变形监测灰色预测模型对比及替代方法研究

将变形监测灰色预测模型分为传统GM(1,1)模型及其改进模型、非齐次灰色模型、GM(1,1)幂模型及其改进模型3种类型,以Origin拟合函数Exp2PModl、Exponential和SRichards2作为3类灰色预测模型的替代方法,基于理论研究和实例验证对比分析3类灰色预测模型及其替代方法。结果表明,3类灰色预测模型在拟合函数、有无极限值、适合等时距或非等时距建模和适用范围等方面存在显著差异,需要根据变形监测数据特征选择合适的灰色预测模型类别;与3类灰色预测模型相比,Origin拟合函数在参数求解和建模数据要求上更具优势,而且可以得到相当甚至更高的拟合或预测精度,除需要编程实现的特殊优化目标外,完全可以代替灰色预测模型用于变形监测。

基于历史天气的区域电网负荷预测

随着社会经济的迅速发展,人们对电能的需要日益增加,但是在电网运行中,常常会出现电力产能过剩或者不足的情况,为保证电力系统安全稳定、经济运行,就必须掌握各种区域电网负荷的变化规律和发展趋势。论文对重庆市区供电分公司供电区域电网中长期负荷进行预测,提出一种预测区域电网中长期负荷的方法,即一种基于前12个月历史天气条件和区域电网负荷关联关系的多元非线性拟合的特征参数因子曲线的中长期负荷预测方法,建立基于不同算法的多种预测模型,通过归一化处理,得到的区域电网中长期负荷预测的精度高,与实际区域电网负荷之间的误差小,对于区域电网中长期负荷预测分析具有重要参考利用价值。

直流配电技术成熟度分析及发展趋势预测

针对当前直流配电技术发展路径不明晰的问题,提出了直流配电技术发展阶段评估和成熟度预测方法以探究其发展趋势。首先,构建基于技术成熟度曲线的技术成熟度评估模型,通过调研文献将其按内容分为规划设计、运行控制与保护、关键设备3类,并进行文献检索以获取成熟度预测数据基础;接着,对未来直流配电技术的成熟度阶段和整体发展趋势进行分析预测,给出技术、热度双重作用下的直流配电成熟度预测结果;最后,通过设计拟合优度指标和交叉验证方法,验证了所提模型的准确性。研究结果表明:文献、专利等成果的数量可以反映技术发展趋势,直流配电技术科学研究热潮将在2030—2040年达到顶峰,并在2060年前后实现稳定发展,这与我国“双碳”目标实现的时间节点有效对应。

The Optimal Weighted Combinational Forecasting with Constant Terms

我们基于与经常的术语预报的最佳的加权的 combinational 建议一个模型，没有经常的术语，象模型和相应模型的一种关系一样给重量和平均错误的公式，并且比较这些模型。最后，一个例子被给，它证明恰当的精确被提高了。

利用函数拟合对DeepFM算法的改进研究

DeepFM模型是基于FM模型与Wide&Deep模型的改进,该推荐算法主要基于深度学习通过已知特征来预测用户点击某一按钮的概率。但随着电子商务的发展,不仅需要通过横向特征预测用户点击某一按钮的概率,还要纵向考虑该按钮在不同时间段的点击概率变化。文中对DeepFM进行了改进,引用了拟合函数的方法,通过各个拟合的函数计算出点击概率变化的函数图像,延展该图像得知该按钮被点击概率随着第三维坐标时间值的变化,从而实现了各种用户在不同时间对于不同商品需求的预测。该算法运用了相对平滑的函数曲线来拟合模型计算的结果,提高了模型的精确度。

基于ML-PCA-BP模型的多环芳烃拉曼光谱定量分析

芘作为多环芳烃(PAHs)类物质广泛存在于自然环境中,亲脂性强,对人体有致癌影响。因此,食用油中芘的含量的判定对品质的把控具有深远的意义。采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。将一毫升食用油与不同固定浓度的芘液体混合制作样本,然后制作薄层色谱板与金粒子,采用薄层色谱和表面增强拉曼散射(SERS)光谱相结合的方法进行实验获得光谱数据,选取自适应迭代加权惩罚最小二乘算法进行预处理,再采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型方法进行定量分析。该模型首先在预处理后的光谱中选取两个特征峰进行分峰拟合获取特征峰的高度、半高宽、面积等参数。将两个特征峰的拉曼数据与通过拟合获取的参数进行归一化再采用主成分分析获取关键参数,将获取的关键参数作为输入层输入基于L2正则化的BP神经网络中,输出预测浓度。实验分别采用不同的算法进行浓度预测,实验结果表明,通过偏最小二乘算法预测的芘浓度,其测试集决定系数R^(2)为0.58,均方根误差(RMSEC)为1.85;采用线性回归拟合特征峰面积与浓度的规律最终预测的芘浓度,其测试集决定系数R^(2)为0.26,均方根误差(RMSEC)为2.28;采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测芘浓度,其测试集决定系数R^(2)为0.99,均方根误差(RMSEC)为0.31,Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测精准度更高,误差更小。模型是针对光谱数据信息与样本浓度之间非线性、高维度的关系,而建立的预测精度及建模效率均高于同类对比的算法模型。模型拟合特征峰获取关键变量,将关键变量与特征峰的拉曼位移都作为特征向量,因此特征向量较为充分,模型利用PCA提取拉曼光谱非线性特征并且采用基于L2正则化BP神经网络泛化力强的优点,防止过拟合,因此可以更加精准快捷地预测出芘的浓度。

