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。     

基于贝叶斯优化—随机森林回归的燃煤锅炉NOx预测模型

根据某超超临界1 050 MW燃煤机组实际运行数据,采用随机森林(RF)算法建立燃煤锅炉炉膛出口烟气中NO_x质量浓度预测模型,并利用贝叶斯优化(BO)进行超参数寻优,将BO-RF模型与网格搜索优化的RF模型(GSO-RF)进行对比。为了更好地评价预测模型,以平均绝对百分比误差δ_MAPE和决定系数R²作为评价指标,将所建立的BO-RF模型与目前常见的基于贝叶斯优化的BP神经网络(BO-BPNN)模型、最小二乘支持向量机(BO-LSSVM)模型进行比较。结果表明：BO-RF模型比GSO-RF模型的预测精度更高,且BO-RF模型的δ_MAPE为1.478%,R²为0.916 2,均优于BO-BPNN模型和BO-LSSVM模型的预测结果,证明BO-RF模型具有更高的预测精度和更优的泛化性能。     

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1D CNN-SLSTM模型的太湖蓝藻密度预测方法

太湖中的水华爆发对太湖及其沿岸居民造成巨大影响,因此保证提前预测蓝藻密度非常重要。为精确预测太湖蓝藻密度,在长短时记忆网络（LSTM）模型的基础上,加入一维卷积模型,筛选并优化激活函数,提出一种基于1D CNN-SLSTM的预测模型预测蓝藻密度。试验结果表明,1D CNN-SLSTM模型的R_RMSE、M_MAPE、M_MAE值分别比单独使用LSTM模型降低30.38%、1.85%、16.89%,R值和N_NSE值则提升了0.08、0.17,验证了使用扩展型指数线性单元激活函数（Selu）的LSTM神经网络（1D CNN-SLSTM）预测效果最好。     

基于FCM-WOA-LSTM的大坝变形预测模型及其应用

随着大坝变形监测资料的持续积累和变形测点数量的不断增多,预测分析全部变形测点往往需耗费大量的时间,容易造成反馈不及时的问题。对此,引入模糊C-均值聚类算法(FCM),根据大坝变形规律的相似程度进行分区,将鲸鱼优化算法(WOA)用于长短期记忆神经网络(LSTM)模型的参数优化,建立基于FCM-WOA-LSTM的大坝变形预测模型,以某混凝土双曲拱坝的实测变形资料作为样本数据进行预测分析,并与LSTM模型和SVM模型的预测结果进行对比。结果表明,FCM-WOA-LSTM模型预测结果的平均绝对误差M_MAE、均方误差M_MSE、均方根误差R_RMSE均为3种模型中最小,且拟合段的3个评价指标值和预测段的3个评价指标值均接近,FCM-WOA-LSTM模型具有更高的预测精度和更好的适用性。     

基于LSTM神经网络的高拱坝混凝土温升阶段温度预测

为实时掌控高拱坝混凝土温度变化,及时制定合理控温措施,防止产生温度裂缝,深入分析了混凝土温升阶段温度影响因素,并选取初始浇筑温度、环境气温、通水温度、通水流量、绝热温升等5个主要因素作为LSTM神经网络的输入因素,建立了基于LSTM神经网络的高拱坝混凝土温升阶段温度预测模型,同时采用最大误差、平均绝对误差(M_MAE)、对称平均百分比误差(S_SMAPE)等评价指标检验模型精度,最后以白鹤滩高拱坝为例,对大坝混凝土温升期的温度进行预测。结果表明,所建预测模型的最大绝对误差为0.58℃,M_MAE、S_SMAPE分别为0.30℃、1.35%,预测精度较高,可操作性强,能为高拱坝混凝土温度控制提供决策支撑。     

基于EEMD-Xgboost组合模型的渭北流域月径流序列模拟研究

为提升月径流序列的模拟精度,利用集合经验模式分解（EEMD）析出原始流量数据的模态分量,将极限梯度下降（Xgboost）作为预测函数,构建了基于EEMD-Xgboost的月径流预测模型,并应用EEMD-Xgboost模型训练了黄土坮塬区漆水站1951～1996年月径流序列变化规律,预测了1997～2020年的月径流量。结果表明,与单一Xgboost模型相比,EEMD-Xgboost模型的Nash-Sutcliffe效率(N_NSE)提升了20.27%、均方根误差(R_RMSE)减小了93.23%;且EEMD-Xgboost模型优于EEMD-ELM、EEMD-RF模型(N_NSE分别提高2.30%、3.49%;R_RMSE减小2.64%、11.75%)。EEMD-Xgboost混合模型集合了数据自适应分析与非线性映射的优点,改善了传统单一模型的预测能力。     

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。     

基于高斯回归的百万二次再热机组NOx排放预测分析及应用

研究百万二次再热机组的NO_x排放量预测模型。采用高斯回归对锅炉燃烧过程进行建模,采用Spearman相关性系数对建模历史数据进行相关性分析,从49项测点数据中选取相关性较高的28项测点数据作为自变量,NO_x生成量为标签变量。结果显示：测试数据显示搭建回归模型的R²为0.913 271,相对误差在10%范围内;现场部署该模型并实时计算,结果的准确性较高,为运行调整提供参考意见。     

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...     

