大坝渗压混合预测的STL分解-集成学习模型

针对目前大坝渗压预测研究大多未区分影响因素对渗压不同特征成分贡献的差异,降低了模型的可解释性,且现有的预测模型大多采用单一算法,存在难以区分具有高度非线性和非稳态混合特征的渗流压力序列模式等问题,本文提出一种基于STL分解和集成学习策略的渗压可解释混合预测模型。该模型首先通过时间序列分解(STL)将原始渗压时间序列分解为季节项、趋势项和余项,以避免现有模型在渗流压力预测中模式混淆的不足;然后,不同成分的变化特征可采用多策略改进麻雀搜索算法(MSISSA)优化的核极限学习机(KELM)和卷积神经网络组合门控递归单元(CNN-GRU)组成的集成学习模型来识别;此外,还采用单次单因子法(OFAT)分析影响因素对渗流压力不同特征成分的贡献,从而改变输入因素的权重,以提高模型的可解释性。案例分析结果表明,在确保模型可解释性的同时,所提出的混合模型与基于单一算法的模型相比,预测精度平均提高了48.44%;与其他集成预测模型相比,预测精度平均提高了11.42%,验证了所提模型的有效性,为大坝渗流安全监控提供了新的建模方法。

基于FFT-STL的大坝监测数据时效分量提取与分析算法

研判监测物理量的变化趋势是否向危险方向发展是大坝监测资料定量分析的主要目的,但传统方法易受人为因素的影响。为此,提出了一种基于FFT-STL的大坝监测数据时效分量提取与分析算法,该算法采用FFT算法计算监测数据的周期,并将其作为输入参数传递给STL分解算法,自动提取数据的时效分量,采用不同类型的时效分量模型分别回归拟合优选最佳模型,最后依据变化速率对时效分量的趋势进行研判。经实例分析证明,与传统算法相比,所提算法能准确可靠地反映大坝安全监测数据的变化和发展趋势,且具有更好的适应性。

基于STL-Holt-WOA-RF的拱坝位移预测模型

传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。

基于STL算法的黄河下游水沙通量变化分析研究

本文采用了STL分解法的局部加权回归,捕捉局部变化规律和趋势,得出自2019年起,水沙通量因“调水调沙”出现大幅突变,2019—2021年突变点逐渐更密集且峰值逐渐减小,呈更平缓突变趋势;每年季节年性相差不大,分洪、枯两季;周季节性和突变性相似,均为变换系数逐年增大,呈更平缓波动趋势;周期性体现在枯季水沙通量在大时间尺度上先多后少,在小尺度上水沙通量的多-少循环,且变换系数远小于洪季。

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。

基于分解和多分量集成学习的负荷预测方法

能源负荷时间序列具有周期波动性和增长性两重趋势。一般梯度提升树GBDT通过集成多个分类与回归树CART,能够很好地拟合周期波动性趋势,但是对于增长性趋势拟合较差。相关研究先分解再使用组合模型预测,而本文研究在分解后使用多分量集成学习进行预测。首先分解出负荷的2种趋势分量及残差分量,将CART的叶节点改为3个预测模型,使其能够对3个分量进行预测。同时优化CART损失函数为各分量预测结果的误差平方总和,使其能够考虑3个分量预测模型的损失。然后基于梯度提升重构预测结果,使其能够以多分量集成学习的方式拟合负荷的两重趋势。最后提出基于分解和多分量集成学习的负荷预测方法,该方法在某地区电力负荷预测实验中,相比其它预测方法,各项误差评价指标均有所下降。实验结果表明,本文提出的方法在两重趋势性负荷的预测中具有更好的表现,同时也为GBDT预测其它类型数据提供了改进思路。

基于STL-LSTM-TCN模型的短期负荷预测方法

为提高模型的预测精度,引入STL算法将负荷序列分解为周期分量、趋势分量、残差分量,利用各分量训练LSTM和TCN模型。在得到LSTM和TCN模型的预测后,为进一步提高模型的预测精度,构建了集成模型对LSTM模型和TCN模型的预测值进行集成。以西班牙电力负荷数据集为例,对所提负荷预测方法进行了验证。实验结果表明,STL算法和集成模型的引入均提高了模型的预测精度,基于STL-LSTM-TCN的预测方法相较于LSTM、TCN、STL-LSTM、STL-TCN,其MAPE分别降低了2.8664%、2.1229%、0.37%、0.1%,所提负荷预测方法的预测误差最低,验证了所提预测方法的有效性与合理性。

