考虑预报因子选择的神经网络降雨径流模型

为优化神经网络模型的应用效果,研究了基于神经网络的降雨-径流模型,根据Copula熵法确定预报因子,并与传统的线性相关法进行比较分析,采用BP、RBF、GRNN三种神经网络建立降雨-径流模型,应用均方根误差、合格率、确定性系数三个指标为模型选取评价准则。通过对金沙江流域的径流预报,发现基于Copula熵法的BP模型预报结果更接近实测值,精度更高。     

GFS可利用性研究及其在旬径流预报中的应用

分析了中长期降雨径流预报研究应用现状和存在的主要问题,研究了利用GFS降雨数值预报信息进行旬径流预报的方法,建立了旬降雨-旬初土壤含水量-旬径流预报模型(PSRM).通过对实例流域历史旬径流资料的模拟优选出模型参数,分析了GFS降雨数值预报信息的可利用性,并给出了利用GFS降雨预报信息和PSRM模型推求径流的方法.结果表明,基于GFS预报降雨信息和PSRM模型推求径流期望值和概率分布用于水库的实时调度可行.     

龙角山水库入库洪水实用预报方法对比研究

为提高流域洪水预报精度,以山东半岛龙角山水库为例,利用25场洪水资料,选择降雨径流经验相关法和新安江模型对比分析二者的预报精度.结果表明,降雨径流经验相关法在率定期和验证期的地面径流深预报合格率分别为94.1％、87.5％,精度为甲等级别;新安江模型洪峰、峰现时间和径流深三个预报项目平均合格率在率定期、验证期分别为84...     

BP神经网络模型结构对漫湾径流预报精度的影响研究

以云南省漫湾水电站历史径流状况为研究对象，运用三层前馈反向传播神经网络模型对径流进行中长期预报。为解决神经网络预报模型结构难以确定的问题，尝试在预报过程中通过改变该网络模型的结构并对得到的结果进行比较，从而找到适合该径流序列的最佳神经网络模型结构。实际应用表明，使用该结构的模型在实际预报过程中取得了良好的效果。     

基于参数分解法的无资料流域洪水预报研究

针对目前无资料流域洪水预报方法存在的不足,提出了参数分解法,即利用武江流域控制站犁市水文站1980~1996年43场降雨径流资料作为模型参数率定资料,分别率定武江流域大、中洪水的新安江洪水预报模型参数,并以1997~2004年16场降雨径流资料进行检验,在模拟和检验达到较好的结果后,再利用参数分解法推求武江流域内田头水子流域大、中洪水的新安江洪水预报模型参数,并利用田头水59场降雨洪水实测资料对模型进行验证。结果表明,利用该方法建立的田头水子流域洪水预报模型预报大、中洪水的验证精度均达到乙级以上标准。     

非平稳序列的疏系数混合回归模型

根据月降雨和月径流的特点，建立了疏系数混合回归模型，并对此类非平稳时间序列的建模及预报方法进行了研究。     

基于Box-Cox算法的中期径流贝叶斯概率预报方法

为进一步降低中期径流预报信息受降雨不确定性和模型误差等因素的影响,采用贝叶斯预报处理器(BPF)对径流自身和预报过程的不确定性进行耦合,建立中期径流概率预报模型,对中期径流预报的不确定性进行描述。首先将Box-Cox正态变换引入BPF模型,建立基于Box-Cox变换的BPF模型;然后采用逐次优化算法(POA)对各时段的变换系数进行优化,并基于优化后的变换系数建立新的BPF模型;最后对变换系数优化前和优化后建立的BPF模型预报结果进行对比分析。实例应用表明,基于Box-Cox变换的BPF模型可较好地描述预报信息不确定性;变换系数经POA优化后,可进一步提高BPF模型的预报精度。研究成果可为中长期径流预报提供参考。     

基于主成分分析和BP神经网络的赣江流域中长期径流预报

针对赣江流域开展水量调度对中长期径流预报的迫切需求,在分析赣江流域径流特性的基础上,以降雨、径流等常规因子和130项大气环流指数等相关因子为预报因子,分别构建基于相关系数法、逐步回归方法、主成分分析法三种因子筛选方法的BP神经网络中长期径流预报模型。研究结果表明,主成分分析方法筛选的预报因子可较好描述未来径流的变化趋势,所构建的基于主成分分析的BP神经网络中长期径流预报模型在率定期和检验期的合格率均满足规范对作业预报模型的精度要求,可作为赣江流域中长期径流预报的支撑模型。研究成果为赣江流域开展水资源优化配置和水量调度提供了依据。     

二滩水电站中长期径流预报研究

针对二滩水电站的实际径流特性和水电站发电调度的要求,应用季节性自回归模型和人工神经网络模型对二滩水电站的月径流、汛期分段和年径流预报进行研究.结果表明,这两种模型对二滩水电站的月径流预报、汛期定性预报均达到了一定精度,可为二滩水电站优化调度的径流输入提供参考依据,尤其是AR(P)模型的非汛期月径流预测和BP模型年径流预测结果可在实际运行中使用.     

