居民财产分配差异测度研究——基于基尼系数群组和来源的二维分解方法

本文提出一个新的基尼系数二维分解方法,该方法可以同时进行基尼系数的按群组和按来源分解操作,从而避免了不平等的群组分解和来源分解因使用方法不同而难以融合的缺陷。基于此方法,本文使用CFPS数据测算了2012—2020年我国城乡居民财产分配差距,发现这一时期居民财产分配差距呈波动上升态势。其中,城乡内部特别是城镇内部居民持有住房资产的差异是这一时期财产分配不平等扩大的重要原因,但如果考虑扣除房贷后的净资产,则其对差距扩大贡献明显缩小;而城乡间差异不是导致居民总体财产差距扩大的原因,其中,土地资产在这一时期起到扩大城乡组间差距的效果,而住房资产及住房净资产起到缩小组间差距的作用。因此,十八大以来,农村居民住房条件和住房财产明显提高对于缓解城乡差异起到积极作用,但不可忽视的是,城乡间住房资产和住房条件的绝对差距仍然很大,缩小城乡间居民住房条件差距仍然任重道远。

典型粘结剂对HMX热分解特性影响规律研究

为研究粘结剂对奥克托今(HMX)热分解特性的影响规律,选取聚胺酯(TPU)和氟橡胶(FR)作为典型粘结剂,基于热分析、气质实验,分析TPU和FR对HMX热分解特性的影响及作用机制。结果表明,相较HMX,HMX/TPU的主要放热历程延长8.2%~37.9%,分解速率降低,放热量减少;HMX/FR的主要放热历程缩短0~13.8%,分解速率大于HMX/TPU。TPU和FR均会降低HMX的活化能,HMX/TPU的活化能在转化率为0.6时接近最大值,随后几乎稳定在最大值;而HMX/FR的活化能在转化率为0.4时最大,随后迅速降低。从中间产物来看,TPU既会减少大分子中间产物,抑制HMX分解,也会减少—CH_(2)O、—N_(2)O、—NO、—CO_(2)等小分子产物,降低放热量;而FR会增加大分子中间产物,促进HMX分解,进而增加小分子产物,提高放热量。

分布式散射体相位估计奇异值分解法

常规的分布式散射体(DS)相位估计方法需要生成全组合干涉对以构建样本协方差矩阵(SCM),然后根据SCM的统计特性估计DS相位,这一过程不但计算耗时,而且占据大量存储空间。本文提出了一种基于奇异值分解技术的DS相位快速估计方法(SVDI)。该方法分析的对象是单主影像干涉对组成的干涉相位矩阵而非全组合干涉对组成的SCM,因而可以有效提高计算效率、节省存储空间。并且,理论上证明了在一定条件下SVDI的结果与常规的特征值分解方法(EVD)是一致的。模拟数据和真实SAR数据的结果表明,SVDI算法有更高的计算效率,并且其相位估计精度以及形变解算精度与常规算法是一致的。

带燃烧器分解炉中多模型耦合的数值模拟

针对带燃烧器的分解炉建立模型并进行燃烧与分解耦合及NO_(x)转化的数值模拟。其中,采用多表面反应模型来计算焦炭的燃烧过程,深入剖析煤粉燃烧机理,通过自定义反应速率考虑CO_(2)分压对生料分解的影响,通过分析CO与NO的交互关系研究NO_(x)的转化情况,模拟结果与工程数据取得合理一致性。结果表明:燃烧器的存在使得煤粉大量集中在壁面附近,并沿壁面进行燃烧,极易对分解炉壁面造成损伤。煤粉燃烬率很高,其主燃烧区位于2.53—7.73 m内。生料入炉后,在9.04 m高度处迅速分解,最终分解率为91.7%,由于生料的初始分解位置高于煤粉主燃区的位置,煤粉燃烧与生料分解整体耦合性较差,炉内存在2处明显的局部高温。来自分级煤管的煤粉燃烧产生大量CO,有效地还原来自烟室的NO,还原率达到57.5%。

基于加速无约束张量隐因子分解模型的Web服务Qo S估计

针对基于张量非负隐因子分解模型的Web服务QoS估计方法过于依赖非负初始随机数据以及特意设计的非负训练方法,导致模型的兼容性和扩展性不高的问题,提出了加速无约束张量隐因子分解模型。其主要思想包括三部分:将非负性约束从决策参数转移到输出的隐因子,并通过单元素映射函数连接它们;运用结合动量方法的随机梯度下降算法,有效提高模型的收敛速度与估计精度;给出加速无约束张量隐因子分解模型的详细算法和结果分析。在实际工业应用中的2个动态QoS数据集上的实证研究表明,与最先进的QoS估计模型相比,所提模型具有较高的计算效率和估计精度。