基于趋势跨度指数的稳态电能质量趋势识别及预警方法

针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性,提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted regression)分解算法对稳态电能质量指标时间序列进行回归分解,提取趋势分量;其次采用Mann-Kendall检验法识别电能质量指标趋势分量的趋势类型;然后提出趋势跨度指数以量化电能质量指标趋势变化程度,并根据趋势跨度指数的分布特征划分预警等级;最后采用理想解排序法对监测点电能质量恶化风险进行综合评价。将该方法应用于某市稳态电能质量实际监测数据,对监测点各项电能质量指标以及整体电能质量水平进行趋势预警。

基于GM(1,1)–SARIMA组合模型的铁路客运量预测研究

精确预测铁路客运量是科学设置列车出行计划,铁路运输规划的重要前提,为了克服单一模型在铁路客运量预测上的不足,选取2010年1月至2019年12月全国铁路客运量数据,结合STL时序分解法将客运量数据分解为三项,探索性分析后,选用GM(1,1)和SARIMA模型对三项数据进行预测,组合成最终结果,以MAPE、RMSE和R^(2)为评价指标,将组合模型与单一GM(1,1)和SARIMA模型对比分析,试验结果表明,组合模型的R^(2)更接近于1,RMSE降低了55.31%~86.30%,MAPE降低了54.39%~82.61%。证明了GM(1,1)–SARIMA模型在铁路客运量预测上的准确性和适用性。

基于STL-Former的中短期光伏功率预测

由于光伏发电具有间歇性和波动性,给电网运行的安全性和稳定性造成危害,对光伏功率进行准确预测可以有效解决这一问题。本文提出一种基于STL-Former的中短期光伏功率预测模型,该模型结合了季节趋势局部加权回归分解(STL分解)与神经网络模型。首先,STL-Former模型将光伏功率数据通过STL分解进行特征扩充,用于提取基于历史序列的周期项、趋势项特征。然后,拼接周期项、趋势项特征和原特征,进行数据预处理和特征编码并使用基于Informer模型的神经网络进行功率预测。最后,在真实数据集上进行大量实验。实验结果表明:STL-Former在中短期光伏功率预测任务中精度较高,其中在2 h光伏功率预测任务时,平均绝对值误差为0.176、均方误差为0.180;在28 h光伏功率预测任务时,平均绝对值误差为0.170、均方误差为0.154。

使用时列信号分解的地磁日变基值推算方法

针对在地磁场长期变化作用下,地磁日变基值存在日变改正模型误差,导致海洋磁力测量精度难以提高的问题,提出STL+EMD相结合的算法:在提取地磁日变曲线短期变化趋势基础上,进一步分解得到地磁日变的长期变化,并以此建立具有时间维度的地磁日变基值的改正值。此算法优势是填补了对地磁场长期变化影响的客观评判,减小了日变改正中的模型误差。通过与IGRF参考模型的线性拟合方法相比较,STL+EMD算法的精度有显著提升,精度提高了42.27%。将STL+EMD算法应用到2020年8—11月某海域的实测数据表明,与传统平均值算法相比较,实测数据内符合精度提高了49.71%,系统误差降低了60.07%,同时明显改善了测线的交叉点差值。

一种基于波形包络趋势变化的AE信号到时拾取方法

为摆脱参数设置对到时拾取算法准确性和适应性的影响,依据波形的起伏特征提出一种无需事先设置参数的到时拾取方法,该方法以信号包络线趋势变化为依据,首先通过功率谱密度图确定包络线的隐周期,然后通过STL分解获得包络线趋势变化曲线,最后根据MK突变检测自动确定AE信号到时。仿真试验结果表明,在不同强度和不同频率的背景噪音环境下使用本文方法均表现出较高的拾取性能,而应用较多的STA/LTA法在拾取性能上明显表现出对参数设置的依赖。在广西盘龙铅锌矿地压监控实测信号中的应用结果表明,本文方法能准确判别监测信号中有无声发射并准确拾取到时。该方法为矿山地压实测信号的到时拾取提供了一种新的思路。

