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。     

基于改进神经网络的恐怖袭击风险预警系统

为提高恐怖袭击应急管理的效率,设计了恐怖袭击的风险评估和预测系统。评估模型通过因子分析方法计算各类目标的相对风险指数,评估指标包含"威胁"、"脆弱性"、"后果"三大因素,具体数据从全球恐怖主义数据库(GTD)中进行采集。预测模型通过神经网络实现风险指数的预测,由于BP神经网络的梯度下降算法收敛较慢且易陷入局部最优点,因此利用遗传算法对神经网络的初始权值阈值进行优化,并提高预测精度。最后,对GTD数据库中的21类主要袭击目标进行算例分析,验证了该模型的可行性和准确性,同时还根据这些目标的风险指数进行原因分析和策略建议。     

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。     

基于PCMRA神经网络补偿算法的瓦斯涌出量预测

为了克服自变量之间的多重共线问题,提高多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合,提出了主成分多元回归分析(PCMRA)模型。利用RBF神经网络对主成分回归分析残差进行拟合预测,最后利用残差预测值对主成分回归分析预测值进行补偿。结果表明:利用RBF神经网络对主成分回归模型进行补偿,将线性拟合算法和非线性拟合算法结合起来用于瓦斯涌出量预测是一种较为优越的算法。     

基于自然正交展开的神经网络长期预报模型

对月降水量的前期500hPa高度场、海温场相关预报因子进行E0F展开，并取其中与预报量相关程度较高的主成分，结合人工神经网络技术，建立了一种新的短期气候预测模型。将这种新的预报模型与同样根据这些预报因子建立的回归预报模型进行了对比分析。结果表明，这种新的短期气候预测模型由于集中了众多预报因子的预报信息，并有效地利用了神经网络方法的非线性映射能力，因此比传统预报方法的预报精度显著提高，并且稳定性好，具有很好的应用前景。     

基于机器学习方法的上海市暴雨内涝灾情预测模型研究

本文基于区域灾害系统理论,综合考虑致灾因子、暴露度和脆弱性,提出了一套暴雨内涝灾情预测指标体系;在此基础上利用上海市应急联动中心110接报暴雨内涝灾情数据,构建了暴雨内涝灾情预测BP模型(Back Propagation Model)和XGBoost模型(Extreme Gradient Boosting Model),并对比分析了预测模型效果,实现对上海市暴雨过程内涝灾情数量预测;最后对内涝灾情影响等级进行阈值划分,以期为暴雨内涝影响预报与风险预警业务、服务及灾害管理提供技术支撑。结果表明:1)综合考虑致灾因子、暴露度、脆弱性指标且不经主成分分析降维的指标组合作为暴雨内涝灾情预测指标体系时,BP模型和XGBoost模型的预测精度最优;2)全量样本XGBoost模型总体表现最优,暴雨内涝灾情的右偏分布和内涝灾情的异常高值均对XGBoost模型预测误差有不同程度的贡献;3)综合评价法在历史灾情百分位法和模拟灾情百分位法基础上,结合多年业务实践经验和用户对于110灾情的处置承受力对暴雨内涝灾情进行阈值划分,在实际应用中具有一定参考意义。     

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。     

BP和RBF神经网络在边坡稳定性评价中的应用

基于BP网络和RBF网络理论,选取影响岩质边坡稳定性的一些主要因素,建立了边坡稳定性分析的神经网络模型,并用Matlab7.0神经网络工具箱对一些边坡样本进行训练仿真。对比了两种网络的逼近精度和预测结果,结果表明:两种网络均可以用于边坡的稳定性评价,RBF网络的性能要优于BP网络,网络最优参数的选择要通过反复实验获得。     

南昌上软下硬地层中盾构施工地表沉降的BP神经网络预测方法

盾构施工引起的地表沉降的影响因素众多,给地表沉降的计算带来较大困难,而BP神经网络能较好地建立各个影响因素与地表沉降的非线性关系。为了能得到较准确的地表沉降值,采用Miscrosoft Visual C#和Matlab编制了BP神经网络预测软件。结合盾构施工过程中影响地表沉降的地层几何条件、地层参数以及施工参数,建立了BP神经网络模型,对盾构施工引起的地表沉降进行预测。将该预测模型应用于南昌地铁工程的上软下硬地层中,同时考虑了该地层掌子面泥质粉砂岩所占的比例,并对预测值与实测值的误差进行了对比分析。最终得到的预测结果与实际沉降值较一致,表明该BP神经网络模型可用于类似的工程实践。     

