SPARROW模型研究及应用进展

SPARROW(SPAtially Referenced Regressions On Watershed attributes)模型是由美国地质调查局开发的一个基于空间的计算流域营养物质污染负荷的非线性回归模型。它使用机理函数和空间分布模块来计算流域的污染负荷,从而弥补了许多经验回归模型的缺陷。基于模型的特性,其在流域污染负荷核算、水质响应模拟、采样点空间优化、流域最大日最大污染负荷计算与水环境管理等方面有较好的应用前景。对SPARROW模型的机理、结构、输入输出变量、应用现状及在我国的应用发展前景和可能的问题进行了全面阐述和讨论,并对SPARROW模型的改进模型—贝叶斯-SPARROW模型进行简要介绍。以期为该模型在中国水环境管理中的应用提供参考。

流域空间统计模型SPARROW及其研究进展

SPARROW(SPAtially Referenced Regressions On Watershed attributes流域属性基于空间的回归模型)是美国地质调查局(USGS)开发的经验统计和地表过程相结合的流域空间统计模型。模型通过对河流水质数据和流域属性建立空间回归实现污染负荷产生和迁移的定量化。模型的最大特色是其空间特性非常显著,可以将上游的营养盐污染源数据和下游的营养盐负荷数据联系起来,同时可以将河流中的水质监测数据或污染物通量数据和流域的空间属性特征(比如土地利用类型、河网、大气沉降等)联系起来。模型除了一般水质模型所具有的水质模拟和流域污染源的分析功能外,还可在模拟过程中对流域中每个污染源、流域属性和污染物迁移过程对水质监测结果的影响进行显著性检验。文章简要介绍了SPARROW模型的结构和原理、功能和应用发展前景。

SPARROW模型的传输过程研究——以新安江流域总氮为例

建立新安江流域总氮的SPARROW模型,以土-水传输因子(LDF)表示降雨、坡度、气温3个土-水传输变量的影响,结合农业源、林草地源、生活源3个污染源排放系数,分析总氮经过土-水传输之后到达河道的比例(LDR),由此揭示总氮的非点源污染特征。结果显示坡度的影响在整个流域范围内差异相对较大,LDF为0.86~1.06,因而对3类污染源进入河道的传输比差异亦较大。综合考虑3个土-水传输变量作用下,子流域60土-水传输因子最大,而子流域225最小,因此若制定减排措施要求入河减少量相同,管理上会优先考虑子流域60所在的地区。研究采用改进的河流衰减方程同时描述水文和非水文因素的影响,代替河流分级衰减系数,引进传质系数作为模型模拟参数,削减速率与流量呈负相关关系,且大部分河段削减速率均在以往文献研究范围之内,表明改进的传质速率用于新安江流域总氮模型具有可行性。

SPARROW模型在水环境管理中的应用及发展趋势

模型是研究水环境变化、进行水环境管理的重要工具.SPARROW(spatially referenced regressions on watershed attributes)是一个基于质量平衡方法将监测数据与流域特征和污染物来源信息相关联的非线性流域回归模型,具有数据需求量少、结构透明、普适性强等优点.为深刻理解SPARROW模型在水环境管理中的应用现状及未来发展趋势,笔者对SPARROW模型的原理以及其在营养物背景浓度模拟、水质评价、水质目标管理、气候变化对水环境影响等方面应用的国内外研究现状进行了系统梳理.结果表明:①通过选择合适的参考点,SPARROW模型可以有效模拟流域背景营养物通量和浓度,为流域水质标准的制定提供参照依据.②SPARROW模型可将营养物监测获得的数据信息外推至未监测区域,在水质监测数据数量有限的情况下进行水质评价.③SPARROW模型可模拟不同土地使用条件、资源管理等情境下河流营养物负荷,为水质的管理与决策提供支撑.④气候变化情景下,基于SPARROW模型进行气候变化对水环境影响的研究可以支撑水环境管理方案的制定,以应对未来气候变化导致的营养物输出增加.针对SPARROW模型目前在应用中存在的问题进行了分析与讨论,建议未来在应用SPARROW模型时,加强以下几个方面的研究:①进一步开发高锰酸盐指数、化学需氧量(COD)、氨氮等相关模块;②将SPARROW模型与机器学习模型相结合,提高量化模型参数的能力,使模型更好地应用于不同尺度、不同流域的水质相关研究.