基于MODIS数据的伽师—阿图什交界M_(S)5.8地震热红外异常检测研究

以2011年8月11日在伽师—阿图什交界处发生的5.8级地震为例,利用MODIS的LST产品数据,采用STL分解法有效地去除地表温度时空数据中的年变趋势及季节因素周期性的影响,对其余的残余项进行GESD异常检测,并分析2008年1月1日至2013年1月1日的LST异常及其他地震的关系数据,研究结果表明:(1)地表温度的变化具有明显的时空变化趋势;利用STL分解法可以看出震前存在明显的热红外异常,增温现象经历了“出现-扩大-分散增温-增温幅度达到极值-消失-发震”等几个阶段。(2)发震前四个月研究区周围存在明显的热红外异常,2月10日发震断层周围出现大面积异常,异常特征持续2个月后的4个月发震,峰值距发震时刻时间间隔较长。(3)余震分布与断裂带和热红外异常分布特征相关,震后大部分余震主要分布在主震发生的震前出现热红外异常的断裂带附近。(4)通过对比同地区相似震例发现,本次地震与2018年9月4日伽师县M_(S)5.5地震的热异常特征有许多共同点,其中相同的峰值距发震时刻的时间间隔具有一致性,为震前热红外异常特征的归纳提供典型的参考信息。该次地震热红外异常显著,进一步验证了卫星热红外异常在地震预判方面的作用。

基于拐点分析的汉江水华暴发突变与归因研究

科学认知河流生态退化的突变过程一直是水生态学科的研究难点。该文面向汉江河流水华的演变规律和成因,建立基于拐点分析(Mutation Test)的河流水华诊断与归因分析方法。综合采用STL趋势分解法(Seasonal Trend Decomposition using LOSS)、MK突变检验法(Mann-Kendall)以及冗余分析(Redundancy Analysis,RDA)等多源统计诊断与归因分析方法,重点分析了2004—2017年2—4月汉江武汉段藻类密度的时间变化趋势和突变点,识别了水华年和非水华年期间藻类密度主要影响因子。结果表明,(1)2004—2017年2—4月汉江武汉段宗关、白鹤嘴与琴断口3个观测站藻类密度均值为0.37×10^(7) cell·L^(−1),峰值浓度为5.3×10^(7) cell·L^(−1),其中2004—2008年呈显著上升趋势,2008—2014年呈显著下降趋势,2008年前后为汉江藻类密度突变点。(2)汉江武汉段水华年主要发生在2008—2011年和2016年,2月中旬至3月上旬藻类密度最大,2008年水华事件为近20年最严重。(3)汉江武汉段藻类密度2008年前后出现峰值及拐点的主要原因为总氮、总磷、流量以及水位差的突变;其中,与非水华年相比,水华年流量下降15%,总氮、总磷均偏高2%左右。(4)较高的总磷含量、适宜的水位差及较小的流量综合导致2004—2017年春季汉江水华现象发生。总磷含量是水华年与非水华年汉江藻类生长的主要限制营养元素,水华年水位差对藻类生长影响显著。建议下一步重点开展汉江总磷源解析,监控汉江武汉段的流量,预防“顶托”作用的形成。

数据报告:一种信息史学新实践

通信、大数据和物联网信息技术的高速发展对史学理论界提出了全新要求,在传统以人为中心的历史之外,以“物”为中心、以有关“物”的监测数据为材料的数据处理和报告编制过程也要求被纳入史学理论视野;现有的信息史学定义修正后方可回应这种要求。秉持信息史学的理论融合自觉、以跨学科的视野审视传统史学理论与数据处理领域的概念和理论,可以为两个领域带来具有启发意义的新观点。

