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。     

基于铀尾矿库核素监测的WSN粒子群优化路由算法

为提高铀尾矿库无线传感器网络(WSN)现有路由算法的网络寿命,提出一种基于铀尾矿库核素监测的WSN粒子群优化路由算法(EBPSO)。首先,在簇头(CH)选举阶段,考虑传感器节点的能量、簇内节点距离、CH到基站的距离等参数,利用粒子群优化(PSO)算法选出最合理的CH,并将筛选出来的CH节点应用于铀尾矿库核素监测组建WSN;其次,在数据传输阶段,提出转发节点的选择方法;然后,用能量阈值重分簇方案来减少能量消耗;最后,对比基于PSO优化模糊C均值的分簇路由算法(POFCA)、低功耗自适应分簇(LEACH)以及高效非均匀分簇算法(EEUC)性能。结果表明：在网络生命周期上,EBPSO算法比POFCA、LEACH、EEUC分别提升1.7%、24.7%、9.2%。EBPSO算法能够延长网络生命周期,适用于铀尾矿库核素监测应用场景。     

《环境科学导刊》发行数字期刊的声明

《环境科学导刊》,投稿及联系邮箱:ynhjkx@yies.org.cn;电话(传真):0871-4142389;国内统一刊号:CN53-1205/X;国际标准刊号:ISSN1673-9655。《环境科学导刊》的数字版本已全文入编《中国期刊网》、《中国知网》、《万方数据-数字化期刊群》、《中国核心期刊(遴选)数据库》、     

新疆卡瓦布拉克地区中元古界碳酸盐台地形成的标志和作用

通过近几年区域地质调查工作中对沉积学的深入研究,首次识别出新疆卡瓦布拉克地区中元古界蓟县系卡瓦布拉克群第三组碳酸盐台地的形成特征和风暴岩、生物礁的沉积特征。本区卡瓦布拉克群第三组碳酸盐台地沉积以含丰富叠层石、含硅、含镁、含臼齿构造的碳酸盐岩系为特征,出现一大套以角砾生物碎屑灰岩、风暴角砾岩、叠层石生物礁灰岩为组合的沉积相,这代表了本区中元古界晚期碳酸盐台地经历了台地边缘相到台地边缘陡坡相的演化。碳酸盐台地的形成说明,在中元古界东天山是稳定沉积类型的标志。这些岩性特征和生物群面貌与华北板块同期特征相似。本文的新发现对东天山大地构造、古气候、古地理、找矿以及与华北板块亲缘性研究具有重要的启迪。     

基于储存寿命的战储器材轮换方法研究

针对传统轮换方法在战储器材轮换上的缺陷和不足,结合长储器材失效数据较少、无法实时检测等特点,提出了一种利用定期检测数据分析小子样储存可靠度,并估计其储存寿命来确定轮换期的方法。在求解寿命分布参数时,为克服迭代法运算时间较长、初始值选取对迭代结果收敛性影响较大等不足,利用粒子群算法求解。通过实例分析表明,该方法得到的结果与工程实际相吻合,能为战储器材的轮换提供有效的决策支持。     

基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。     

西安铁路局职工10年心血管病发病的危险评估

目的：对西安铁路局职业接害人群进行缺血性心血管病的风险评估,找出高危人群,提出相应干预策略。方法：选择2015年在西安铁路疾病预防控制所参加职业健康体检的35-59岁有职业接害史男性职工,收集整理体检资料,按每5年一个年龄组分组,根据“国人缺血性心血管病（ICVD）10年发病危险评估方法”对各个年龄组进行评估。结果：（1）机务系统、供电系统心血管病危险因素检出率较高,除50-54年龄组,其他年龄组绝对危险度平均值较其他系统高;（2）10年发生ICVD绝对危险度平均值均明显高于我国国人同年龄组的平均发病危险;（3）随年龄的增长极低和低度危险度所占人数和比例逐渐减少,中、高度危险度增加。结论：要特别关注机务、供电系统和较高年龄组接害人群身体健康,积极开展心血管病的一级预防,加强体检后的健康管理和促进,从而降低ICVD发病的危险因素,保障职工身体健康。     

支持向量机在边坡稳定性预测中的应用

针对离子型稀土原地浸矿边坡稳定性问题的小样本、非线性等特点,采用一种边坡稳定性预测模型——支持向量机(SVM)模型,分别使用网格参数寻优、遗传算法(GA)参数寻优、粒子群(PSO)寻优算法来计算SVM模型的参数,分析比较3种算法得到的参数,确定最适合离子型稀土原地浸矿边坡稳定性预测的SVM回归模型的参数寻优算法。     

基于灰色关联分析与SA-PSO-Elman结合的地震直接经济损失评估

对地震灾害造成的损失进行评估是国家采取应急救援和灾后援建工作的重要依据。为快速评估地震灾害引起的直接经济损失,提出一种基于灰色关联分析与模拟退火-粒子群-Elman神经网络(SA-PSO-Elman)结合的地震灾害直接经济损失评估模型。该模型先采用灰色关联分析方法客观地选出地震灾害直接经济损失的主要影响因素,即为Elman神经网络的输入,然后将全局寻优能力强及收敛速度快的粒子群算法与能跳出局部极值的模拟退火算法相结合来优化Elman神经网络的权值和阀值,最后将训练好的Elman神经网络运用到地震灾害直接经济损失评估中。通过仿真试验结果表明:该混合算法优化的Elman神经网络模型比Elman神经网络模型和PSOElman神经网络模型具有更高的预测精度和收敛速度。     

基于IPSO-SVM对尾矿坝变形预测的研究

针对支持向量机在参数模型选择上的敏感性,以及在理论上无法直接实现的问题,在标准粒子群算法的基础上对粒子速度与位置更新策略进行改进,通过改进的粒子群算法对支持向量机模型参数进行选择优化,进而提出了一种改进粒子群优化支持向量机(IPSO-SVM)算法模型。根据尾矿坝实测数据,建立了基于IPSO-SVM算法的对尾矿坝坝体位移预测模型,同时与经典的SVM算法以及PSO-SVM算法进行比较分析。结果表明,3种算法在坝体变形预测中都具有较好的可行性,但IPSO-SVM算法在训练效率上有较大优势,而且具有较高的预测精度,更适合在变形预测中应用。