Multistep-ahead River Flow Prediction using LS-SVR at Daily Scale

In this study, potential of Least Square-Support Vector Regression (LS-SVR) approach is utilized to model the daily variation of river flow. Inherent complexity, unavailability of reasonably long data set and heterogeneous catchment response are the couple of issues that hinder the generalization of relationship between previous and forthcoming river flow magnitudes. The problem complexity may get enhanced with the influence of upstream dam releases. These issues are investigated by exploiting the capability of LS-SVR–an approach that considers Structural Risk Minimization (SRM) against the Empirical Risk Minimization (ERM)–used by other learning approaches, such as, Artificial Neural Network (ANN). This study is conducted in upper Narmada river basin in India having Bargi dam in its catchment, constructed in 1989. The river gauging station–Sandia is located few hundred kilometer downstream of Bargi dam. The model development is carried out with pre-construction flow regime and its performance is checked for both pre- and post-construction of the dam for any perceivable difference. It is found that the performances are similar for both the flow regimes, which indicates that the releases from the dam at daily scale for this gauging site may be ignored. In order to investigate the temporal horizon over which the prediction performance may be relied upon, a multistep-ahead prediction is carried out and the model performance is found to be reasonably good up to 5-day-ahead predictions though the performance is decreasing with the increase in lead-time. Skills of both LS-SVR and ANN are reported and it is found that the former performs better than the latter for all the lead-times in general, and shorter lead times in particular.

Remaining Useful Life Prediction for Aero-Engines Combining Sate Space Model and KF Algorithm

The key to failure prevention for aero-engine lies in performance prediction and the exhaust gas temperature margin(EGTM)is used as the most important degradation parameter to obtain the operating performance of the aero-engine.Because of the complex environment interference,EGTM always has strong randomness,and the state space based degradation model can identify the noisy observation from the true degradation state,which is more close to the actual situations.Therefore,a state space model based on EGTM is established to describe the degradation path and predict the remaining useful life(RUL).As one of the most effective methods for both linear state estimation and parameter estimation,Kalman filter(KF)is applied.Firstly,with EGTM degradation data,state space model approach is used to set up a state space model for aero-engine.Secondly,RUL of aero-engine is analyzed,and expected RUL and distribution of RUL are determined.Finally,the sate space model and KF algorithm are applied to an example of CFM-56aero-engine.The expected RUL is predicted,and corresponding probability density distribution(PDF)and cumulative distribution function(CDF)are given.The result indicates that the accuracy of RUL prediction reaches 7.76%ahead 580 flight cycles(FC),which is more accurate than linear regression,and therefore shows the validity and rationality of the proposed method.

Environmental Changes on the Tibetan Plateau:Evaluation and Prediction

A research report on the environmental changes of the Tibetan Plateau from the past 2,000 years to a century ahead has been released by the Institute of Tibetan Plateau Research,Chinese Academy of Sciences.After a three-year investigation into the plateau areas in southwest China’s Tibet Autonomous Region with an average altitude of over 4,500 meters,

NWP辅助复合神经网络预测误差修正的风储系统日前上报策略

新能源电站出力存在强波动性导致巨额偏差考核支出,因此基于数值天气预报(NWP)和复合深度学习算法,提出一种计及误差预测修正的风储系统日前上报策略。首先通过改进的组合数据预处理算法对数据进行清洗以降低后续预测难度,建立基于分段式收敛粒子群算法(PCPSO)参数寻优的长短期记忆网络(LSTM)对分量分别进行预测,重构预测结果获取原预测曲线。其次考虑预测误差及NWP信息导入多输入反向传播神经网络(MIBP)获取误差预测曲线,使用非参数核密度函数修订该预测误差曲线后,以储能跟踪误差最小和储能全局调控能力最高为目的模拟储能运行获取最佳储能动作曲线,且叠加原预测曲线和最佳储能动作曲线获取最终日前上报曲线。最后通过仿真分析验证了上报策略的正确性与可行性。

