基于随机森林模型的长江上游枯水期径流预报研究

预报因子选取和预报模型构建是长期径流预报的两大难点。本研究采用随机森林模型从当年1月份至10月份长江干流的实测径流和国家气候中心74项水文—气象特征因子共750个变量中选取预报因子集合,对长江上游屏山站、寸滩站枯水期（当年11月～次年5月）径流预报进行了研究。结果显示,随预见期增加,径流自相关关系逐渐减弱,水文—气象遥相关关系逐渐强于径流自相关关系。在屏山站和寸滩站的径流预报中,预报结果与实测结果呈显著线性关系,平均相对误差在20%以内。月径流预报误差还较大,枯水期总径流预报精度优于单月径流预报。不确定性分析结果表明随机森林模型除了预报径流变化趋势,还可以用于预报径流丰枯概率。     

基于多情景划分的三峡水库入库径流预报校正北大核心CSCD

本文考虑预报发生时的外界环境差异性及不同预报情景下预报误差的不同,根据降雨情况、预见期等关键影响因子的不同,实现了预报情景的划分,并进一步基于历史预报误差数据实现了不同情景下相对预报误差分布规律以及90%置信度下置信区间的推求。并基于变分模式分解和长短期记忆神经网络模型,建立了考虑预报误差和预报情景的多维、多属性径流预报校正方法,通过三峡水库实例分析发现,入库径流预报的平均相对误差由实际的8.32%降低为6.36%,减少幅度达到23.6%。此外,平均绝对误差、均方根误差及确定性系数等其他指标都得到了不同程度的改善。说明本文的方法可增加校正模型的有效信息输入,从而提高径流预报模型精度。     

神经网络径流预报模型中基于互信息的预报因子选择方法

神经网络在径流预报中得到了广泛应用并取得了良好效果,其关键问题之一是输入变量(预报因子)选择,但这一问题通常没有受到重视.本研究基于互信息的概念探讨了如何选择径流预报输入变量,并结合三峡工程建成前长江干流宜昌水文站的日径流预报进行了研究.结果表明,基于互信息能够有效地判断待选预报因子(输入变量)与预报变量之间的相互关系...     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列;然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

基于随机决策森林的高压电缆局部放电模式识别北大核心CSCD

不同类型的高压电缆局部放电(简称局放)模式识别是该领域的难题。部分电缆局放类型之间相似度较大,识别困难。针对该问题,文中提出了一种基于随机决策森林(RF)的高压电缆局放模式识别方法。首先,制作了5种高压电缆人工缺陷,结合IEC 60270—2015系统和高频电流互感器(HFCT)进行实验,获取局放数据,并进行局放特征提取。其次,介绍了随机森林算法的原理和基于随机森林的高压电缆局放模式识别流程。最后,基于实验所得数据开展了局放模式识别方法有效性验证,确定了随机森林每个节点处特征子集中特征个数、节点分裂规则、树的棵数3个参数,并与传统的决策树、BP神经网络和支持向量机(SVM)3种方法进行比较。结果显示,与上述3种方法相比,随机森林算法对高相似度局放识别能力更强。     

基于联合主成分分析的宜昌站径流中长期预报

中长期径流预报对于水资源规划管理、水库及水电站调度均具有重要意义,本文主要采用降水、径流和气象数据,应用主成分分析、气象因子遥相关分析等方法,利用东亚降水区域的联合主成分,对宜昌站径流进行中长期预报。运用主成分对宜昌站径流进行局域回归,预报取得了较好的效果。     

基于预报难度的径流预报水平综合评定

本文在分析传统径流预报精度评定方法的基础上,给出了预报难度的概念和定义,并考虑有无降雨、不同预见期及不同预报流量级别等不同预报情景,提出了两种基于预报误差分布的预报难度计算方法,可实现不同预报情景及不同预报水平标准下的预报难度计算。将其与预报员预报水平评估相结合,建立了考虑预报难度的预报人员综合预报水平评定方法。实例研究结果发现,相比于传统方法,所提综合预报水平评定方法能有效考虑不同预报情景的预报难度,能够充分体现出大难度预报情形(例如长预见期预报)在预报精度提升时对于综合预报水平的贡献量,使所得结果更加科学、合理,可有效促进预报人员预报水平的自我提升。     

