多元回归模型的预报效果做了比较分析.结果表明,土坝的变形量与其自身历史变形量关系密切,水深对其变形有一定影响,温度对其变形影响不大,ARMA混合回归模型预报精度明显高于多元回归模型.     

偏最小二乘回归在大坝位移监控中的应用

大坝位移监控模型各影响因子之间往往存在着多重相关性,给回归建模分析带来许多负面影响,采用偏最小二乘回归(PLSR)建模分析可以很好地解决这个问题。文中在简述PLSR原理的基础上,结合工程实测数据,建立了大坝位移监控的PLSR模型和逐步回归模型,并对两者进行比较分析,取得了较合理的结果。     

锅炉烟气含氧量预测混合模型及应用

影响锅炉烟气含氧量的因素多而复杂,根据某电站锅炉特点选取煤种参数、煤量、风量、蒸汽流量、排烟温度、燃烧器摆角等15个影响燃烧的参数作为烟气含氧量的预测参数,将偏最小二乘回归与神经网络相耦合,利用偏最小二乘回归对数据提取主成分,建立了烟气含氧量预测混合模型。利用此模型进行了参数影响烟气含氧量的分析,并针对最优的风量、低位发热量这两个参数提出了锅炉运行优化目标值。     

GRNN与统计模型在海堤渗压监测中的应用比较

为掌握海堤状态量的变化规律并进行有效预测、评判,在对海堤渗压效应量和影响因素分析的基础上,给出了监测模型的影响因子基本形式,采用统计理论和广义回归神经网络(GRNN)分别建立了分析预测模型,对两种模型的建模原理、模型中影响因素及模型效果等方面进行了比较,可为复杂的海堤状态的安全监控提供参考.     

大坝安全监控PCA-BP融合模型研究

针对大坝资料分析中经常遇到多因子的相关性影响分析效果的问题,利用主成分分析法提取综合变量,与BP神经网络相融合构建了大坝安全监控 PCA-BP 融合模型,并与传统大坝安全监控模型做了对比分析.结果表明,模型优化拟合精度得到提高,收敛时间加快.     

基于主成分回归分析的气象因子对光伏发电量的影响

采用主成分分析方法降低气象维度,提取互不相关的综合性评价指标,并将提取出的主要成分作为回归模型的自变量建立多元线性回归模型。通过检验可知:主成分回归模型的拟合优度优于直接回归模型,提高了预测精度,预测结果也较为稳定。因此,主成分分析法可有效提高光伏发电量的预测精度。     

线性回归法建立城市空气PM2.5预报模型——以宝鸡市为例

采用线性回归法建立宝鸡市秋冬季节降水量较少的情况下PM2.5的预报模式,对各影响因子的相关性作了分析。分析结果显示PM2.5浓度与前日PM2.5浓度、气压、温度和风速的相关性较好,与相对湿度的相关性较差。采用5因子模型预报和4因子预报模型分别对3月份的PM2.5浓度进行预报,4因子预报结果更接近实测值。宝鸡市PM2.5预报模型在冬春降水量偏少的情况下采用4因子预报模型更为准确。     

小型蒸发器缺失观测值插补计算模型研究

为了解决小型蒸发器观测值缺失的问题,分析了小型蒸发器和E 601B型蒸发器观测值折算系数法的不足,采用回归分析法计算了小型蒸发器观测值,基于成因分析法选用相应月份合适的气象因子,在相关性分析的基础上采用多元回归分析法、逐步回归分析法和门限回归分析法进行计算,采用排序评分法选定出最佳的回归分析多项式,并对2002~2017年的值进行预报,发现选用的最优回归多项式的预报结果与E 601B型蒸发器的观测值的比值在合理的范围内,并进一步扩大了比值的区间;预报因子和预报方法相结合能够获得模拟和预报正确率最高的模型,所提方法对小型蒸发器观测值的预报和插补具有较好的指导意义。     