基于网格型数值天气预报的风电集群日前功率预测方法

风电集群日前功率预测是省级及以上电网调控中心制定发电计划、促进风电消纳的重要基础之一。风电日前功率预测(次日0时至24时)本质上是构建数值天气预报与实际功率之间的映射模型。充分挖掘数值天气预报气象信息与功率之间的深层映射关系是提升风电功率预测精度的重要途径。利用网格型的数值天气预报并采用残差网络建立风电集群预测模型,挖掘风电集群所属空间三维网格型的气象分布与功率的关联关系。以实际运行数据进行仿真,结果显示所提方法在先进性和适应性两个方面均优于现有成熟方法。

基于自注意力机制增强的CNN-LSTM的榴弹轨迹多步超前预测

由于榴弹飞行轨迹呈现复杂性、时变性和突变性等特点,给近程防空拦截系统带来了极大的挑战。针对目前轨迹数据时空特征捕捉困难且只能进行较少步数预测的问题,提出一种引入自注意力机制的基于卷积神经网络和长短期记忆神经网络(1dimension Convolutional neural network-Long short-term memory-Attention, 1D CNN-LSTM-ATT)的一维轨迹多步超前预测模型。将所提模型与CNN-LSTM、LSTM模型分别进行单步和多步预测对比分析;实现对于目标轨迹的从T时刻到未来任意T+K时刻的高精度实时多步超前预测。实验结果表明:无论是单步还是多步预测,1D CNN-LSTM-ATT模型预测的评价指标明显优于其他2个模型;1D CNN-LSTM-ATT模型预测500步(即10 s)的累计预测误差在射程方向为82.83 m,高度方向为11.68 m,横偏方向为0.07 m,为实施弹体拦截及时响应提供了重要保障。

基于双重注意力变换模型的分布式屋顶光伏变电站级日前功率预测

分布式屋顶光伏地理位置分散,受地理环境遮挡和多种气象因素影响,导致光伏出力特性存在差异,给变电站级分布式屋顶光伏日前功率预测造成挑战。针对上述问题,提出了一种基于双重注意力变换模型的分布式屋顶光伏变电站级日前功率预测方法。首先,基于动态时间规整算法计算分布式光伏用户出力特性间的相似度,并基于凝聚层次聚类法将其划分成若干类;然后,利用自主注意力网络学习各时间步间的时序关联特性,通道卷积注意力机制学习多特征变量间的相关性,构建日前功率预测模型;最后,将每一类日前预测结果相加,实现变电站级日前功率预测。算例结果表明所提方法在多种天气状况下,较Transformer、长短期记忆神经网络和时序卷积网络,预测精度显著提升。

计及转移效用与不确定性的移动式储能系统日前-日内市场竞标策略

为激励移动式储能系统(mobile energy storage system,MESS)参与电力市场,并在增加自身盈利的同时,在一定程度上缓解电力阻塞,计及转移效用与不确定性,提出一种MESS日前日内两阶段市场竞标策略。首先,在日前阶段,构建MESS参与电力市场双层投标模型,上层旨在决策MESS的时空分布及功率,下层为电力市场出清模型;其次,在日内阶段,采用多场景随机优化方法模拟、分析日内不确定性,并以日前荷电水平和转移计划为参考,基于模型预测控制方法构建MESS参与日内电力市场双层投标模型,上层旨在动态调整MESS实时功率,下层亦为电力市场出清模型;进一步,利用KKT条件和互补松弛理论将双层竞标模型转化为单层线性优化模型,以实现高效求解;最后,以国内某城域互联电力交通网络设计典型仿真案例。仿真结果表明,所提策略能够实现可调配资源的最大化利用,有效缓解电力系统输电阻塞,促进清洁能源消纳。