面向能源大数据中心的数据质量检测技术研究

对智能电网中的数据进行异常检测,可以避免因故障处理不及时导致的电量损失和设备损坏。设计了一种基于能源大数据中心的数据异常检测方法,利用云计算架构,实现对智能电网能源大数据中心的超大数据量的存储和计算。采用STL分解法将电表数据进行分解,再利用分解后的残差数据进行异常分析,完成对智能电网中异常数据的检测,并通过实验验证该方法的准确性。

闽江流域水质时间序列变化趋势识别及特征分析

针对传统方法难以反映水质指标时间序列非线性、局部特征的问题,提出一种结合STL时间序列分解算法和Mann-Kendall趋势检验算法的水质时间序列识别与分析方法。该法首先应用STL时序分解算法对水质指标的时序数据进行回归分解,分离出水质指标趋势项,利用Mann-Kendall检验法,识别并分析出水质指标趋势项的变化趋势及特征。选用2014-2018年闽江流域12个监测站点、8个水质指标时间序列作为分析数据源,结果表明:闽江流域水质状况整体较好且呈现出稳步提高的趋势;闽江上游水质整体上优于闽江下游,但有机物污染较下游更为严重;闽江下游NH3—N、TP浓度下降趋势明显,但DO值较上游偏低并成为影响水质的主导因素。

黑河上中游月径流序列多重分形特性研究

为准确了解黑河上中游月径流序列的分形特性,运用STL方法对黑河上中游札马什克站、祁连站、莺落峡站和正义峡站的月径流序列进行季节分解,并运用WLMF和MF-DFA2方法对分解前、后月径流序列的多重分形特性进行了对比分析。结果显示:黑河上中游月径流序列具有多重分形特性;莺落峡站实测月径流序列具有反持久性,札马什克站、祁连站和正义峡站实测月径流序列具有持久性;季节周期波动对黑河上游月径流序列的分形特性有显著影响,从札马什克站到莺落峡站月径流序列的分形强度减弱,不均匀性减小;正义峡站月径流序列的不均匀性主要与人类活动有关。

不同时间窗下铁矿石期货价格预测精度研究——基于CNN-LSTM注意力模型的分析

利用时间窗提升铁矿石期货价格预测精度对铁矿石期货市场平稳发展具有重要意义。本文选取2013年10月至2021年12月铁矿石期货价格及同期相关数据,采用STL分解方法对铁矿石期货价格进行特征分析,构造基于自注意力机制的CNN-LSTM模型,预测铁矿石期货价格并进行对比分析。结果表明:将铁矿石期货季节性规律应用于时间窗可以提升铁矿石期货价格预测结果准确性。在4、7、30、365天时间窗下,最佳预测结果是4天时间窗。模型预测结果的平均绝对误差MAE值为11.5,相较于LSTM、LSTM-ATT、CNN-LSTM基准模型分别降低了32.70%、19.12%、22.28%。构建模型具有较好的泛化性,MAE在7天、30天、365天时间窗下均为最低。基于此,应关注价格的时间窗特征,完善铁矿石期货市场环境,推动铁矿石现货市场保供稳价。

基于GRU的汶川地震川西气井压力前兆异常识别研究

前兆异常出现的时间特征能够体现地震孕育的过程,通过分析前兆信息可以对地震进行短临预测,在地震预测研究中发挥着重要作用.然而传统的计算方法和处理分析模式已经很难快速地从海量观测数据中自动定位异常,识别的精度和适用性也存在不足.因此,本文从井生产数据出发,结合STL时间序列分解、趋势拟合、扩容理论和油气运移等,对汶川地震川西气井压力前兆异常现象和产生机理进行分析,并提出将门控循环神经网络(GRU)模型应用于前兆异常识别中.结果表明,川西地区多口井的气井压力数据在汶川地震前同时出现了异常降低现象,很好地反映出地震前的短临异常.相比于循环换神经网络(RNN),GRU模型充分考虑了井生产数据之间的复杂非线性关系和历史关联程度,能够准确地识别出气井压力的前兆异常现象,模型结果也具有较小的均方根误差(RMSE)和平均绝对误差(MAE),可以作为一种新思路应用于地震前兆异常识别当中.