基于图片特征提取的水泵能耗分析及预测

为了提高水泵能耗影响因素分析的准确性及预测模型的精度,文章提出了一种基于图片特征提取的水泵能耗多元线性回归预测模型。研究以上海某个住宅小区配置的二次供水水泵系统作为研究对象。首先,对采集到的水泵系统历史运行数据进行预处理并将一维时间序列转换为二维的格拉姆角场(gramian angular field,GAF)图像。随后,利用时间序列及图片相关性判定方法,对14个参数进行筛选,得到相应的能耗特征。最后,结合特征筛选结果,基于多元线性回归预测模型,研究了不同相关性判定方法下的最优预测模型问题。结果表明,相较于两种时间序列特征筛选方法,基于图片的特征筛选方法表现出了更佳的适应性,输入特征数量为4的情况下,其预测模型在测试集上的决定系数(R^(2))分别提升了0.87%、3.36%,均方误差(mean square error,MSE)分别降低了10.38%、28.26%,平均绝对误差(mean absolute error,MAE)分别降低了6.11%、24.57%。研究结论为后续水泵系统能耗特征的筛选提供了新的思路,并为上海地区水泵系统的能耗分析及预测提供理论参考。

基于机器学习的电站耗水率计算及其对水位预测影响研究

耗水率是水电站坝前水位、尾水位预测的主要影响因素,也是电站发电计划编制和经济运行的基础,其精确计算至关重要。以三峡水库为研究对象,提出了基于机器学习的耗水率精细化计算方法。构建了基于水量平衡的水位预测模型,借助机器学习算法对耗水率与尾水位进行精确计算,并以此为基础预测2 h坝前水位与尾水位,观察机器学习算法应用对水位预测精度的提升。结果表明,在不同运行场景下,所提方法对于提升电站耗水率值、坝前和尾水位预测精度效果较好,电站耗水率误差绝对值降低60%以上,坝前水位预测误差降低约12%,尾水位计算误差降低约88%,可为电站安全稳定经济运行提供参考与支持。

臭氧综合指数与臭氧潜势指数的构建与应用

随着社会经济的快速发展,我国臭氧污染日益严重,因此,研发出能定量评估气象条件对臭氧污染影响程度的诊断指数,成为提高和改善气象服务质量的重要任务之一。利用中国内地地区2018年温度、总云量、风速、风向、相对湿度等气象场数据与臭氧浓度数据,研究臭氧污染敏感气象条件,统计各气象因子分布在不同数值区间时发生臭氧污染事件的相对频率(即分指数),按照分指数最大值和最小值的差值大小进行排序,筛选出10个与臭氧污染密切相关的气象因子,将10个气象因子的分指数进行累加,即得出臭氧综合指数。随后,对各地构建臭氧综合指数时采用的气象要素进行统计,得到出现频率最高的3个气象要素,并参考这些气象要素构建了臭氧潜势指数。分别以臭氧潜势指数和臭氧综合指数对北京市2019年臭氧日最大浓度建立拟合预报模型,结果表明:两类指数的拟合预报值与实测值有着相似的变化趋势;利用臭氧综合指数计算得到的预报值与实测值的相关系数为0.76,优于利用臭氧潜势指数计算得到的预报值与实测值的相关系数(0.64)。

加权移动平均与曲线拟合模型在沉降监测中的应用

以建筑物的安全运营为首要目的,结合全球导航卫星系统高精度定位监测技术,采用事后处理软件解算监测点的三维坐标。本文分别利用加权移动平均法和曲线拟合法处理原始沉降观测数据,分析建筑物沉降变形规律,通过建立相应预测模型拟合数据,将实测值与拟合值作对比,详细论述模型精度及拟合程度,并对建筑物后期变形趋势进行预报分析。试验分析表明,2个预测模型的拟合值符合建筑物的沉降变形规律,验证了模型在沉降监测应用中的有效性及可行性。

基于FARIMA模型的Internet网络业务预报

最近的网络研究发现 Internet网络业务同时呈现长相关和短相关特性 ,因此建立可以同时描述、预报长相关和短相关特性的网络业务模型很有必要 .文中给出了利用 FARIMA模型进行建模和预报的方法 ,实验表明这种方法用于实际 Internet网络 trace是非常有效的 .另外提供了简化 FARIMA模型拟合的方法和具体步骤 ,这样大大缩短了模型辨识的时间 ,对于实际网络预报有很好的实用性 .

