基于混合分解技术的鲁棒极限学习机的风速预测

提出一种基于混合分解技术的改进鲁棒极限学习机的风速预测模型。混合分解技术的特殊性在于采用变分模态分解,把互补集合经验模式分解所产生的高频固有模态函数进一步分解为多个模态分量,以提高短期风速预测的精度。然后对混合分解技术分解得到的全部风速分量分别建立鲁棒极限学习机模型进行预测,并采用一种改进鲸鱼优化算法对鲁棒极限学习机的参数进行微调。最后,根据西班牙某-风电场实际风速数据进行风速多步短期预测。实验结果表明:基于混合分解技术和改进鲸鱼优化算法优化鲁棒极限学习机的组合预测模型在风速预测.中取得较好的预测效果。     

基于改进布谷鸟算法的分布式电源优化配置

针对布谷鸟搜索算法在处理多目标优化问题上的不足,基于混沌映射、非支配排序等多目标优化策略,提出一种改进的多目标布谷鸟搜索(improved muti-objective cuckoo search,IMOCS)算法,对分布式电源多目标优化配置问题进行求解。为增加初始种群的多样性,利用logistic混沌映射产生初始解;自适应改变搜索步长,以提高算法的寻优能力和收敛速度。仿真结果表明:IMOCS算法寻优能力强,收敛速度快,能够有效求解分布式电源的多目标优化配置问题。     

基于单纯形-混沌优化算法的边坡稳定性分析

利用混沌现象固有的内在结构进行寻优搜索,为土质边坡的稳定性分析提供了一个新思路。将混沌优化算法的全局搜索能力和单纯形法的局部搜索能力结合起来形成单纯形-混沌优化算法,结合简化Bishop法对边坡进行稳定性分析。单纯形-混沌优化算法搜索到的是全局最优解。通过与遗传算法、改进的模拟退火算法的计算结果对比,表明在保证安全系数一定精度的情况下,单纯形-混沌优化算法搜索到的是最危险滑动面。可见,单纯形-混沌优化算法具有较强的全局搜索能力,结果更可靠。     

基于奇异谱分析和极限学习机的风速多步预测

风速预测对风力发电系统具有重要的影响,为获得更高精度的风速预测结果,针对多步风速预测,成功开发了一种基于奇异谱分析和优化极限学习机的新型预测模型。首先,采用奇异谱分析将风速时间序列分解为一组相对平稳的分量,以降低风速序列的随机性对预测结果的影响;然后,对分解得到的分量分别建立极限学习机预测模型,为进一步提高预测性能,将1种新颖的活性竞争萤火虫算法用于优化极限学习机的输入权值和隐含层偏置;最后,叠加全部分量的预测值得到实际预测结果。仿真结果表明,基于奇异谱分析和活性竞争萤火虫算法优化极限学习机的模型在1步到3步风速预测中实现了较高精度的预测结果。     

基于改进差分进化算法优化极限学习机的短期负荷预测

负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。     

基于EWT-FIG和ORELM模型的风速多步区间预测

针对风速预测具有较强的不确定性,提出了一种经验小波变换一模糊信息粒化和变异鲁棒极限学习机组成的短期风速区间预测模型。该模型采用经验小波变换将原始风速分解为若千个模态分量和一个剩余量,并对所有分量进行重构,为了缩小预测区间范围,仅对重构后的剩余量进行模糊粒化,根据需求提取每个窗口的最大值、平均值和最小值,然后对极限学习机进行优化,最后对所有分量建立离群鲁棒极限学习机预测模型,叠加预测值实现风速多步区间预测。实际算例表明:所提多步区间预测方法能有效跟踪风速变化,具有较高的预测精度和可靠的区间预测效果。     

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。     

大型风电场内机组的有功功率优化方法研究

为充分利用风能、提高风能利用率,改善风电场的功率输出特性,基于风速和功率的超短期提前一步预测,建立多目标的风力发电机组功率优化模型,对风电场输出的有功功率优化,并采用粒子群优化算法对优化模型进行求解和仿真分析,仿真结果表明:该优化方法使风电场整体输出功率得以提高,同时也减小了风电场的运行成本。     

基于改进模糊聚类法和CPSO.-ISSVM的母线负荷预测

针对大型冶金企业专用母线负荷种类多、分布不均、规律性弱等特点,利用自组织特征映射神经网络(self-organizing feature map, SOM)对模糊聚类法进行改进,以选择待预测日的相似日,通过db4小波对相似日负荷数据进行分解、去噪和重构处理后作为后期预测模型的训练样本;采用混沌粒子群算法(chaos particle swarm optimization,CPSO)对最小二乘支持向量机(least square support vector machine, LSSVM)算法的惩罚参数和核函数覆盖宽度进行优化,构造了基于CPSO和LSSVM的母线负荷预测模型。仿真结果表明:该负荷预测模型,将预测结果的相对误差降低到1.998%,预测精度达到了97%,提高了专用母线负荷预测准确性。     