入库径流预报误差随机模型及其应用

为了在量化入库径流预报误差的条件下有效提高调度方案制作的精度，基于高斯混合模型（GMM）良好的自适应性，能更准确地描述单一预见期径流预报误差分布的特点，以及高维meta-student t Copula函数具有将多个类型边缘分布有机耦合的优势，建立了多个预见期入库径流预报误差的GMM-Copula随机模型。以雅砻江流域锦屏一级水电站水库为例，对预见期分别为6 h、12 h、18 h、24 h的入库径流预报误差进行了分析与随机模拟。结果表明，随着预见期的增加，模拟误差与实际误差的主要统计特征值相差不大，满足预设精度要求，且变化规律一致，验证了模型的可行性与有效性，为水库调度方案的编制与实施提供了参考依据。     

稀疏随机森林下的用电侧异常行为模式检测EI北大核心CSCD

随着智能电网的不断推进与传感技术的高速发展,我国电网用电侧数据逐步呈现出高复杂度、高冗余度的幂指数增长态势。传统的用电行为模式检测技术已无法满足其分析处理需求。为此提出基于稀疏随机森林模型的用电侧异常行为模式检测方法。该方法首先利用时间窗函数与Bootstrap重采样,建立用电侧行为模式信息簇。其次,利用基于随机权网络的有监督学习得到随机森林模型。最后,对随机森林模型进行稀疏化,并依据异常积累量指标判定样本有无异常。仿真对比实验验证了提出的稀疏随机森林模型的精确性与高效性。此外,通过多种体量数据下的Hadoop分布式计算实验,验证了基于稀疏随机森林的用电侧行为模式检测方法对用电侧大数据的高效处理能力。     

基于RF特征优选的WOA-SVM变压器故障诊断北大核心CSCD

为进一步提高变压器传统故障诊断方法的准确率,提出了一种基于随机森林(RF)特征优选,结合鲸鱼算法(WOA)优化支持向量机(SVM)的变压器故障诊断方法。该方法首先利用5种常见油中溶解气体构建24维待选特征集合,其次利用RF算法中MDA指标对特征进行排序,通过序列反向搜索法优选出11维DGA特征量作为输入以消除冗余特征,最后将WOA算法用于SVM惩罚因子和核参数的优化,进而实现故障诊断。仿真结果表明,优选出的特征组合可有效提高诊断准确率,WOA-SVM故障诊断模型较PSO-SVM、GA-SVM,在诊断时间和准确率方面更具优势,验证了所提方法的可行性和有效性。     

基于随机森林回归方法的爆破块度预测模型研究

在筑坝材料爆破开采过程中,块度控制是确保筑坝质量最为重要的手段之一。现阶段关于爆破料块度预测的研究中,存在模型预测精度低、模型泛化能力差等问题,难于准确控制堆石料块度、符合爆破开采堆石料上坝条件。针对目前爆破预测模型存在的不足,并有效控制堆石坝料爆破块度,基于随机森林回归方法建立了爆破块度预测模型。通过交叉验证法,将随机森林模型与其他预测模型进行了对比分析,体现了该模型的优越性。在爆破块度预测系统上,结合某工程实际,验证了该模型可行性,为堆石坝爆破施工管理与控制提供了科学指导。     

基于随机森林的变压器油中溶解气体浓度预测

对油中溶解气体浓度进行分析及发展趋势预测,可以为变压器的状态评估提供重要的依据。传统的离线DGA方法因易导致延迟判断变压器的运行状态,造成一定的经济损失,现已不适用于油中溶解气体浓度分析及预测。因此,提出一种基于随机森林的变压器油中溶解气体浓度预测模型,以更准确地分析与预测油中溶解气体浓度。该模型以7种气体浓度构成特征向量空间,作为可视输入,并以目标气体浓度作为输出。试验结果表明,相较于传统的机器学习方法(BPNN、RBF和SVM),随机森林模型能更准确地预测油中溶解气体浓度,且需要调整参数少、训练效率高。通过算例分析,验证了该方法的有效性。     

