极端天气影响下林火迹地的生态修复策略

随着极端天气的常态化,森林火灾发生频率不断上升,大火后造成的火烧迹地已成为生态修复亟需关注的目标。结合文献分析、实地调研与总结归纳等方法,对极端天气背景下火烧迹地的发生与修复的必要性进行讨论,明确了“火灾作为生态系统破坏因子”的讨论语境。从森林生态系统、地形地势、火烧影响与灾害评估视角对林火迹地进行认知,反映出林火迹地生态修复的复杂性,提示需要结合地情、灾情妥善制定修复策略。最后,以迹地异质性与可持续发展性视角为牵引,结合2022年夏季重庆北碚缙云山山火后的迹地修复实例,引介“灾害评估,明确目标”“迹地平整,创造条件”“重构林相,优化林分”“健全机制,后期保障”的生态修复流程。以期为极端气候下林火迹地的修复与管理策略提供参考。     

考虑移动应急电源配置的微电网顺序恢复方法

自然灾害引发配电网停电后,利用配网中分布式电源构建微电网实现重要负荷的顺序恢复,是提升配电网弹性的重要手段。现有研究主要利用配网中存在的小型燃机、可再生能源和储能等固定式电源构建微电网,并优化微网中节点的恢复顺序。随着配网中移动应急电源数量的增加,充分利用移动应急电源可以进一步提升配电网弹性。为此,该文提出了考虑移动应急电源优化配置的灾后微电网顺序恢复方法。首先,以重要负荷恢复量最大为优化目标,建立了考虑应急电源配置、区域划分、恢复路径及供电顺序协同优化的配电网灾后顺序恢复模型。由于该模型是非线性规划问题,进一步对模型进行线性化处理,将其转化为混合整数线性规划问题进行快速求解。最后。采用IEEE37节点配电系统,对所提方法的有效性进行了验证。     

考虑事件数据的产消者负荷预测方法及极端误差抑制策略

能源互联网技术推动了电力产消用户的规模化发展,产消者资源的优化运行与电力市场运营成为改善综合能效和投资收益的重要议题。产消用户的电力负荷精细化预测不但有益于提升分布式资源有限的容量价值,而且还能在售电侧市场全面放开时规避运营风险。首先,综述了产消者电力负荷预测技术及应用场景,提出了事件数据的含义并讨论了事件数据稀疏性带来的行为模式切变对于典型时序预测模型产生的极端预测误差问题。为避免解耦分析多元影响因素下的不确定性,构建了基于预测历史数据置信加权的短时预测修正模型,并分析了修正模型对于极限误差的收敛作用和经济性提升成效。最后,基于真实校园微电网工程运行数据验证了所提方法的有效性。     

构建高弹性城市能源系统的关键技术

城市能源系统结构复杂且脆弱,容易受到极端事件的影响,“高弹性”成为城市能源系统建设新目标。首先,剖析高弹性城市能源系统建设面临的“结构脆弱-环境恶化-协调不足-恢复复杂”四大难题,明确高弹性城市能源系统的研究边界,分析“弹性城市”面临的自然灾害、环境恶化、人为干预三类威胁,总结能源结构优化带来风险、多能流网架协调复杂和信息物理通信安全存在威胁的三个典型特征;其次,按照“物理-信息-应用”三个层面提出建设高弹性城市能源系统的九类关键技术,分别阐述各类技术的发展现状,讨论其主要特征;最后,从物理层、信息层和应用层分别对高弹性城市能源系统的未来研究与发展路径进行了展望,为逐步建立智慧能源网络、智能控制系统以及安全供需体系,完善城市能源风险应急管控措施,加强城市能源供应保障,强化重要能源设施,增强能源网络安全防护提出建议。     

面向复杂太赫兹信道的智能调制系统设计

太赫兹通信是未来高速无线通信极具潜能的技术,受到广泛关注。在本文中,提出基于简单、稀疏空域调制的太赫兹通信系统,探索了由硬件缺陷导致的信号失真对系统性能的影响,并结合收发端失真相关性,进行了系统噪声建模,得到了发端噪声、背景噪声和收端噪声的联合模型。在此多维度噪声背景下,依据后验概率最大化准则,本文推导了太赫兹空间调制系统极大似然信号检测算法。此外,考虑到未来太赫兹通信在多域多维度通信的应用场景,传统检测算法匹配度差且复杂,本文提出了利用具有简单结构的极端学习机来实现太赫兹空间调制系统的低复杂度智能算法。仿真结果表明,本文所提出的极大似然检测算法的性能优于传统的极大似然算法,另外本文中所提出的基于极端学习机的接收机方案,其性能接近最优检测方案,并且明显优于基于深度学习网络和支持向量机的方案。      