基于主成分分析和支持向量机的苏锡常地区地裂缝危险性预测

地裂缝地质灾害是由多种复杂因素共同导致的岩层、土体开裂现象,常规数学模型难以对地裂缝的危险性做出准确预测。该文首先采用主成分分析(PCA)方法对选取的导水系数、水位、粘性土层厚度、基岩起伏度、基岩埋深5个影响因素提取3个主成分,对导致地裂缝发生的主成分进行了全新的解释,同时引入支持向量机的方法(SVM)建立了基于主成分分析和支持向量机的苏锡常地区地裂缝危险性预测模型。并结合工程实例将预测结果与SVM模型预测结果进行比较分析。结果表明:基于主成分分析和支持向量机的地裂缝危险性预测模型精度较高,具有一定的参考价值,可为预测苏锡常地区地裂缝危险性提供有效依据。     

基于小波包和改进纵横交叉法的风电预测模型

针对风电出力的随机性、季节性和波动性及一般方法预测精度不高的问题,采用改进纵横交叉(improved crisscross optimization, ICSO)算法,建立了一种基于小波包变换与改进纵横交叉算法优化Elman神经网络的风电预测模型。仿真结果表明:改进的纵横交叉算法不但克服了一般算法早熟收敛的缺陷,有效提高神经网络的泛化能力和预测精度,而且表现出良好的稳定性,适用于风电的预测。     

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。     

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。     

洪水灾情评价的脉冲耦合神经网络模型

洪水灾情的评价工作对洪水灾害的分类管理具有重要的指导意义。脉冲耦合神经网络模型应用到洪水灾情评价中是一次新尝试,该方法通过脉冲输出从而调节阈值,并且应用动态阈值来确定洪水灾情的等级。这个方法比传统的BP模型简化了权值的训练,模型更加简便、直观。采用脉冲耦合神经网络模型得出的评价结果同灰色关联法、灰色聚类法、灰色模糊综合法的评价结果进行了比较,表明其用于洪水损失评价具有科学性和实用性。     

BP神经网络在台风路径预报中的应用

利用前馈型BP神经网络模型,对发生于中国沿海的热带气旋的移动路径进行了预报应用研究.根据中国<台风年鉴>发布的每个台风过程记录,对预报试验的台风个例分别选取了经度、纬度、中心气压和最大风速等81个因子,由多元回归选取了其中相关性好的因子,进行网络的学习训练,在获取前24h间隔6h的4次台风信息的基础上,用来预报了台风未来24h,48h和72h的短期路径变化.将该方法预报结果与CLIPER模式预报结果进行了比较,结果表明,BP神经网络模式的预报精度比CLIPER模式的高.     

计及风速与风机故障相关性的概率潮流计算

针对计及风速与风机故障不确定性及相关性的风电并网电力系统概率潮流计算问题,基于Nataf变换建立了能够同时考虑风速、风机故障不确定性和相关性的风电场出力模型,提出一种可灵活处理风速与风机故障相关性的MonteCarlo概率潮流计算方法,并引入“拉丁超立方抽样”技术提高抽样效率,降低计算复杂度。仿真结果表明:该方法能反映风电场出力的实际情况,合理评估风电并网对电力系统概率潮流的影响,有助于风电场的选址及电网规划。     

基于样板机法的风电有功控制策略优化

针对自动发电量控制(Automatic Generation Control,AGC )系统因同一原因对不同风电场进行限电时,由于风电预测准确性较低而产生的公平性问题,引入样板风机法还原的理论功率作为限电依据,设计了优化的风电有功控制策略。应用结果表明:该方法可以有效解决风电限电的公平性问题,促进风电的消纳和健康有序发展,提高风电并网运行管理水平。