高精度传感器标定曲线的预测拟合

针对量程为0～0．5mm电容式位移传感器，采用运动范围0～80μm压电陶瓷微位移发生器，对其进行标定实验。通过对整个量程的分段标定，以待标定传感器测量数据为基准，并基于灰色预测模型G（1，1），分别对缺省的待标定量程，输入信号量以及标准传感器测量值进行预测计算填补，最后得到待标定传感器的整个量程的标定值。再经过曲线拟合得到待标定传感器的标定曲线，从而得到了该传感器的性能指标。本文对于量程较大的高精度传感器在标定过程无法一次性实验的情况下，用于分段等问距取标定量程，对缺省部分进行预测建模计算填补，最后拟合曲线，很好的解决了此类标定问题。

计及风电并网的机组组合方法研究

风电具有间歇性和波动性的特点,其并入电网时会对传统以火电机组为主的机组组合造成明显的影响,针对此问题,提出了计及风电并网的机组组合方法。该方法首先对风电功率预测结果误差进行统计,在此基础上,建立了风电功率预测误差的分布概率模型。然后,该模型与传统火电机组累积停运容量概率表结合,形成了考虑风电功率的机组累积停运容量概率表。接着,将该表以解析表达的方式引入机组组合的拉格朗日松弛法中,形成风电接入后的机组组合模型,并采用传统拉格朗日松弛法进行求解。最后以某实际电网为例,验证了所提算法的优越性。

基于改进的DBSCAN方法和多项式拟合的雷电短时预测

结合雷电数据自身特征改进DBSCAN方法,提出了一种基于DBSCAN和多项式拟合的雷电预测方法,提高预测的准确性。首先对某一时间段内的雷电数据按密度进行聚类并将每类所有雷电数据的平均坐标作为该类的中心点;然后在下一个时间段使用上一时间段的中心点作为初始选择点进行DBSCAN聚类,重复上述过程直到所有历史数据处理完毕,得到一系列不同时间段不同类别的雷电中心点;最后使用多项式拟合预测接下来的雷电可能发生的中心位置。对雷电监测网提供的雷电数据进行测试,结果表明,在数据充分的情况下,基于DBSCAN方法和多项式拟合的雷电预测准确率较令人满意,实际雷电中心点与预测中心点坐标误差约为0.1(±0.1)。

Logistic模型在开采沉陷单点预测中的研究

为了揭示岩层与地表移动的内在机理和规律,基于研究矿区单点沉陷的重要性,提出用Logistic模型曲线拟合开采沉陷-时间关系曲线预测单点开采沉陷的方法,研究了用该模型进行拟合和理论预测以及模型检验,取得较好的拟合精度,平均拟合相对误差仅为8%,总结了单点沉陷的规律成"S"型,此模型参数少,方法简洁.结果表明,该Logistic模型预测法的合理性和应用价值是研究开采沉陷规律的一次有效尝试,对于研究矿区地表移动和变形规律具有重要意义.

2020年中国城市等级规模结构预测

定量化的城市等级规模模型是分析和预测城镇体系结构演化的重要方法。在回顾了国内外学者在城市等级规模的数量模型方面的研究进展后,利用2002年建设部城市非农人口统计资料,分析了我国城市等级规模现状,建立起位序—规模幂函数模型,证实其分布符合位序—规模法则,并对误差作出分析,继而对2020年我国城市等级规模结构作出预测。

BP网络过拟合问题研究及应用

通过类比信息传递过程中的一般测不准关系式,研究BP网络出现过拟合现象时,代表网络学习能力的权值改变量与反映网络推广能力的未参与训练的检验样本的辨识误差之间的关系.在该关系式中引入一个过拟合参数P,通过对岷江流域紫坪埔站的流量预报,说明在判断网络是否出现过拟合现象时,计算过拟合参数P是一种有研究意义的参考.

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一 ,作者利用 BP神经网络进行电力系统短期负荷预测 ,在保证有足够的训练样本的前提下 ,对预测模型进行合理分类 ,构造了相应于不同季节的周预测、日预测模型 ,并对输入变量的选择 ,特别是温度的选取问题 ,进行了讨论。在神经网络训练的过程中 ,往往会出现过拟合的现象 ,给预测的结果带来不利的影响 ,为此在训练过程中 ,将样本随机地分离为训练集和测试集来防止这个问题。典型算例的计算表明 ,该方法是有效的。

简单平均组合预测有效性的应用分析

通过实例分析，说明了当序列模式变动较大时，简单平均组合预测模型相对于其他组合预测模型的优越性，并且基于样本段的拟合精度不足以说明组合预测模型的外推预测精度。文中的分析对于组合预测模型的选择和应用具有实际参考价值。