利用2DGRA-BiLSTM模型的日前光伏功率曲线预测方法

为了克服光伏发电固有的间断性和波动性对电网稳定性的负面影响,提出一种二维灰度关联分析-双向长短期记忆神经网络(two-dimensional grey relational analysis and bidirectional long short-term memory network, 2DGRA-BiLSTM)模型,用于实现日前光伏功率曲线预测,以更好指导电网调度.不同于以往的点预测,本研究将日功率曲线作为整体进行预测.首先用2DGRA实现最佳历史相似日数据的获取;其次,根据日功率曲线的波动性将总数据分为3类;最后,根据3种分类,分别训练3种BiLSTM模型对日功率曲线进行预测.所提出的预测模型通过沙漠知识澳大利亚太阳能中心历史气象和功率数据进行训练,并通过数值天气预报和功率数据进行测试.对比其他几种神经网络模型,实验表明所提出模型具有更好的综合预测性能,在晴空、轻度非晴空和重度非晴空条件下,决定系数(R2)分别为0.994、0.940和0.782.

Non-Minimum Phase Nonlinear System Predictive Control Based on Local Recurrent Neural Networks

After a recursive multi-step-ahead predictor for nonlinear systems based on local recurrent neural networks is introduced, an intelligent FID controller is adopted to correct the errors including identified model errors and accumulated errors produced in the recursive process. Characterized by predictive control, this method can achieve a good control accuracy and has good robustness. A simulation study shows that this control algorithm is very effective.

基于模型预测控制的含新能源多阶段AVC优化策略

针对新能源接入后的无功电压控制问题,基于模型预测控制(model predictive control,MPC)理论,提出一种多阶段自动电压控制(automatic voltage control,AVC)优化策略。在日前优化安排离散无功补偿设备(电容器、有载变压器分接头)投切计划的基础上,日内采用基于MPC的优化控制思路,利用连续无功补偿装置(static var generator,SVG)对电压进行控制。通过建立灵敏度矩阵计算得到未来多个时刻的母线电压预测值;以最小化未来一段时间预测的电压控制偏差为目标函数,建立日内滚动优化控制模型,求解得到SVG的出力序列,并通过反馈校正,完成日内无功电压MPC。在改进的IEEE 30算例的基础上对所提方法进行验证,结果表明,该方法能够有效应对电网电压快速频繁波动的问题,及时追踪电网电压波动,使SVG出力更加平滑、电压控制效果更好。

计及碳排放的综合能源配网日前与日内多时间尺度优化调度

为了降低碳排放量,提高新能源的消纳能力,考虑可削减、可转移、可替代3种需求侧响应负荷,计及碳交易机制,构建以碳排放量最少、综合运行成本最低、弃风弃光量最少、网络损耗最低为综合优化目标的风-光-电-气-储综合能源配网系统日前优化调度模型。以风电、光伏发电预测误差波动最小为日内优化调度优化目标,采用模型预测控制理论对风电、光伏的预测误差量进行反馈矫正,构建综合能源配网系统日内滚动优化调度模型。在修正的33节点配电网和20节点配气网组成的配网系统上进行仿真实验,验证了所提模型能够有效地降低碳排放量,提高风电、光伏的消纳能力,平滑负荷曲线,降低系统的综合运行费用。

考虑传输线动态增容风险的电力系统日前调度模型

为避免输电网传输通道不合理增容所引起的潮流热越限风险,在电力安全传输的保证下,合理提升新能源电力系统中各类资源的跨时空消纳能力,提出一种考虑传输线动态增容风险的电力系统日前调度模型。首先,建立了具有时变结构的ForecastNet输电线动态热容量极限(dynamic thermal rating,DTR)预测模型,该模型可以动态跟踪环境因素影响程度并修正预测网络权值,提高预测精度;其次,基于DTR日前预测结果确定输电线动态增容裕度,引入增容风险成本及风险偏好系数,构建面向电力市场报价机制的日前调度模型;最后,利用辽宁省实网数据在IEEE-39节点系统上对所提模型进行仿真。仿真结果验证了预测模型的准确性及调度模型的有效性,同时表明该调度模型可以充分利用输电网冗余传输空间,大幅提升可再生能源的消纳水平,保证电力市场环境下日前调度策略的安全性和经济性。