仿真流域的总氮模拟——SPARROW模型应用方法研究

SPARROW模型是以非线性回归方程为核心的流域负荷模型,该模型以流域河网结构为基础,通过建立污染源、流域空间属性、水质监测数据之间的内在联系,评估和预测目标流域中不同污染源组成特征对流域水体污染状况的宏观影响。本文应用该模型对构建的中国北方仿真流域进行总氮模拟,结果显示,仿真流域中影响总氮污染的主要污染源为农业源(贡献率为63.7%),其次为生活源(贡献率为19.8%)和工业源(贡献率为16.5%)。

SPARROW模型及其应用研究进展

SPARROW模型是由美国地质调查局开发的一个基于流域空间属性的估算污染物负荷、浓度等的非线性回归模型。由于模型通过质量守恒来约束污染物的传输,并以统计学的方法实现变量参数的校准,因而SPARROW模型在量化污染物的传输过程中具有足够高的精确度与合理性。总体来看,SPARROW模型在流域污染源及环境因子分析、水质评估与模拟、监测管理优化等方面发挥出了重要作用,并被广泛地应用于国内外的不同流域。针对SPARROW模型在不确定性分析中存在的自相关问题,贝叶斯分析的引入优化了模型在不确定性方面的评估。目前,SPARROW模型在国内流域中以估算总氮、总磷、COD等污染物负荷为主要应用。随着国内相关数据的积累以及共享程度的提高,其应用范围将会愈加广泛。

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

基于ICEEMDAN和时变权重集成预测模型的变压器油中溶解气体含量预测

为了实现对变压器油中溶解气体体积分数的精确预测,同时克服仅使用单一预测模型导致预测精度及泛化能力不足的局限,提出了一种基于改进完全自适应噪声集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)和灰色关联系数时变权重集成预测模型的变压器油中溶解气体预测方法。首先将溶解气体含量序列模态分解为一系列具有不同时间尺度的子序列。然后,使用门控循环神经网络和麻雀搜索算法优化支持向量机对各子序列进行训练,组合为一个集成预测模型;并比较不同预测方法的预测精度,计算灰色关联系数时变权重,形成各子系列的预测结果。最后将各子序列的预测结果叠加重构,得到最终预测结果。算例分析结果显示:该方法单步预测的均方根误差、平均绝对误差和相关系数分别为0.593、0.422和0.768,相比其他算法在预测精度上有明显提升,同时具有很强的泛化性能,可以为油浸式变压器内部状态监测提供依据。

基于ISSA-HKLSSVM的浮选精矿品位预测方法

针对浮选过程变量滞后、耦合特征及建模样本数量少所导致精矿品位难以准确预测的问题,提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化混核最小二乘支持向量机(Hybrid Kernel Least Squares Support Vector Machine,HKLSSVM)的浮选过程精矿品位预测方法.首先采集浮选现场载流X荧光品位分析仪数据作为建模变量并进行预处理,建立基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的预测模型,以此构建新型混合核函数,将输入空间映射至高维特征空间,再引入改进麻雀搜索算法对模型参数进行优化,提出基于ISSA-HKLSSVM方法实现精矿品位预测,最后开发基于LabVIEW的浮选精矿品位预测系统对本文提出方法实际验证.实验结果表明,本文提出方法对于浮选过程小样本建模具有良好拟合能力,相比现有方法提高了预测准确率,可实现精矿品位的准确在线预测,为浮选过程的智能调控提供实时可靠的精矿品位反馈信息.

基于HSS-MCC融合模型及SSA-BP神经网络开展深基坑超大变形预测研究

软土环境下深基坑开挖变形特性研究中,多采用硬化类弹塑性模型进行分析,如HSS模型和MCC模型.南京河漫滩软土地区,深基坑开挖时局部常发生较大变形,部分土体变形状态介于小应变与大应变之间,单一模型无法准确预测土体变形特征.同时,BP神经网络在基坑变形预测中得到广泛应用,但在训练过程中,权阈值易陷入局部最优解,影响预测的准确性.据此,依托南京地区典型软土深基坑工程,采用Midas中的HSS模型与MCC模型进行分析,比对两种模型的桩体变形量差异,并基于最小二乘准则对两模型进行线性融合,融合模型可对后续区段监测数据进行校准及补充.通过融合麻雀搜索算法对BP神经网络进行优化,在其训练过程中快速收敛,得到全局最优的权阈值,依托狭长基坑已开挖区段监测数据学习训练,进而依据后续区段浅部开挖揭露深部变形特征,预测结果与实测值吻合度较高.研究结果对软土地区深基坑大变形的预测研究具有重要参考价值.