流域水文干旱等级预测问题的研究

采用滦河潘家口水库控制流域9个水文站1958-2009年的逐月流量数据,通过计算各站12个月时间尺度的标准化径流指数(SRI),得到了实测水文干旱等级序列。根据干旱等级转换的观测频数,提出了基于三维列联表的对数线性干旱预测模型,并计算了干旱等级转换间的优势及其置信区间,以估算干旱等级转换的概率,实现了滦河潘家口水库控制流域预见期为1个月和2个月的水文干旱等级预测。选取2000-2009年的水文干旱演变过程对预测模型进行了验证。结果表明:干旱等级转换的三维列联表呈现一种强对角线趋势,各站三维对数线性模型的检验显著性水平p均大于检验水准α(0.05),观测频数与期望频数吻合程度高,且预见期为1个月的水文干旱等级预测精度较高,可用于滦河潘家口水库控制流域短期水文干旱预警。但预见期为2个月的水文干旱等级的预测误差较大,需根据流域的气候特征及下垫面的物理状态对模型进行进一步的改进。因此,如何综合应用气象和水文干旱监测信息,并采用对数线性预测法建立新的模型对水文干旱进行提前预警是需要解决的重要问题。     

牛顿法计算Sarma法边坡安全系数

根据Sarm a法的基本假定即条块侧面与底面抗剪强度按同一比例调用,将斜条块侧面的推力分解为分别与摩擦力和凝聚力有关的2个分量,由条块力的平衡条件,推导出更为简洁的隐含安全系数的条块推力递推方程。为了加速收敛,采用牛顿法迭代法计算安全系数,并推导出计算中所需有关导数的解析表达式。同时,利用所得推力递推方程重新推导出了临界地震加速度系数Kc的显式表达式,该式与原始的Sarm a法等效,但形式上更为简明且便于应用。算例表明,本文的改进的Sarm a法算法收敛迅速,迭代3~5步即可达到工程所需精度,计算结果与经典算例Sarm a法解答及塑性力学理论解均非常接近。     

基于ASD-KDE算法的超短期风电出力区间预测

为提高含风电场电网经济调度能力并降低电力系统规划决策的保守性,提出了基于原子稀疏分解-核密度( atom sparse decomposition-kernel density estimation, ASD-KDE)算法的超短期风电出力区间预测模型。该模型应用ASD计算出较为精确的点预测值,并采用粒子群优化正交匹配追踪算法提高原子分解过程的预测实时性。同时针对风电序列不同区域所具有的线性及非平稳特性,构建了衰减线性原子库及Gabor原子库,以期达到自适应分解的效果。再通过对原子分量和残余分量分别进行自预测和BP( back propagation) 神经网络预测,获得点预测值。在此基础上,通过对历史风电数据不同区间的划分,构建一维核密度估计模型,逐步滚动获取预测值的置信区间,从而降低了环境变化对预测结果的影响。实际风电场算例验证了所提方法的自适应性、快速性及有效性。     

人工神经网络在预测深基坑周边地表沉降变形中的应用研究

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(BP)网络模型的结构、学习过程及其算法的改进,径向基函数(RBF)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的BP神经网络模型和RBF神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。     

地震预警系统中的算法研究

通过对地震预警系统中基本算法的研究,在现有方法的基础上提出了一套地震参数快速估算的算法,以应用于地震预警系统中。该算法根据某些噪音的特殊性质,通过引入两个参数:触发时窗与取消阈值,对常用的P波初到判断方法STA/LTA(长时窗平均/短时窗平均)算法进行改进,以消除P波到达前的异常跳动点与脉冲噪音的影响,对P波到达进行识别。在识别到P波到达后,该算法实时的从P波初到后3s时窗内的竖向数据中提取出12类特征性质不同的计算参数作为估算震级,震中距等地震参数的依据,提高了震级、震中距的估算精度,减少了在大震下估算的离散性,取得了较好的结果。该算法可在地震P波到达后的几秒钟内,估算出地震相关参数,在S波到达前发出预警,并为采取相应的措施以及震后求援行动提供判断依据,达到防灾减灾的目的。     

基于改进的PSO‑BP神经网络的边坡稳定性研究∗

边坡稳定性研究对于重大地质灾害防治极其重要，但由于影响边坡稳定性的因素具有非线性、多样性以及模糊性等特征，边坡稳定性分析一直是地质灾害防治领域的热难点问题。已有研究表明神经网络预测模型可有效应用边坡稳定性分析，但同时存在预测精度低、鲁棒性差、收敛速度慢等缺点。为改善上述问题，在粒子群算法优化的 BP 神经网络（简称 PSO?BP 神经网络）算法基础上提出一种改进的边坡稳定性预测模型。该模型以容重、内聚力、内摩擦角、边坡角、高度、孔隙压力比作为输入参数，以安全系数作为输出参数。通过借鉴遗传算法中的变异思想来提升模型全局寻优的能力，利用能量函数负梯度下降原理提高模型的收敛速度。将所收集到百余条边坡数据进行数据清洗，最终得到 80 条高质量边坡数据，随机选取其中的 50 条边坡数据作为模型的试验数据。最后采用十折交叉验证的方法对模型的准确性进行验证，并在多维度与其余边坡稳定性神经网络预测模型进行对比分析。结果表明：①该模型相比于其余模型收敛速度、准确率、鲁棒性均有明显提高；②将 K 折交叉验证应用在小样本数据下的边坡稳定性神经网络预测模型，可有效避免结果的偶然性。③该模型的预测误差仅为 4.31%，满足工程精度需求，可在实际工程中为边坡稳定性分析与灾害防治提供参考。