基于遗传算法和ELM神经网络的目标威胁估计

目标威胁程度是指挥员进行态势评估和指挥决策的重要依据。为准确估计目标威胁情况,提出了基于遗传算法和极限学习机(Genetic Algorithm and Extreme Learning Machine, GA-ELM)的目标威胁评估方法。采用遗传算法优化ELM神经网络的输入权重和隐含层阈值,优化后的ELM神经网络能够克服传统ELM网络不稳定的缺点,具有更好的目标威胁估计性能。实验结果表明,基于GA-ELM的目标威胁估计误差明显小于传统ELM方法,且输出的威胁结果更加稳定。     

基于BEMD和KELM的路面病害检测算法

受外界环境以及道路材料本身影响,路面会出现破损。尽管裂缝是路面破损的首要表现形式,但是其他类型病害仍然占重要比重。针对传统路面病害检测算法对常见线性裂缝分类准确度较高但对车辙、松散等复杂病害识别效果一般且适应性较差的问题,提出一种基于二维经验模态分解（BEMD）与核极限学习机（KELM）相结合的复杂路面病害识别方法。该方法首先采用二维经验模态分解对路面病害图像进行筛分,然后结合主成分分析法对分解后得到的固有模态分量进行降维,最后将上述得到的新特征输入到核极限学习机中进行训练。实验结果表明该算法对复杂病害有较高的识别率,其中松散病害识别率为95.6%,车辙病害识别率为92.1%,坑洼病害识别率为96.9%,网状裂缝识别率为97.3%,与传统脉冲耦合卷积神经网络相比,该算法提高了约9.85%。     

提升极端条件应急通信保障能力研究

极端条件应急通信保障是当前应急通信面临的重点和难点。分析了极端条件应急通信需求以及当前应急通信保障能力存在的薄弱环节,提出了极端条件应急通信保障能力提升方案,包括研制先进适用的应急通信装备、构建鲁棒性与韧性较好的应急通信网络、发展智能精准的指挥调度系统、建设完备专业的应急通信队伍等。     

基于双精英进化樽海鞘群算法优化ELM的焦炭价格预测

焦炭是焦化企业生产的重要工业原料之一,准确地预测其未来价格趋势对焦化企业制定排产计划具有重要意义。极限学习机(ELM)泛化能力强,计算速度快,适合作为焦炭价格预测的模型,但ELM的预测性能受模型关键参数影响较大,故需对其参数进行优化。基于此,文中提出了基于双精英进化樽海鞘群算法的ELM焦炭价格预测方法。首先,采用Logistic混沌映射、改进的收敛因子、自适应惯性权重和双精英进化机制来改进樽海鞘群算法,提出了双精英进化樽海鞘群算法(MDSSA),提高算法的搜索能力;其次,运用MDSSA优化ELM的连接权值与阈值,找到ELM的最优参数组合,构建MDSSA-ELM焦炭价格预测模型;最后,在8个基准测试函数上测试MDSSA的收敛性能,在实际焦炭价格数据集上对MDSSA-ELM模型的预测性能进行实验,实验结果表明,MDSSA-ELM相比其他方法预测能力更优,MDSSA相比其他群智能算法搜索能力更强,为焦化企业实现焦炭智慧排产提供了有效的预测工具。     

基于XGBoost的管道防腐层裂纹损伤识别算法研究

埋地管道因为在长期服役后防腐层产生的裂纹易导致管道金属层受到损害,为了避免损伤造成管道泄漏,有必要建立管道防腐层裂纹损伤识别智能化平台。通过引入集合经验模态分解,提取管道防腐层结构在裂纹损伤状态下的频域特征值并构建裂纹损伤数据系统。依次利用孤立森林、缺失森林和核主成分分析对损伤数据进行异常检测、数据补全和特征降维优化,构建适于管道防腐层裂纹损伤识别的extreme gradient boosting（XGBoost）模型。研究表明：基于XGBoost的管道防腐层裂纹损伤识别模型可准确地对裂纹长度进行有效检测,与gradient boosting decision tree（GBDT）和随机森林算法相比,其决定系数最大且均方误差最小,裂纹长度识别误差保持在4.37厘米以内,为管道防腐层结构健康检测和安全运输提供了有效的识别方法。