基于深度学习的发动机声品质预测模型研究

为建立发动机辐射噪声品质深度学习预测模型,搭建试验台架采集发动机辐射噪声,计算噪声信号心理学客观参数并进行主观评价试验。采用卷积神经网络(convolution neural net‐work,CNN)提取信号特征,引入长短期记忆网络(long short-term memory network,LSTM)模型捕获信号长期依赖信息,利用注意力(Attention)机制使模型自动学习关键特征信息。以心理学客观参数为输入,主观评价得分为输出,建立CNN-LSTM-Attention声品质预测模型,引入改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化模型超参数,提高预测准确性。研究结果表明,ISSA-CNN-LSTM-Attention模型对发动机声品质具有良好的训练性能和预测能力,训练集和测试集的决定系数分别为0.988、0.981,训练集和测试集的平均绝对误差分别为0.204、0.241。该模型能够准确地反映客观评价参数与主观满意度之间的非线性映射关系,为发动机声品质预测提供了新的思路和方法。

时空异质性视角下长江经济带水资源系统韧性评估及调控因子分析

水资源系统韧性的评估与调控是缓解水资源危机和规避水资源风险的重要途径之一。从水资源的自然资源、社会经济、生态环境等属性出发,综合考虑水资源系统韧性的抵抗性、恢复性、适应性特征,构建了包含水资源、水经济、水福利、水管理、水生态和水环境6个维度的水资源系统韧性评价指标体系,建立了基于麻雀搜索算法的投影寻踪模型,运用自然断点法识别区域空间分异特征,采用因子探测识别影响水资源系统韧性空间分布格局的调控因子。通过对2010—2019年长江经济带11个省(市)水资源系统韧性的分析发现,在空间上,长江经济带水资源系统韧性表现为西部最优、东部次之、中部最末,且南部优于北部;在时间上,长江经济带水资源系统韧性虽有波动但整体呈现上升的趋势。从6个维度来看,水生态韧性维度的韧性值区间跨度较大,在0.08~0.52之间波动,水福利韧性最高,水环境韧性次之。水资源和水福利的相关因子对水资源系统韧性的影响较为明显,水经济中的工业废水治理投资占GDP的比重和万元工业增加值用水量2个指标以及水福利中的供水管道密度和人均供水量2个指标的影响力逐渐上升。通过对长江经济带水资源系统韧性和调控因子的分析,有针对性地提出了提高长江经济带水资源系统韧性的对策建议。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于麻雀算法优化支持向量机的NOx浓度预测

煤炭作为火电厂发电的主要能源,其在锅炉内焚烧过程中会产生大量的氮氧化物。各电厂一般利用烟气自动监控系统对其浓度进行实时测量,但由于测量时存在较大迟延,不能准确地反映SCR系统NOx浓度的实时变化。因此提出了一种基于改进麻雀算法优化最小二乘支持向量机的NOX浓度预测方法。首先,引入余弦因子改进麻雀算法中的比例算子,将迭代次数信息引入到迭代过程中,平衡算法前后期的全局与局部搜索能力。其次,使用新的变异算子代替原算子,将混沌理论融合到麻雀算法,解决了算法全局搜索能力较差、初始化麻雀分布不稳定及发现者位置更新方式不足的问题。最后,采用改进麻雀算法(CDE-SSA)对最小二乘支持向量机(LSSVM)进行参数寻优。实验结果证明,方法在NOX浓度预测的精度和稳定性上均表现出了良好的性能。

基于改进麻雀搜索算法的水质模型多参数反演

水质模型参数取值对模型的模拟精度影响很大,为提高BOD-DO水质模型参数反演精度,首先在DobbinsCamp BOD-DO水质模型的基础上,以BOD和DO浓度计算值与实测值之差的加权平方和最小为目标函数,构建了Dobbins-Camp BOD-DO水质多参数反演模型;然后针对麻雀搜索算法(Sparrow Search Algorithm,SSA)求解精度低、稳定性不足和易陷入局部最优等问题,引入Sine混沌映射和对立学习、转移概率以及差分变异3个策略,分别从提高初始种群多样性、扩大搜索空间以及增强种群跳出局部最优的能力三方面对SSA算法进行改进,提出了一种多策略改进的麻雀搜索算法(Multi-strategy Improved Sparrow Search Algorithm,MISSA),并将其应用于Dobbins-Camp BOD-DO水质多参数反演模型的求解;最后通过数值实验将得到的反演结果与SSA算法、模拟退火算法、粒子群算法、遗传算法四种优化算法进行对比,并探讨了参数初值选取和观测噪声水平对反演结果的影响。结果表明:MISSA算法的计算性能明显优于对照组中的4种算法,且能显著降低初值选取对BOD-DO水质模型参数反演结果的影响,当观测数据的噪声水平不超过5%时,MISSA算法可有效提高反演结果的稳定性。该结果验证了MISSA算法在反演Dobbins-Camp BOD-DO水质模型参数的有效性,为水质模型参数求解提供有益参考。

