基于混合改变惯性因子PSO-BP的短期电力负荷预测

针对短期电力负荷预测的精度和网络的收敛问题,通过分析BP、PSO固有缺点,采用周期改变惯性因子(PCW )和动态改变惯性因子(DCW)的双策略,同时对传统的流程增加了额外BP局部寻优,编制了基于MATLAB的混合改变惯性因子PSO-BP神经网络算法(PDPSO-BP),并对广东某城市短期负荷进行预测。结果表明,PDPSO-BP有效地改善了BP的泛化能力,PSO的搜索能力,整体加快了网络的收敛速度,提高了预测的精度,保持误差在3%以下,具有良好的预测效果,满足负荷预测的要求。     

基于相空间重构和独立分量分析的火灾预测

利用非线性动力学的相空间重构理论和独立分量分析,结合非线性支持向量回归,提出了火灾起数时间序列预测方法。首先用时间延迟法和独立分量分析重构系统的相空间来反映火灾起数时间序列的内在变化规律,然后再用非线性支持向量回归来构建预测模型。仿真结果表明该预测方法具有较高的预测精度。     

基于布谷鸟搜索优化的光伏电站辐照强度预测

针对光伏电站日前小时短期辐照强度的预测准确性问题,且考虑到支持向量机的学习参数对预测模型的性能有较大影响,为进一步提高数据的预测精度,利用布谷鸟搜索算法对支持向量机的惩罚因子c和核参数g进行优化,提出了一种基于布谷鸟搜索算法和支持向量回归的组合预测方法。仿真结果表明:该方法大大提高了光伏辐照强度预测的准确性和精度,可行且高效,适用于光伏在线预测。     

我国小麦白粉病发生流行的长期气象预测研究

确定了影响我国小麦白粉病发病流行的9项关键环流特征因子指标,其中4项较好地表征了我国小麦白粉病发病面积轻、偏轻、偏重、重4个级别的气候特征.以关键环流特征因子距平为预测因子,建立的上年10月初、当年4月初制作预报的2个全国小麦白粉病发病面积距平预测模式历史拟合效果较好,对2004年的外延预报准确率分别达87.5%和98.2%.通过分析关键大气环流特征因子对我国小麦白粉病发生流行的可能影响机制,发现前期关键环流特征因子对我国小麦白粉病的发生流行具有很好的气候背景指示效应.     

基于二层分解技术的短期负荷预测研究

钢铁用户的增多会使地区含有大量的冲击负荷,传统的预测方法难以捕捉该地区的负荷变化规律,预测精度不足。为提高含大量负荷地区的负荷预测的精度和泛化性,提出一种基于可变模式分解与奇异谱分析相结合的二层分解技术(VMD-SSA)和改进鲸鱼算法(IWOA)优化极限学习机(ELM)的短期负荷预测模型。通过实例证明,相比于其它模型,所提混合模型能充分掌握负荷的变化规律,有效提高了含大量负荷地区的负荷预测的精度和泛化能力。     

基于机器学习的不可移动文物暴雨灾害风险评估——以山西省为例

以山西省为例,将不可移动文物作为灾害的影响对象,通过分析暴雨灾害对其的影响因素构建指标体系,通过文物损毁情况划分风险并作为输出数据,将山西省6 325处受灾不可移动文物按照6∶2∶2划分训练集、验证集和测试集,分别使用随机森林模型、支持向量机模型(support vector machine, SVM)、逻辑回归模型进行训练和验证,选取出最优模型,并对山西不可移动文物进行不同重现期暴雨下的风险预测。研究结果表明：基于机器学习的不可移动文物暴雨风险评估方法是可行且结果较为优异的;在3种模型中,随机森林的验证集准确率最高,为95.75%,测试集精度为94.70%;在山西省5、20、50 a重现期暴雨下的不可移动文物风险均呈现出北方低、南方高的态势,且在5 a重现期下高风险文物占比最多,高风险文物以古建筑和古遗址为主。     

基于SVM⁃RF的泥石流窗口坝闭塞度判别研究∗

为了研究野外泥石流防治工程中窗口坝的开口闭塞类别,基于量纲分析理论,以室内水槽试验模拟实际工程,分析模型试验与实际工程的相关物理量及对应的相似准数;引入支持向量机和随机森林分类模型,在开源机器学习工具Scikit-Learn中,采用python编程实现算法;以室内水槽试验数据作为支持向量机和随机森林的训练样本,进行机器学习得到分类模型,提出一种用于判别泥石流窗口坝闭塞类型的新方法;将测试结果与经验公式中闭塞度判别值F的分类结果进行正确率对比,结果表明,F值的分类准确率为88%,而支持向量机为92%,随机森林为94%,随机森林分类效果最好,机器学习理论为泥石流窗口坝在实践中的设计提供了新思路。