SCS模型在山区小流域山洪灾害预报预警中的适用性分析

预报预警是山洪灾害防治中重要的非工程措施,是防灾减灾救灾的关键环节。选取分别代表秦巴山地水资源保护区、西南地震作用区、喀斯特地区、黄土高原超渗产流区、东南沿海台风影响区的湖北省丹江口官山河流域、四川省都江堰白沙河流域、贵州省望谟县望谟河流域、陕西省子洲县岔巴沟流域、广东省高州市马贵河流域这5个典型流域,通过构建改进的SCS模型进行历史山洪模拟,探讨该模型在小流域暴雨山洪预报预警中的广泛适用性。结果表明:基于SCS模型构建的小流域暴雨山洪预报方案中官山河、白沙河、望谟河、马贵河方案均为乙级方案,可用于正式发布预报;岔巴沟为丙级方案,可用于参考性预报。SCS模型在5个典型示范区的洪峰流量预报精度普遍在80%左右,高于我国山洪灾害洪峰流量预报平均水平(40%)。总体来说,SCS模型对各类典型流域的山洪模拟效果较好,能够用于山洪灾害预报预警业务。SCS模型结构简单,参数少,特别适用于无资料地区推广应用。     

旱情预报技术进展与展望

受全球气候变化影响和人类活动的加剧,干旱灾害发生频次增加且强度增大,严重威胁着我国的粮食安全和水安全。准确及时的旱情预报,对于制定科学有效的干旱应对策略、减少灾害造成的损失具有重大意义。从基于数理统计模型的预报技术和基于物理机制模型的预报技术两方面入手,梳理回顾了国内外研究进展,揭示了当前预报技术所存在的问题,并提出针对性的解决方案。未来研究应注重提高干旱监测数据的质量、突破核心关键技术、构建全国旱情预报业务化系统,为抗旱减灾事业提供强有力的科技支撑。     

赛博空间态势感知技术研究

文章从赛博空间的概念和态势感知的流程出发,构建赛博空间态势感知框架,以安全栓测和安全事件分析技术为支撑,提出多层次多角度的态势评估模型,在此基础上使用时间序列分析方法预测安全态势的发展趋势。     

基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

组合模型在降雨量预测中的应用

研究降雨量准确预测问题,降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性和各种干扰因素,预测不可能准确。传统预测模型难以对其进行准确预测,预测精度低。为提高降雨量的预测精度,提出一种组合模型的降雨量预测模型。首先采用小波分析将降雨量数据进行分解成线性和非线性部分,然后分别采用ARIMA和RBF神经网络模型对其进行预测,最后采用小波重构线性和非线性预测结果,得到降雨量最终预测结果。仿真结果表明,相对于传统预测模型,组合模型提高了降雨量预测精度,预测结果可以帮助农业、水利部门提高防治旱涝灾害的科学依据。     

基于相似样本和多模型动态最优组合的光伏功率预测

针对传统单一预测方法存在的局限性,引入了考虑特征加权的模糊聚类方法,进行关于天气类型的划分以得到相似样本;提出多模型动态最优组合预测方法,根据各窗口期预测误差的波动情况,设置合适的临近历史样本窗口宽度,利用窗口期中的数据和构建的最优赋权模型进行组合权重的求解,在避免单一预测方法片面性的同时,提高了对各种天气的适应性。通过算例验证分析表明,所提出的组合预测方法在各种天气类型下的预测效果都优于理论预测、BP预测和LSSVM预测等单一预测方法,能够有效提高预测的有效性和准确性,具有较高的工程实用价值。     

基于GWO-SVM的下肢假肢穿戴者骑行相位识别

针对下肢假肢穿戴者骑行相位识别的问题,提出基于灰狼算法优化的支持向量机(GWO-SVM)分类模型. 建立下肢多源信息系统,采集膝关节、踝关节的加速度信号以及膝关节角度信号. 应用奇异值分解,对采集到的信号进行降噪处理. 在对信号进行降噪处理之后,为了避免单一信号不确定的影响,从数据冗余角度,选取各信号的特征点,开展归一化处理,组成多维特征向量,作为SVM分类模型的输入. 为了能够进一步提高分类精度,加强全局优化能力,利用GWO算法对核参数进行优化. 通过与PSO-SVM分类模型、GA-SVM分类模型对比表明,基于GWO优化的SVM分类模型对骑行相位的识别率为94%,高于其他方法优化的SVM分类模型.     

高温高湿盐环境下SBS改性沥青胶浆的高温性能

基于自行设计的室内盐蚀干湿循环试验,采用动态剪切流变仪,对SBS改性沥青胶浆进行温度扫描试验和多重应力重复蠕变恢复(MSCR)试验. 以3.2 kPa应力下的不可恢复蠕变柔量J_nr,3.2为胶浆高温流变性能评价指标,分析试验环境和干湿循环耦合作用对胶浆流变性能的影响. 采用灰色关联理论,探究J_nr,3.2与常规流变参数、干湿循环次数及试验环境之间的关联性. 结果表明,随着盐蚀干湿循环次数的增加,胶浆的复数切变模量、车辙因子及J_nr,3.2均呈增大趋势,相位角和蠕变恢复率呈减小趋势. 在同种试验条件下,硫酸盐环境对胶浆高温性能的影响最大. J_nr,3.2与改进型车辙因子、试验环境的灰色关联度最大,关联度系数均大于0.93. 建议采用日常清扫、定期洒水冲洗的方式来减小路面盐分的积累,提高高温高湿环境中沥青路面的抵抗变形的能力.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

Machine-Learning based methods in short-term load forecasting

Short-term load forecasting is of great significance to the secure and efficient operation of power systems. However, loads can be affected by a variety of external impact factors and thus involve high levels of uncertainties. So it is a challenging task to achieve an accurate load forecast. This paper discusses three commonly-used machine-learning methods used for load forecasting, i.e., the support vector machine method, the random forest regression method, and the long short-term memory neural network method. The features and applications of these methods are analyzed and compared. By integrating the advantages of these methods, a fusion forecasting approach and a data preprocessing technique are proposed for improving the forecasting accuracy. A comparative study based on real load data is performed to verify that the proposed approach is capable of achieving a relatively higher forecasting accuracy.