基于粒子群优化算法的凝汽器真空预测模型

分析了凝汽器的传热特性,利用660MW机组DCS采集到的数据,通过多元回归分析了凝汽器真空与其影响因素之间的关联关系,得到了偏相关系数,为真空预测模型提供了理论依据．应用主元分析与粒子群BP神经网络相结合的方法,给出了凝汽器真空预测模型,实现了对真空值的提前预测．通过凝汽器预测真空值与监测值的对比,判断此时的真空运行状态是否合理,实现凝汽器运行状况的软测量,为凝汽器的故障诊断提供理论依据,从而提高了机组的运行效率,保证机组的安全可靠运行．     

基于灰色关联度分析的山西省PSO-SVR需水量预测模型

为准确进行需水预测,提出一种基于灰色关联度分析的PSO-SVR需水预测模型,该模型运用灰色关联度分析方法筛选出需水的主要影响因子,在此基础上应用粒子群算法优化支持向量回归机(SVR)模型中的参数,并利用此模型预测2015?2017年山西省需水量.结果表明,总需水量相对误差的绝对值分别为0.02％、0.08％、0.03％...     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

洪汝河流域气候和径流响应及贡献率定量分析

洪汝河流域因气候、地形和人类活动的综合影响,旱涝灾害时有发生,因此研究其径流与气象因素的响应关系对灾害防治具有重要意义.基于流域出口站班台站1960?2016年的径流和气象资料,利用小波分析法揭示径流演变周期,综合运用有序聚类等方法诊断突变点.在偏相关分析基础上引入复相关计算定性分析径流和气象因子相关性,最后应用累积量...     

基于灰色关联分析的BSO-ELM-AdaBoost风电功率短期预测

提出基于灰色关联分析与自适应提升的天牛群优化极限学习机风电功率短期预测方法.首先,利用灰色关联分析构建训练样本集,提高历史数据与预测日时间尺度上的信息关联度.在此基础上,利用天牛群算法优化极限学习机,为极限学习机寻找最优权阈值,提高其泛化能力.最后,引入集成学习理念,通过自适应提升算法学习组合多个极限学习机弱预测器,对...     

水文预报因子选择中两种不同方法的对比分析

鉴于合理选择预报因子和预测方法是提高中长期水文预测准确性的重要环节,以青海省西宁市为例,采用单相关系数法和相关概率法对气温和降水资料进行相关性分析,并在此基础上进行线性和非线性回归预测。结果表明,在给定95%置信度条件下两种相关性分析方法均通过检验,气温和降水线性相关显著,可将气温作为预报因子进行降水预测,但线性回归预测结果不理想,而采用最小二乘支持向量机的非线性方法预测结果较理想。     

一种W型结构元素的自适应数学形态学及其在风电机组轴承故障诊断中应用

为了提高风电机组滚动轴承故障诊断的有效性和可靠性,提出一种W型自适应数学形态学特征提取方法,并与谱相关分析相结合形成风电机组滚动轴承故障诊断策略。该方法首先针对传统三角型结构元素在故障特征提取中易出现对脉冲信号的漏查,提出一种W型结构元素,旨在捕捉更多特征信息;之后依据各故障信号的实际波形得到结构元素的高和最优开闭运算加权因子,构建自适应形态学模型;最后对测试信号与训练信号进行频域内谱相关性分析,依据相关系数识别故障。将该方法通过数值例、西储大学实验台轴承数据和实际风场采集数据进行算法验证,并与传统的三角型结构元素进行比较,实验结果表明W型结构元素能更有效地提取信号中的脉冲成分、降低噪声干扰,故障诊断算法可准确识别出故障类别,提高结果的可靠性。     

基于改进混沌搜索的AMPSO-BP短期负荷预测

为了精准预测微电网短期负荷,采用模糊聚类方法选择相似日粗集,用灰色关联分析法选取相似日,并针对神经网络易陷入局部极小值的缺点,提出基于混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立AMPSO-BP神经网络短期负荷预测模型。对收集的电网数据进行试验仿真结果显示,所提方法有很高的预测精度和稳定性,在实际中有一定的应用价值。