基于二次分解策略和BiLSTM的短期碳排放预测模型设计

针对现有短期碳排放预测模型残余噪声大、忽略全局信息的特性导致预测精度不高的问题,提出一种基于二次分解策略和双向长短期记忆神经网络(BiLSTM)的新的短期碳排放预测模型。利用改进的自适应噪声完全集成经验模态分解(ICEEMDAN)方法和二次分解思想,将原始时间序列分解为多个本征模态函数(imfs);利用鲸鱼优化算法(WOA)优化的双向长短期记忆神经网络(BiLSTM)对所有函数序列进行预测,并将每个函数序列的预测值累加得到最终结果。实验结果显示,该文提出模型的R2达到0.999,MAPE和RMSE分别为1.3×10-3和97.4,优于其他对比模型,有效降低了预测误差。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

基于双模态分解的发电站母线短期负荷预测

母线负荷预测是电力系统运营和规划中至关重要的一项任务,针对电力负荷数据的非线性强以及影响因素多等问题,提出了一种基于双模态分解、深度学习和注意力机制的负荷预测模型。首先,对输入数据进行经验模态分解(Empirical mode decomposition,EMD),通过K-means聚类分析对复杂度相似的分量进行集合得到三个组合分量。其次,使用变分模态分解(Variational mode decomposition, VMD)对组合分量再次进行分解得到不同分量,使用麻雀搜索算法(Sparrow search algorithm,SSA)对变分模态分解的参数进行优化。再次,将变分模态分解得到的分量与影响因素连接并输入长短期记忆网络(Long short-term memory network, LSTM),通过注意力机制挖掘数据内部的相关性,并使用SSA对LSTM网络的参数进行优化。最后,采用宁夏某电站一年的负荷数据进行验证,经过与不同模型的对比分析,所提模型有更高的预测精度。

完全3-一致超图K_(41)^((3))的5-圈分解

超图是有限集合的子集系统,它与数据库有密切关系。从数据库理论来看,圈结构是超图理论中最本质、最基本的结构。超图的圈分解是超图理论中重要的研究内容之一。有研究者对超图的哈密尔顿圈、非哈密尔顿圈分解做了研究。利用超图的圈分解序列与其边划分序列二者之间的关联,对n阶完全3-一致超图存在5-圈分解的公开问题进行了研究,验证了n=41时公开问题成立。

基于标度律的壁湍流运动分解与雷诺数效应

壁湍流广泛存在于自然界和工程中,对其深入研究和理解有助于发展新的计算模型和调控手段。湍流具有多尺度性,壁面带来的各向异性使得壁湍流多尺度运动更为复杂。本文探讨和总结了基于标度律的壁湍流运动分解方法:内–外分解方法和外区分解方法,其中内–外分解方法基于内区湍流运动的雷诺数无关性,而外区分解方法基于Townsend的附着涡标度律;讨论了分解后壁湍流运动统计特性的雷诺数效应,给出了内区湍流运动达到雷诺数无关和出现外区湍流运动的2个临界雷诺数。

基于集合经验模态分解和排列熵的核电厂信号降噪研究

本文提出了一种基于集合经验模态分解和排列熵的电站信号降噪方法。该方法流程如下,首先,采用集合经验模态分解对电站典型实测信号进行了分解,获得对应的本征模态分量。其次,采用排列熵对本征模态分量进行混沌度的定量评价,从而实现实测信号中的有用信号和噪声信号的区分。对于后者,采用改进的小波软阈值降噪法进行降噪。最后,根据排列熵筛分后的有用信号和改进的小波软阈值降噪后的噪声信号进行重构,得到降噪后的信号。另外,本文也采用了主流的经验模态分解和局部均值分解对该信号进行了处理,并将分析结果进行对比。对比结果表明,基于本文所提方法得到的降噪后信号排列熵较小,表明降噪效果要优于以上两种方法。

基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究

针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。

内蒙古工业碳排放测算及影响因素分解

在“双碳”目标的背景下,内蒙古工业能源绿色低碳转型刻不容缓。以2005—2021年内蒙古工业碳排放为切入点,采用广义迪式指数分解法对工业能源、固定资产投资和工业总产值等碳排放影响因素进行分解。结果表明:从内蒙古工业发展状况来看,内蒙古轻重工业结构不平衡,从能源消费情况来看,内蒙古工业碳排放量总体呈现增长趋势,研究区间内平均增长率为8.19%,高碳排放行业有6个,累积碳排放量占到内蒙古工业总体碳排放量的90%以上;运用影响因素定量分析,产出规模、投资规模、产出碳强度是促进碳排放的主要因素,投资碳强度对碳排放的促增效应比较微弱,而能源效率对于碳排放的抑制作用比较微弱,2005—2021年内蒙古工业的整体碳排放效应在减弱。基于此,提出政府应鼓励引导企业进行以节能减排为目的的投资活动,大力发展低碳技术以优化产业和能源结构。

基于BIM的项目管理三维分解结构体系研究

针对传统项目管理方法的缺陷,基于BIM技术构建了项目管理三维分解结构体系。该体系从项目对象维、任务逻辑维、管理组织维三维视角,基于BIM模型、任务包和数据资源对项目管理进行分解。最后,将该体系应用于具体工程,验证有效性及使用价值。结果表明,该体系能够有效分解工程项目,降低项目管理难度,为BIM技术在工程实践中的应用研究提供新的思路。

