基于VMD的CNN-BiLSTM超短期风电功率多步区间预测

风能是随机波动的不稳定能源,大规模风电并入电网将对电网稳定性造成很大影响,有效预测风电功率区间将极大提高电网经济性与稳定性。针对风电功率数据的非线性,非平稳特性,提出一种基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法。首先对风电功率数据进行小幅上下波动,形成CNN-BiLSTM模型的初始上下限。其次运用变分模态分解(VMD)分别将上下限数据分解为若干个子分量,以降低风电功率时间序列的非平稳特性。然后将子分量输入CNN-BiLSTM模型,得到风电功率预测区间。最后以改进覆盖宽度准则为目标函数优化区间,得到给定置信水平下的风电功率预测区间。使用某风电场实际运行数据,与CNN-GRU、CNN-LSTM、KELM、SVR这4种模型作比,验证结果表明基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法可有效提高风力发电超短期区间预测精度。     

基于ISSA-ELM的垃圾发电厂焚烧过程建模方法研究

为建立精确有效的垃圾发电厂焚烧过程多输入多输出模型,提出一种改进麻雀算法(ISSA)与极限学习机(ELM)相结合的垃圾发电厂焚烧过程建模方法。首先,选择变量,并基于滑动窗口筛选稳定数据;其次,采用ISSA对ELM的输入层权重和隐含层偏置进行优化,以消除输入层权重和隐藏层偏置随机选取对模型稳定性的影响;最后,将ISSA-ELM模型与传统反向传播(BP)神经网络、ELM模型、麻雀算法-极限学习机(SSA-ELM)模型进行比较。结果表明：基于ISSA-ELM的垃圾发电厂焚烧过程模型相比于BP神经网络、ELM模型、SSA-ELM模型更加精确有效,可为操作人员提供最佳操作变量以调整焚烧工况。     

拉曼光谱法快速鉴别蜂蜜中掺入甜菜糖浆的可行性研究

对蜂蜜用各种廉价的糖浆掺假,一直是蜂蜜行业的严重问题。本文利用拉曼光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行鉴别。用airPLS法扣除拉曼荧光背景,用自归一化法预处理光谱,在全谱范围(4000～10000cm^-1)内建立偏最小二乘-线性判别分析（PLS-LDA）模型,并进行预测。训练集10折交互验证的判别总正确率为90.4%,预测集的判别总正确率为95.4%。实验结果表明拉曼光谱结合化学计量学方法可快速鉴别蜂蜜中掺入的甜菜糖浆。     

基于连续投影算法的油菜蜜近红外光谱真伪鉴别的研究

采用连续投影算法(successive project algorithm,SPA)对177个不同产地油菜蜜样本的近红外光谱做波长选择,然后以33个特征变量作线性识别分析(LDA)。同时,也采用了主成分分析(PCA)对变量进行压缩。比较了二次识别分析(QDA)和簇类独立软模式分类法(SIMCA)的鉴别结果。SPA-LDA模型预测集的鉴别准确率为97.7%,而PCA-LDA、全谱的SIMCA和SPA-QDA预测集的正确率分别为93.2%、95.4%和90.9%;上述四种方法ROC曲线下的面积分别为0.964、0.912、0.948和0.933。SPA-LDA性能比其他三种方法要好。该方法准确、可靠,为蜂蜜真实性的现场快速检测提供了一种新方法。     

基于MCCV奇异样本筛选和CARS变量选择的蜂蜜pH值和酸度的近红外光谱检测

采用Norris平滑加一阶微分数据预处理,蒙特卡洛交互验证(MCCV)的奇异样本筛选和CARS(competitive adaptive reweighted sampling)变量选择法,用Kennard-Stone(KS)法划分训练集和预测集,偏最小二乘(PLS)回归近红外光谱建模,对蜂蜜pH值和酸度进行定量分析。pH值和酸度校正模型的交互验证决定系数(Rcv2)、交互验证均方差(RMSECV)、预测集决定系数(Rp2)、预测均方差(RMSEP)分别为0.8516和0.8723、0.1214和2.1734、0.8205和0.8250、0.1196和2.4674。结果表明,该方法适于蜂蜜pH值的测定,而不宜用于测定蜂蜜酸度。