一种用于光纤周界安防系统的端点检测方法

为了提高光纤周界安防系统中扰动信号端点检测的 性能,提出一种新型端点检测方法。首先通过计算信号 的短时能量和过零率分布分别找出信号中短时能量比和过零率满足一定门限的信号点,通过 对这两信号点 进行一定的加权确定扰动信号的端点位置。与离散小波提取起始点信号相比,本文方法由于 综合了短时能量 和过零率法的优势,能够适应更多的扰动事件类型,通过加权极大提高了端点检测的精度 ,并且运算时 间大幅降低,提高了系统的实时性。实验结果表明,本文算法在10M Hz的采样速度和采集0. 3s数据情况下,93.47%的数据定位误差低于10m,计算时间少于0.3s。     

基于小波分析的导弹装备备件需求组合预测

针对导弹装备备件需求呈现非线性、非平稳的特征,提出了把小波分析理论应用于导弹装备备件需求预测的构想.首先根据总体评价指标来确定小波最佳分解级数,将备件需求时间序列分解到不同尺度上以减少原始序列的随机性和波动性;然后对具有平稳特性的高频信息用改进动态自适应隔代映射遗传算法和阻尼最小二乘法优化的ARMA模型进行预测,而对反映整体趋势的低频信息用GM（1,1）模型进行预测;再将各模型的预测结果进行叠加,从而得到原始序列的预测值.最后通过导弹装备备件需求的实例,验证了本方法的有有效性和可行性.     

基于GA-BP的敌空袭兵力出动量预测

在防空兵力资源有限的情况下,为取得最大的对敌作战效能,有必要对敌空袭兵力出动量进行预测.在遗传算法与误差反向传播神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法,并对敌对地面目标群空袭的兵力出动量进行预测,同时与BP算法和灰色系统理论模型进行了比较.经检验,计算值与实际值接近,并优于BP算法和灰色理论模型,具有良好的预测效果.     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

电力系统短期负荷预测中非线性模型的研究与应用

介绍了时间序列分析中的一类非线性模型-SETAR模型的特点及其建 模，将这一模型应用于电力系统的短期日负荷预报。这种模型可以描述一些非 线性的时间序列，在负荷序列波动较大时仍能进行很好的预测，实例计算结果 表明预测精度满足要求，证实了将这一模型应用于电力系统短期负荷预测是可 行的。     

基于气象因素的短期电力负荷ANN预报模型

提出了一种基于气象因素,利用人工神经元网络进行电力系统短期负荷预报的方法,该方法比较全面地考虑了气象因素对电力系统负荷的影响,操作方便,易有,仿真计算和实例预报结果表明,预报准确较高。     

2020年主要发达国家电力市场预测

根据对国内、外有关技术资料的综合分析 ,对 2 0 2 0年世界主要发达国家电力市场的发展远景进行了前瞻性预测 ,分析结果可为能源行业及相关产业制定发展计划 ,调整产业机构 ,为有关科研机构和生产制造企业确定发展方向 ,提供一定的参考。     

非方程灰色系统方法在长期水文预报中的应用初探

基于水文过程的复杂性和影响因子信息收集不完善这一基本事实，本文将流域水文系统视为含有灰元和灰信息的灰色系统，并初步实践了非方程灰色预报方法在长期水文预报中的应用。方法在一定意义上脱离了传统的以方程为中心的预报模式，它既考虑预报因子对预报量的不同影响程度，又不过分强调预报量与预报因子的具体相关函数形式，为长期水文预报提供了一种新思路。文中列出了实例，效果令人满意。     

长江中游防洪调度整体数学模型

长江中游是洪灾最为严重的地区，其中尤以荆江河段最为严重，长委会以往对洪水预报和分蓄洪方案的计算多采用水文学的方法，为适用实时分洪调度决策的更高要求，１９９０年水利部和长委会领导决定先建立一个自宜昌至大通的防洪实时调度整体数学模型，其中包括洞庭和鄱阳二湖水系，研制工作从１９９１年开始，并对宜昌至汉口段作了具体计算，经过１９９２年汛期实时预报工作的检验，又经过１９９３年对１９６９年洪湖溃口分洪进行重演     

基于EMD-SLSTM的家庭短期负荷预测

针对非平稳的家庭短期负荷数据,直接套用预测模型难以挖掘出更深层次的时序特征。提出一种经验模式分解(Empirical Mode Decomposition, EMD)和堆栈式长短期记忆(Stack Long Short-term Memory, SLSTM)的组合算法应用于家庭短期负荷预测。首先分析了SLSTM和EMD原理,提出EMD-SLSTM组合预测模型。将负荷数据通过EMD算法进行分解,然后将分解后的分量数据分别转化为三维数据样本。通过设计SLSTM网络架构及其参数,对归一化的分量数据和原始数据分别进行预测建模及其重构。为显示算法预测性能,实验对比了支持向量回归、人工神经网络、深度神经网络、梯度提升回归等模型在两种情景下的性能,采用MAPE和RMSE性能度量进行验证。实验结果表明EMD-SLSTM更能有效地表达出家庭短期负荷的时序关系,具有更高的预测精度。