基于多步分解的股价预测模型

金融领域一直备受关注,且股价受多种因素影响,其预测也存在一定的挑战性。为准确预测股价,为投资者和交易者提供有益的决策支持,本研究旨在提出一种基于多步分解的股价预测模型。首先通过变分模态分解(VMD)分解原始序列,重构高复杂成分,然后应用鲁棒局部均值分解(RLMD)进行二次分解,最后利用PSO-LSTM模型进行预测。为验证所提模型的有效性,将股票数据经VMD-MFE-RLMD分解与没有分解、只有VMD分解以及传统模型CNN、SVR、GRU进行对比,在沪深300指数数据集上的结果显示:股票数据经VMD-MFE-RLMD分解的预测误差MAE、MSE、RMSE、MAPE均小于没有分解以及只经VMD分解的预测误差,且低于传统预测模型的预测误差,提高了预测精度。最后,将此模型应用在上证50指数数据集上,同样取得了较好的预测结果,再次证明了所提模型在股价预测上具有更高的预测精度。

基于混合分解和PCG-BiLSTM的风速短期预测

为降低风速的随机性对风力发电的影响,提高风速短期预测的精准度,提出一种基于混合分解、双通道输入、多分支PCG-BiLSTM深度学习模型的短期风速预测方法。首先,将全年风速数据分为春、夏、秋、冬4个季度,选取春季作为主要实验对象;其次,利用奇异谱分解(SSD)和变分模态分解(VMD)以降低原始春季风速数据复杂度,生成具有不同模态且复杂度低的子分量,两种不同模式子分量组合为混合分量,实现不同模式分解算法的优势互补;最后,将混合分量以双通道的形式输入到多分支PCG-BiLSTM深度学习模型中,其模型的每个分支由卷积神经网络(CNN)与门控循环单元(GRU)并联组成时空特征提取模块,用于提取两种分解分量组合的混合分量的时空特征,各分支提取对应混合分量的时空特征经聚合后再由双向长短期记忆网络(BiLSTM)进一步提取风速信号的正向和反向双向波动规律,进而得到最终的风速预测结果。多组实验结果表明:提出的组合预测方法在短期风速预测中具有较高的精度和泛化能力,优于其他传统预测方法。

不同模态分解方法下LSTM模型大坝变形预测效果对比

为验证不同模态分解方法结合LSTM模型对大坝变形预测精度的影响,以西北地区某混凝土面板坝H2-1水平位移监测点2014-2018年大坝变形监测数据为例,设置EMD、EEMD、VMD三种分解方法结合LSTM模型对该测点数据进行“分解-预测-重构”,实验表明:针对H2-1测点数据,在LSTM模型设置相同超参数情况下,EEMD-LSTM组合模型预测精度最高,其次是EMD-LSTM组合模型,但提取原始序列趋势变化能力较VMD-LSTM组合模型弱,而采用VMD分解的VMD-LSTM组合模型能更好地提取原始序列中的趋势分量。

中国四大城市群碳排放驱动因素时空分解研究

城市群是中国经济发展和能源消耗的集聚区域,也是碳排放的主要来源。研究中国典型城市群碳排放的时空演变特征及其影响因素对实现“双碳”目标具有重要意义。文中应用ST-IDA模型(时空指数分解分析法)和LMDI(对数平均迪氏指数法)分解法,分析2000—2019年京津冀、长三角、珠三角和成渝城市群的碳排放驱动因素(人口规模、经济水平、产业结构、能源强度和能源结构)。研究发现:2000—2019年间,四大城市群能源活动碳排放总体趋势均由高速增长阶段步入平稳增长阶段,其中成渝城市群已基本实现碳达峰;能源强度效应是影响碳排放空间差异的主要因素;人口规模扩张、经济发展水平提高和能源强度上升是促进碳排放增长的主要因素,产业结构和能源消费结构优化起到抑制作用;四大城市群碳排放的时空演变主要取决于工业部门。鉴于四大城市群呈现出不同的碳排放特征,未来应探索差异化、多元化的城市群减排路径,促进城市群碳减排。

基于行波模态分解的特高压直流输电线路双端行波测距方法

基于晶闸管换流器的特高压直流输电系统(ultra-high voltage direct current based on line commutated converter,LCC-UHVDC)的故障定位算法对智能电网的安全稳定运行起着重要作用。针对长距离特高压直流输电系统故障测距方法精准度低、快速性差的问题,提出了一种基于变分模态分解法(variational mode decomposition,VMD)和Teager能量算子(Teager energy operator,TEO)的双端行波故障测距方法。首先,研究了LCC-UHVDC线路故障电压行波的传播特性。利用零模电压随线路传播衰减明显的特征,通过VMD算法提取采样点处零模电压行波的时频特性。针对VMD参数选择不当导致的模态混叠问题,利用K-L散度(Kullback-Leibler divergence)对提取的模态指标进行优化。然后采用TEO对分解后信号进行瞬时能量谱提取,精确标定波头到达时间,最后采用双端迭代测距法迭代求解故障距离。在PSCAD/EMTDC搭建±800 kV LCC-UHVDC仿真模型进行验证。结果表明,所提方法在不同故障位置、过渡电阻和故障类型下具有较强的鲁棒性。