火电厂氨逃逸的预测研究

为了实现机组超低排放并能够安全稳定运行,基于脱硝系统入口烟气温度、入口O₂体积浓度、入口和出口NO_x质量浓度、喷氨量和空气预热器差压等分散控制系统(DCS)数据,分别构建了用于预测氨逃逸的长短期记忆网络(LSTM)模型和支持向量回归(SVR)模型。根据现场测试的SCR系统入口和出口NO_x质量浓度和氨逃逸量,计算得到宏观的脱硝装置潜能,结合同时间段内的DCS数据计算氨逃逸量,并作为真实值与LSTM模型和SVR模型的预测值进行对比。结果表明：SVR模型对氨逃逸的预测有较高的准确度和泛化能力,SVR模型对测试样本的均方根误差δ_MRE=0.007 1μL/L,平均绝对误差δ_MAE=0.002 4μL/L;LSTM模型对测试样本的预测误差δ_MRE=0.047 0μL/L,δ_MAE=0.019 0μL/L。     

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。     

流域未来径流和蓄水量预测不确定性的量化评估

水文模拟精度优劣与参与水文过程的多源不确定性相关,且其累积效应将会造成预测不确定性进一步扩大。因此,以黄河源区为例,利用极大似然不确定性估计法(GLUE)识别新安江模型有效参数组,通过耦合CMIP5下4种气候模式、3种气候变化情景、8种有效参数组,揭示了各源不确定性对流域径流量和蓄水量预测的影响,并采用方差分析方法(ANOVA)量化分离了其对月尺度流域径流量和蓄水量预测不确定性的相对贡献。结果表明,利用统计降尺度模型(SDSM)获得的降水量、最低和最高气温数据可较好的应用于研究区,其相关系数R²均大于0.70,且均方根误差R_RMSE小于30%;参数和GCMs不确定性对流域径流量的影响占主导地位,前者对流域蓄水量的相对贡献高达0.98,且多源不确定性之间交互作用对汛前和汛后的贡献大于非汛期。研究结果对于流域防洪减灾、降低水文模拟过程认知不确定性具有重要意义。     

基于多层次滤波降噪的IGA-NARX混凝土坝变形预测模型

针对混凝土坝变形数据中存在非高斯分布噪声污染,难以描述混凝土坝变形数据自身的趋势性、季节性的问题,采用CEEMD与粒子滤波法相结合的方法对锦屏一级大坝径向位移进行分析。先将CEEMD分解后的高频和低频分量进行区分,仅对高频分量进行粒子滤波降噪,再进行分量重构;通过多层次滤波降噪处理的位移数据驱动IGA-NARX神经网络构建预测模型,并使用R_RMSE、M_MSE等指标进行评价。工程实例验证表明,所提模型相较于对比模型在评价指标上均有一定提升,具有较好的实用价值。     

生物柴油臭氧氧化裂解的传质-反应动力学

提出以生物柴油为原料臭氧氧化裂解制备壬二酸单甲酯的新工艺。在双搅拌釜中,从乙酸、丙酸、己酸、壬酸4种溶剂中筛选出乙酸作为反应溶剂;进一步研究该工艺两步气液反应的传质-反应动力学。结果表明:两步气液反应的传质-反应动力学区域均为快速拟一级反应区域;在T=305 K下,第1步臭氧化反应的二级反应速率常数k₂=1.39×10⁴m³/(kmol·s),增强因子E与液相双键浓度C_BL的关系为E=427.16C_BL^1/2,R²=0.98;在T=363 K下,第2步臭氧氧化物氧化裂解反应的二级反应速率常数k₂=3.87×10⁴m³/(kmol·s),增强因子E与液相臭氧化物浓度C_BL的关系为E=359.44C_BL^1/2,R₂=0.99。     

基于GRNN的冻融期土壤蒸发预测

基于2017～2018年冻融期实测大田土壤蒸发数据和日气象数据,采用主成分分析法与广义回归神经网络(GRNN)相结合的方法对土壤蒸发量进行预测。即先利用主成分分析法提取影响冻融期土壤蒸发的7个主要因子,将其作为GRNN模型的输入变量,土壤蒸发量作为输出变量;再利用10折交叉验证法选取的最佳光滑因子建立GRNN土壤蒸发预测模型。结果表明,GRNN模型预测值与实测值拟合程度较高,R~2为0.982、均方根误差为0.014mm/d、平均相对误差为5.281%、平均绝对误差为0.010mm/d,模型模拟精度较高,可用于冻融期土壤蒸发预测。     

基于支持向量回归的PV/T组件温度实时预测

在光伏光热系统中,光伏板的发电效率与PV/T组件温度密切相关。实时、精确地预测PV/T组件温度,对优化控制决策、提高光伏板发电效率具有重要意义。文章利用支持向量回归(SVR)算法建立PV/T组件温度预测模型。为了提高该模型预测结果的精确度,采用网格搜索与交叉验证相结合的方法对SVR核函数参数g和惩罚因子c进行寻优;然后,结合实验平台的测量数据,划分训练集和预测集,并对原始数据进行归一化处理;最后,文章将基于SVR算法温度预测模型的预测结果与BP神经网络的预测结果进行对比。分析结果表明:基于SVR算法温度预测模型的预测值与实测值基本一致,该模型的预测精度和泛化性能均优于BP神经网络的预测结果。     

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。