神经网络与模拟退火算法结合的锅炉低NOx燃烧优化

对某600MW燃煤电站锅炉进行了多工况热态NO_x排放特性测量,在利用多层前向神经网络对该锅炉的NO_x排放特性进行建模的基础上,将神经网络模型与模拟退火全局优化算法相结合,实现了锅炉的低NO_x燃烧的优化,计算得到可获得低NO_x排放浓度的具体燃烧配风方案.文中对2种不同退火参数的模拟退火算法进行了比较,结果说明采用T₀=50K,α=0.6的参数可以获得较好的寻优效果.本文研究结果为实现大型电站锅炉低NO_x燃烧控制的在线优化技术打下了基础.     

多词共现分析方法在暴雨-地质灾害应急任务研究中的应用

为快速制定救援行动方案,提出了一种多词共现分析方法将灾害应急任务从历史发生的灾害案例中提取出来的方法。该方法首先利用K-means聚类算法将预处理好的文本进行聚类分析,归纳出应急任务集。然后利用关联规则挖掘Apriori算法提取案例文本中的频繁项集作为共现词集,分析解释共现词集与应急任务之间的关系。最后,运用Gephi软件将共现词语网络可视化,进一步分析应急任务中要素之间的相关关系。以暴雨引发的地质灾害事故为例,对该方法进行了实验,结果表明该方法能有效的将暴雨-地质灾害事故案例文本中的应急任务提取出来,并通过网络可视化分析发现,在救援过程中,应急任务之间是联动配合的一个体系,协调好各个应急任务能缩短应急响应的时间,为制定或完善救援行动方案提供参考。     

基于模拟植物生长算法的快线公共车辆优化调度研究

公共车辆的运营优化调度能够很好的减少城市交通拥堵,缓解交通压力,保证多方面的利益。对乘客高峰期快线公共车辆的调度进行了研究。首先运用了三元组α/β/γ方法对问题进行了描述,将乘客高峰期快线车辆的调度描述为一类以最小化制造期和平均等待时间为目标,具有先入先出原则和机器适用限制的流水车间动态调度问题。并在此基础上建立了相应的数学模型;接着,运用模拟植物生长算法进行了算法设计;最后,用实际数据进行了数值仿真,结果证明该研究具有较高的理论及现实价值。     

基于小波分解及遗传BPNN耦合模型的地表水As浓度预测研究

随着工业的快速发展,水体中污染物超标事件时有发生,造成了较严重的水环境污染问题.水环境监测与预报是环境科学研究的重要内容.为了实现地表水砷（As）污染的准确预报,本研究提出小波分解、遗传算法与BP人工神经网络的耦合建模方法,并结合某河流监测站1998—2016年共19年的地表水质监测数据,通过皮尔逊相关系数和信息指标评价法对模型输入变量进行筛选,最后对比分析了在不同水质参数输入情况下BP人工神经网络（BPNN）、遗传算法改进的BPNN（GABP）、小波-遗传BPNN耦合模型（W-GABP）对后6年（2011—2016年） As浓度预测结果的均方根误差（RMSE）、决定系数（R²）、平均绝对百分比误差（MAPE）,以确立最优模型.结果表明：①多水质参数BPNN、GABP与W-GABP耦合模型预测结果的MAPE分别为17.51%、15.98%、14.46%,单水质参数BPNN、GABP与W-GABP耦合模型预测结果的MAPE分别为18.78%、16.74%、7.83%;②小波分解数据前处理及遗传算法均能较大程度地提高预测模型的精度;③对于地表水水质预报,需对比不同模型在不同输入变量下的预测结果,以获得最佳的预测精度.单水质参数输入的W-GABP耦合模型能较准确地预报地表水As浓度的变化情况,对数据缺乏地区水质监控和地表水As污染防治具有重要意义.     

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

基于数据挖掘技术的事故隐患预警方法研究

为改良企业既有隐患排查治理方法,提高辨识效率,提升整改效果,应用并优化数据流滑动窗口模型、等价类变化算法、变化挖掘算法等数据挖掘技术,构建1种关联隐患预警方法,该方法以企业历史隐患数据为基础,通过挖掘实时隐患数据的关联规则,发布关联隐患的类型、存在可能性和变化模式等预警信息,指导企业进行针对性排查和整改。最后,以72家安全管理性质相似企业的28 957项隐患数据为例,验证该方法可行性。研究结果表明:该方法不但能挖掘关联隐患类型及其变化模式,而且预警准确率随置信度水平提升而不断提高。     

基于机器学习算法的新冠疫情管控对河南省空气质量影响的模拟分析

全国各地为了减少新冠疫情对社会和人民生活的影响,采取了必要的防疫防控措施,这些措施对空气质量的变化产生了重要的影响,此外空气质量的变化与气象条件也存在很大的关系.通过对河南省疫情前（1月1~26日）和疫情管控期（1月27日~2月29日）这两阶段的空气质量分析对比发现,整个河南省除了O₃浓度上升了69.64%外,PM_2.5、PM₁₀、SO₂、CO和NO₂分别降低了36.89%、34.18%、19.43%、29.85%和58.51%;通过机器学习算法中的长短期记忆型网络（LSTM）模拟显示,气象条件引起污染物浓度的降幅大部分在15%~30%之间;人为排放减少引起的污染物浓度的降幅大部分在6%~40%之间.O₃在疫情期间上升过程中,气象条件和人为排放两种因素分别占了34.84%和34.81%.结果表明,疫情管控期间,河南省空气质量总体上有所改善,但是也有重污染发生,其中O₃的浓度对于疫情管控减排的影响不明显,呈负相关,需要进一步探索引起臭氧浓度上升的原因,以此帮助政府合理控制臭氧等前体污染物的减排比例.     

区域联防联控挥发性有机物(VOCs)最优减排方案研究

VOCs区域性联防联控治理是当前彻底治理VOCs污染的有效手段,为了实现VOCs区域性联防联控治理,建立了以减排总量最大、减排成本最低、VOCs减排限产产生的经济影响最小为目标的多目标最优减排模型,提出了基于自适应变异率的分解多目标进化算法（Decomposition Multi-objective Evolutionary Algorithm based on Adaptive Mutation Rate,简称MOEA/DAMA）.选取关中某城市群为研究对象,将VOCs的排放数据代入到最优减排模型中,运用MOEA/DAMA算法对其求解.根据最终的优化结果与MOEA/D初始算法和NSGA-Ⅱ优化算法的优化结果进行对比,结果表明MOEA/DAMA相较于NAGA-Ⅱ和MOEA/D的Pareto解的分布性更广、解的收敛性更高.在对Pareto解的分析上融入决策者的根据实际情况的权衡,计算出更合理的VOCs最优减排方案,为长效科学治理VOCs污染提供借鉴.     

基于蛙跳算法优化的生态环境质量评价的韦伯-费希纳指数公式

为了建立简便、实用的生态环境质量评价模型,在构建生态环境评价指标体系的基础上,设定各指标的参照值和规范变换式,使规范变换后的不同指标同级标准的规范值差异不大。进而提出了一个对多项指标的规范值都适用的生态环境质量评价的韦伯-费希纳(W-F)指数公式。采用混合蛙跳算法对公式的参数进行优化,得出优化后对多项指标皆适用的生态环境质量评价的W-F指数公式。运用该公式对巢湖流域的生态环境质量进行评价,其结果与该流域生态环境质量实际情况基本相符,表明模型有一定的实用性。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.