基于掩模经验模态分解的风速组合预测模型

在风电预测中,传统的经验模态分解法将风速信号分解为若干具有不同特征尺度的数据分量时,其所得分量可能存在模态混叠现象,影响风速预测的精度。为此,提出一种基于掩模经验模态分解法和遗传神经网络的风速预测组合模型。首先,通过掩膜信号法（masking signal,MS）对经验模态分解法进行改进,将风速信号分解为频率相对固定、更为平稳的分量。之后,利用遗传神经网络算法分别对这些分量进行预测,将各分量预测结果叠加后得到最终风速预测值。通过C++语言编程进行算法实现,采用实际风场数据进行仿真,其结果表明,所提方法计算时间较短,预测精度较高,特别适用于在线超短期（10 min）和短期（1 h）的风速预测,具有实际的工程应用价值。     

基于经验模态分解和ELM神经网络的逐时太阳能辐照量预测

准确的太阳能辐照量预测对于光伏发电系统具有重要意义。提出一种基于经验模态分解(EMD)和ELM神经网络的逐时辐照量组合预测模型。首先,根据预测日的环境信息,构建相似日逐时辐照量时间序列;然后,将时间序列进行EMD,分解为具有不同频率的信号,并对每个信号建立ELM神经网络预测模型;最后,将不同信号的预测值相加便可得到原始辐照量序列的预测值。算例比较表明,所提方法比传统的预测方法具有更高的预测准确度和更快的运算速度。     

La0.8Ce0.2Fe0.9Ru0.1O3/TiO2催化湿式氧化降解草甘膦废水

草甘膦是种广谱除草剂,草甘膦废水产量大、可生化性差。以钙钛矿型La_0.8Ce_0.2Fe_0.9Ru_0.1O₃/TiO₂为催化剂,采用湿式氧化(WAO)和催化湿式氧化(CWAO)法对草甘膦废水进行高效降解,并对草甘膦降解机制进行研究。应用XRD和XRF对催化剂进行表征,结果表明,合成的催化剂具有钙钛矿结构,但由于Ru原子半径太大可能没有完全进入钙钛矿骨架,导致CWAO反应后有微量Ru溶出。考察反应温度对草甘膦降解的影响,并对反应过程中C、N、P产物的选择性进行分析,结果表明,提高反应温度和加入催化剂有利于提高草甘膦转化率及对CO₂和P^3-₄的选择性,但反应温度过高不利于生成N₂,因为高温下NH₃-N更容易被氧化成N^-₂和N^-₃。在实验条件下,合适的反应温度为200 ℃,反应180 min草甘膦转化率大于95%,同时对CO₂和N₂有较高的选择性,分别为54.59%和19.40%。应用计算量子化学计算草甘膦分子的净电荷分布,结果表明,WAO和CWAO中草甘膦反应的断键部位为C—C键、C—P键和C—N键,而后中间产物再进一步被氧化为CO₂、N₂、 N^-₂、N^-₃、P^3-₄等。