CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先,利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量,降低原始序列的非线性和波动性;其次,根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组,以修正自适应噪声完全集合经验模态分解的过度分解问题,使得修正后的模态分量更具规律性;最后,将重组后的分量输入卷积长短期记忆网络进行时序建模,并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配,提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上,明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制,以及风电功率信号包含的重要物理信息,证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。

基于改进VMD和注意力机制的混沌时间序列预测

采用神经网络预测混沌时间序列时,已有研究忽略了混沌时间序列的物理信息混叠现象,难以满足预测时混沌时间序列特征提取的需求,而变分模态分解的结果受参数影响较大,合适的参数能够大大提升变分模态分解的效果,故提出一种模拟退火算法优化的自适应变分模态分解算法,解决参数选择问题。长短期记忆神经网络适用于时序信息的处理,但易忽略输入之间的关联信息,而自注意力机制可加强数据内部关联,有利于重要特征的提取,因此将自注意力机制融入长短期记忆网络。通过引入这两种方法形成融合神经网络模型,采用真实混沌时间序列验证了所提出方法的有效性。对比实验结果表明:所提出的融合神经网络模型可有效提取混沌时间序列中隐含的动力学特征,显著改进神经网络的注意力配比,有效解决预测中出现的超前现象,从而大幅提高了混沌时间序列预测的精确性和稳定性。

煤矸石综合治理浅析

煤矸石的堆存,不仅导致土地的压占,矸石自燃对大气环境的污染和破坏,而且可能由于淋滤污染地表水、地下水和土壤;通过采取综合治理措施,防止矸石的自燃及矸石的淋溶,不仅具有一定的生态效益、经济效益而且具有一定的社会效益。

基于融合神经网络的发动机排气温度裕度预测

民用航空发动机排气温度裕度(EGTM)的变化趋势反映了其性能衰退情况,为使用EGTM的变化趋势来映射其性能衰退情况,提出了一种经验模态分解(EMD)算法与卷积长短期记忆网络(CNN-LSTM)相融合的EGTM组合预测模型。采用EMD将原始EGTM序列分解为多个固有模态分量和残差分量,并将所有分量作为模型输入,利用卷积长短期记忆网络捕获各分量非线性相关性并提取长时依赖关系,构建深度学习模型框架。为验证所提方法的有效性,采用某航空公司10 a的EGTM的实际测试数据进行实验分析,并设计了5种神经网络作为竞争模型进行对比研究。实验结果表明:相比于竞争模型,所提出的EMD-CNN-LSTM组合预测模型可使平均绝对误差和均方根误差降低37.82%和33.01%,拟合优度提高1.02%,此外,当EGTM处于敏感区域时,所提出模型的EGTM单点预测精度显著高于其他竞争模型。结果表明,该融合神经网络模型在民航发动机EGTM预测中具有较好的准确性和稳定性。

基于融合神经网络的短期交通流预测研究

针对交通流预测精度受到原始信号噪声、模态混叠等因素的影响,提出了一种基于集成经验模态分解和双向长短期记忆网络的融合神经网络模型,并加入注意力层,实现短期交通流预测.集成经验模态分解将交通流信号分解成多个固有模态分量,双向长短期记忆网络从正向和反向同时读取序列,并将输出的信号输入注意力层.实验结果表明:所提出的模型成功抑制了模态混叠现象,并且可以更充分地学习交通流序列中的时序特征,且注意力机制能够捕捉整个交通流时间序列更加有影响力的时间点,并合理分配其训练权重,提高递归模型的特征提取能力;所提出的集成经验模态分解-长短期记忆网络-注意力机制模型的平均绝对百分比误差和拟合优度分别为1.2318%和0.9410,优于其他6种竞争模型,在短期交通流预测中具有较高的精度和稳定性.

浅谈我国地质灾害与防治

阐述了地质灾害的定义,介绍了我国地质灾害概况,探讨了地质灾害的类型与特征,分析了人为地质灾害的危险性,提出了防治地质灾害的对策。

桑家河公路滑坡特征分析

对桑家河滑坡群进行地质分析找出人为及自然因素,为进一步统计灾害发生奠定基础。