基于轨迹预测最优侧向加速度的驾驶员模型

为提高智能车辆行驶的主动安全性,提出了一种基于轨迹预测最优侧向加速度的驾驶员模型。假定汽车具有恒定的横摆角速度,根据当前汽车行驶姿态,采用该模型来预测汽车的轨迹;计算汽车在预瞄时间后的侧向偏差,决策出理想的方向盘转角;在双移线道路和圆形道路上的行驶工况下,仿真分析了该模型的路径跟踪效果;通过一系列实车测试,验证了该仿真模型。结果表明:汽车以54 km/h匀速行驶时,本模型仿真结果的最大跟踪侧向偏差,不超过10cm;实车结果的最大跟踪侧向偏差,不超过25cm。因而,在车辆行驶时,该模型能稳定地跟踪目标路径行驶,验证了模型的准确性。

一种自由分布的LSTM算法在多尺度风速预测中的应用

LSTM算法被广泛应用于工业场合,如风速预测。当没有足够数据和工业知识的时候,该算法会呈现低精度特质。为了解决这个问题,文章提出了一种新颖的自由分布LSTM算法用于风速预测。该模型在不同尺度下都表现优异,同时文章也对模型表现进行监控。文章通过一个来自风场的实际案例来验证该方法。

厦门海底隧道综合超前地质预报实践

鉴于当前仍未建立起系统的隧道超前地质预报理论的实际,基于地质力学理论,在总结以往研究成果的基础上,较深入地构建了隧道超前地质预报的概念和广义、狭义超前地质预报实施的技术方案,提出了宏观预报、长期预报、短期预报和灾害临近警报的整套超前预报技术手段,并通过厦门海底隧道的预报实践验证,证明了提出的相关理论和技术方法的正确性与可行性,其技术方法对隧道施工生产具有一定的指导意义。

大跨度钢管混凝土拱桥拱肋吊装预测的迭代前进算法

讨论了大跨度钢管混凝土拱桥拱肋吊装施工的特点以及由此产生的吊装预测计算中的问题,提出了基于迭代理论的前进算法,较好地模拟了拱肋吊装施工过程,计算拱肋吊装的预抬标高、各吊装阶段的扣索索力及控制点标高,为施工和监控提供依据。

隧道反射地震超前探测偏移成像

在隧道、井巷反射地震超前探测(TRSP)观测系统的基础上,依据几何地震学原理,重点研究了隧道情况下,地震波的时距曲线关系,借助绕射叠加原理,实现了直接从时间域到空间域的深度偏移成像,分析了成像运算量的影响因素,并对速度分析和深度偏移成像计算分别采用不同精度的剖分网格,同时引入插值技术,通过模型和实际资料处理验证,在不影响成像精度的情况下,可大量节省运算时间,成像效果良好.

我国隧道地质超前预报技术述评

隧道地质超前预报在隧道施工开挖中起着关键性作用,同时也是工程地球物理界所面临的一大技术难题.本文回顾了我国主要隧道地质超前预报技术(隧道地震预报系统、水平声波剖面法、陆地声纳法、地质雷达法、红外探水法、超前钻探法和超前平导法)的历史,介绍了它们近年来的研究进展;分析了其现状及在几何结构成像、物性结构反演成像和复杂地质体结构探测中存在的不足;指出了当前亟待解决的基础理论研究、正反演研究、多参数综合利用、建立三维可视化的预测预警系统等问题并提出了解决这些问题的基本设想.

基于经验模式分解与混沌分析的直接多步预测模型

直接多步预测不依靠单步预测的结果而直接使用测量数据,效果理想,但往往要求模型能够学习多种不同的目标函数.本文建立的直接多步预测混合模型,使用模式分解方法把原始时间序列分解成不同尺度的基本模式分量,再经混沌分析和神经网络进行组合预测,减小了各步预测模型之间的差别,提高了模型对多种目标函数的学习能力,有效提高了预测精度.最后,通过基准时间序列验证了本模型的优越性.