基于混沌分析的月径流序列耦合预测模型及其应用

针对北方地区月径流年内年际变化幅度大、单一方法难以预测以及径流时间序列预测时,非线性模型阶数难以确定的特点,提出基于混沌分析的月径流序列耦合预测模型。该模型从时频分析角度出发,把月径流序列分解成不同的频率成分,并以相空间重构为基础进行混沌分析,然后分别采用支持向量机进行预测。以淮河支流沙河上游某水库月径流预测为研究实例,得出了较满意的预测结果,为径流预测提供了一条新途径。     

年径流预测的最小二乘支持向量机-马尔可夫链组合模型

基于最小二乘支持向量机(LLSVM)与马尔可夫链(MC)提出了一种新的年径流预测模型——最小二乘支持向量机-马尔可夫链组合模型(LLSVM-MC).首先利用LLSVM模型对年径流进行第一步预测;其次将预测误差看作是马尔可夫过程,用MC对预测误差进行估计,作为第二步预测;最后,将两步预测结果叠加得到年径流预测值.实例预测表明,建议模型有效地提高了预测精度.     

基于随机森林回归的人脸特征点定位

针对人脸特征点定位容易受到人脸姿态、表情、光照和遮挡等因素影响的问题,提出了一种基于随机森林回归的特征点定位方法。采用像素差值特征在每个特征点建立随机森林模型,由森林模型回归得到训练样本的估计形状;对训练样本的估计形状与真实形状进行线性最小二乘拟合,得到一个全局优化模型;再利用模型对测试样本特征点位置进行回归估计及形状优化,从而实现了人脸特征点的自动定位。该方法采用相对误差小于0.1的衡量标准,在MATLAB R2009a平台实验,Helen和LFPW数据库上测试,两个数据库的样本定位正确率均超过95%,平均定位速度为9.3 fps,且训练模型仅为5.4 MB。实验结果表明:提出的方法能够很好地适应人脸姿态、表情、光照和遮挡等因素的影响,同时训练模型小,且有效地提高人脸特征点定位的精度和速度。     

基于随机森林的气味感知分类研究

机器嗅觉是一种基于传感器阵列与计算机算法模拟生物嗅觉的新兴仿生技术,气味物质气味表征是机器嗅觉值得研究的领域,目前嗅觉感知处于初级研究阶段,气味的通用分类理论基础还不成熟。本文从物质气味电子信息角度出发,利用采集样本中相对均衡香型数据,通过机器学习算法及参数调整、网格搜索等模型优化手段,提出基于电子鼻数据的物质气味分类模型,建立物质气味电子鼻信息与感知联系,实验结果表明,基于随机森林的气味分类在各评价指标上表现突出,平均准确率达到93.6%,随机森林模型相比其他机器学习算法表现优异。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于智能加权混合模型的新型电力系统电量预测方法

随着电力系统的转型升级,新型电力系统的能源供应和消费发生了巨大的转变,因此对电量预测提出了更高的要求。月度电量的准确预测为新型电力系统的优化调度和电力市场的营销计划提供可靠的依据。在深入挖掘历史电量数据、综合分析月度电量特征及相关因素影响的基础上,结合Prophet算法和KELM神经网络算法各自的优势,提出了一种考虑气温、经济水平和节假日的月度电量组合预测方法。首先基于月度电量数据建立了Prophet预测模型,并进行了参数调优过程;其次利用KELM神经网络建立了基于历史电量、气温、GDP、节假日信息的预测模型,并通过参数调优确定最佳预测模型;最后,以加权组合的方式,建立月度电量组合预测模型。通过算例分析,比较了组合算法和其他算法的预测误差和预测效果,表明了本文所提组合模型在预测精度方面有所提升,验证了预测算法的有效性。     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。