基于MPGA-BP模型的降雨预报研究

降雨预报是水文预报的重要环节,提高其准确性是进行洪水、径流等预报的前提。针对目前预测方法中存在的易落入局部极小值、收敛速度慢和收敛对初值敏感等问题,将多种群遗传算法(MPGA)与反向传播(BP)神经网络模型相结合,提出了一种适用于降雨预报的多种群遗传神经网络模型(MPGA-BP)。实例计算结果表明,该模型具有良好的预报性能和泛化能力,为降雨准确预测提供了有力的技术支持。     

卡尔曼滤波灰色模型在大坝变形预测中的应用

针对灰色模型在大坝变形预测中的不足,将灰色模型与卡尔曼滤波相结合应用于大坝变形预测中,即先使用卡尔曼滤波消除扰动误差,再进行灰色预测。实例应用表明,该组合模型比单纯灰色模型更适用于大坝的变形预测,可作为一种新的预测方法应用于大坝变形监测中。     

基于集合Kalman滤波的河道洪水预报研究

为提高河道洪水预报精度,研究了集合Kalman滤波法与最小二乘法对马斯京根模型参数率定的河道洪水预报技术,并以长水-白马寺实测洪水为例进行了对比检验,探讨了集合Kalman滤波法的多时段预报洪水过程及其特点.检验结果表明,应用集合Kalman滤波技术优于最小二乘法的预报效果,可有效提高河道洪水预报的精度并能适度延长预报时段.     

基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测

考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。     

Fractional‐order modeling and SOC estimation of lithium‐ion battery considering capacity loss

For state‐of‐charge (SOC) estimation, the resistance deterioration and continuous capacity loss can lead to erroneous estimation results. In this paper, an SOC estimator of lithium‐ion battery based on the fractional‐order model and adaptive dual Kalman filtering algorithm is proposed first. Then, to improve the accuracy of SOC estimation considering capacity loss, the particle filter algorithm is applied to update capacity online in real time. Then, an SOC estimation method is proposed considering battery capacity loss. The simulation results show that the accuracy of battery capacity prediction based on particle filter is high under the condition of capacity loss.     

基于量子粒子群优化和扩展卡尔曼滤波的相量测量算法

电力系统中的信号往往含有各种噪声、谐波、间谐波的干扰,严重影响了相量测量的精度。对此,在复数扩展卡尔曼滤波(ECKF)的基础上,运用改进的量子粒子群优化(IQPSO)算法改进滤波迭代过程中的量测噪声协方差矩阵和模型噪声协方差矩阵,并测量电力信号的幅值、频率和相角。对各种非平稳正弦信号的仿真结果表明,相较修正的复数扩展卡尔曼滤波（RECKF）算法,IQPSO-ECKF算法提高了复数扩展卡尔曼滤波的相量测量精度和收敛速度。研究成果丰富了电力系统信号测量的内容。     

SOC estimation of lithium battery based on adaptive untracked Kalman filter

电池荷电状态（SOC）的准确估计是电池管理系统的关键问题,对电池的可靠性和安全性至关重要。由于多数情况下建立的电池模型精度不够高、电池系统的噪声统计是未知的或不准确的,这都会对锂离子电池系统的SOC估计会产生较大影响。本文采用二阶RC等效模型,可减小电池模型带来的误差;同时结合SageHusa滤波算法与无迹卡尔曼滤波（UKF）算法提出了一种新的SOC估计方法,基于噪声统计估计器的自适应无迹卡尔曼（AUKF）滤波算法,它可以对系统噪声进行实时修正以提高SOC的估算精度。并通过比较AUKF和UKF来验证SOC估计方法的准确性和有效性。实验结果表明,AUKF具有更高的SOC估计精度和自适应能力,在脉冲放电工况和动态工况下的估计精度均能保持在4.68%以内,可以有效地估计电池的SOC值。     

基于WRF模式与相似Kalman滤波法订正后的风速预报效果分析

为提高张家山风电场风速预报质量,比较了张家山测风塔处的实测风速WRF模式预报的风速的误差,再利用相似Kalman滤波方法订正预报的风速,以减小WRF模式预报风场的系统误差和随机误差。结果表明,WRF模式对敏感区的风速预报能力最好,对小风区的预报效果较差,对冬季的预报效果略好于春秋季;再使用相似Kalman滤波方法对模拟风速进行误差订正后,所有时刻的预报能力得到提高,平均偏差、均方根误差变小,从而提高了风速预报的准确率。     

基于调制分量卡尔曼滤波的短时扰动检测

提出了一种基于调制分量的低阶卡尔曼滤波模型．实时检测电能质量短时扰动。该方法将三相电压信号的αβ变换结果分解为基波信号和调制信号．提取调制信号的两个特征分量作为新的状态变量,避免了单独设置各次谐波为状态变量,降低模型阶次并提高暂态响应速度。根据暂态时滤波误差发生突变的特征,提出误差比阈值法判断暂态过程的起止时间。通过自适应修正系统噪声方差阵Q．降低模型误差并有效抑制滤波发散现象。Matlab仿真结果表明所提方法比普通卡尔曼滤波和低通滤波器具有更高的稳态精度和更快的暂态响应速度。     

基于M估计的抗差Kalman滤波算法在某混凝土重力坝变形监测中的应用

为了解决标准Kalman滤波法不能很好处理大坝变形观测粗差与状态方程异常的问题,提出了采用基于M估计的抗差Kalman滤波算法,在最小二乘准则的基础上,通过调整观测值对状态估计的比例权重,可得到模型参数的稳健估计,给出了其滤波准则及递推公式,并根据预测残差调节增益矩阵的大小,尽可能地削弱监测噪声和动态噪声里粗差的影响,让系统处于比较稳定的状态。实例应用结果表明,该算法不仅可提高滤波精度,且能很好地控制观测异常和动态扰动异常对监测的影响。     

基于多模型估计的转子裂纹故障诊断方法

转子裂纹故障的早期诊断与预示是当前转子动力学领域的一个难点。针对这个问题,提出了基于多模型估计(MMAE)的转子裂纹故障诊断方法。针对Jeffcott转子建立了正常、裂纹转子模型和基于卡尔曼滤波器的多模型自适应估计器,通过裂纹故障的仿真分析和故障多模型估计表明,该方法对早期诊断和预示转子裂纹故障有良好的效果。