基于随机游走麻雀搜索算法的多特征结构尺寸熔融沉积成型工艺参数优化

在熔融沉积成型过程中,打印参数对成型样件精度有着重要影响.为了提高整体尺寸精度,采用随机游走的麻雀算法获得最优实验方案.首先,以熔融沉积成型的分层厚度、喷头温度、打印速度和填充率为实验变量设计4因素4水平的正交试验;然后,以样件不同特征结构尺寸的相对误差为优化对象,使用田口-灰色关联法对实验数据进行处理;最后,通过随机游走的麻雀算法计算最优参数方案.结果表明,相比常用的田口-灰色关联法,采用优化后工艺参数成型样件的综合尺寸精度提高了20%,灰色关联度提高了27%.

基于改进麻雀搜索算法优化BPNN的电阻点焊质量预测

电阻点焊技术由于具有高效、自动化程度高等焊接特点,被广泛应用于汽车、航空航天和公共交通等制造领域,由于焊点在封闭状态下进行,焊接过程存在诸多影响因素且无法直接检测,因此,准确预测电阻点焊质量是生产过程中必不可少的环节.本文以2219/5A06铝合金为研究对象,在3种不同的装配条件(包括间隙和间距)下进行电阻点焊工艺信号的分析,并进行人工智能建模.为了提高电阻点焊质量评价的性能和效率,本文采用Logistic-Tent(LT)复合映射改进麻雀搜索算法(SSA)对反向传播神经网络(LT-SSA-BPNN)模型进行优化,模型的输入和输出分别为多信号融合后的变量和熔核直径.实验结果表明,与传统的标准反向传播神经网络(BPNN)模型相比,经过LT-SSA-BP模型优化后,预测结果的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别降低了36.17%、17.55%和51.75%.同时,LT-SSA-BP神经网络在添加了不同间隙和间距条件作为训练集后,其预测稳定性明显提高,可以成功预测电阻点焊质量.

基于ISSA-LSTM模型的可再生能源电力需求预测

为了更精准地预测未来能源结构调整方向及成效,选用ISSA-LSTM组合预测模型对中国2023-2030年可再生能源的电力需求进行预测。首先,利用Circle混沌映射改进麻雀搜索算法(SSA)以提高搜索能力以及种群多样性;然后引入长短期记忆神经网络(LSTM)以有效捕捉可再生能源电力需求随机波动性和时序性;最后,通过ISSA-LSTM模型预测长期可再生能源的电力需求,验证测试集数据,并与其他传统模型进行对比。结果表明:ISSA-LSTM模型预测结果能够满足对可再生能源电力需求预测的精度要求;在未来2023-2030年可再生能源电力需求稳定,波动幅度不大,可达到全国用电量的1/3;利用Circle混沌映射改进策略能有效提升SSA寻优能力。与PSO算法相比,SSA算法寻找LSTM超参数最优解的能力更优,ISSA-LSTM模型预测可再生能源电力需求精度更高。

基于ISSA-LSTM的储麦长期品质预测

为了解决非时序预测模型无法预测储麦品质时序劣变趋势,以及现有数据驱动的时序预测模型在长期储麦品质预测中因样本不足导致长期预测精度不高的问题,提出一种基于改进麻雀搜索算法(ISSA)优化长短时记忆网络(LSTM)的长期储麦品质预测模型。首先,提出了一种统计均匀分布方法,利用小麦稳定劣化的生理知识对原始数据进行增强扩容。其次,利用麻雀搜索算法(SSA)对LSTM模型进行优化,克服局部极值点,提高收敛速度。最后,引入t分布函数对SSA位置更新过程进行扰动避免局部最优。结果表明,储麦品质参数中的吸水率、咀嚼度、脂肪酸值和峰值黏度与储藏时间的Spearman相关性较为显著,相关系数均高于0.9,ISSA-LSTM模型预测精度相比于BP、LSTM、SSA-LSTM预测模型分别提高了11.83%、16.98%、26.50%,有助于提高小麦品质预测及分析的准确性。

SSA-RBF神经网络模型在风电风速预测中的应用研究

为了提高风电功率的预测精度和稳定性,以更好应对风速的多变性和非线性特性,提出了一种基于麻雀搜索算法(SSA)优化径向基函数(RBF)神经网络的风速预测模型(SSA-RBFN)。通过SSA优化RBFN的参数,以预测提高模型的精度和稳定性。通过选用风电场实际数据进行研究,与SSA-BP模型、RBF模型、BP模型进行比较。仿真结果表明:SSA-RBF预测模型在MAE、MBE和RMSE指标上体现出预测误差显著低于传统RBF模型和BP模型,表明提出的模型是可行和有效的。