数据挖掘聚类算法在电力系统中的应用

针对电力系统当前输出数据多、数据应用能力差等问题,提出一种新型的数据挖掘方法。构建改进型数据挖掘聚类算法模型,通过FCM聚类算法模型实现电力系统应用过程中不同状态数据分析、计算与应用;构建回归算法模型,实现分类后数据信息的预测;通过构建电力系统应用模型,将不同的数据信息融合后,实现了多种数据信息的挖掘与应用。实验证明,该研究方法分类能力强、预测精度高,可推广使用。

基于SMOTE算法和逻辑回归模型算法的江苏短时强降水潜势预报

短时强降水是导致城市内涝和山洪、滑坡等灾害的重要原因,其突发性强,局地性明显,预报难度大,是强对流天气业务预报的重点和难点之一。本研究利用2011—2018年江苏省国家气象观测的逐小时降水资料对江苏省短时强降水时空分布特征进行分析,江苏短时强降水频次分布为典型的南多北少,主要降水出现在早晨04:00—10:00和午后15:00—19:00,前半夜出现降水的概率则较低。基于ERA5再分析资料,选取了对于短时强降水有较强判断能力的气象要素,合成少数类过取样(SMOTE)算法和逻辑回归(LR)方法,构建短时强降水的预报模型,利用2019年的,欧洲中期天气预报中心(ECMWF)预报产品基于该模型进行短时强降水的确定性预报和概率预报,并使用同期实况数据进行系统性检验和天气过程检验。结果表明该模型总体性能较好,对短时强降水出现与否有较好的判别能力和预报指示意义。未来24 h以内的6 h时效预报,TS(threat score)评分在0.23以上,未来60 h以内的6 h时效预报TS评分均在0.2以上,但也存在着一定程度的空报和漏报。基于SMOTE+LR短时强降水预报模型对短时强降水的潜势预报具有较好的指示作用,对气象防灾减灾具有重要意义。

应用潜在分类泊松回归模型及EM算法研究网络购物使用次数

随着网络的兴起,网上购物在人们的生活中发挥着越来越重要的作用。网上购物以其方便快捷等特点吸引了很多购物者,但是也有一些人质疑网上购物安全性、不可触摸性等问题。什么因素影响人们对网络购物的选择?人们由于对网络购物的态度取向不同可分为多少潜在的类别?文章应用潜在分类泊松回归模型及EM算法分析大学生网上购物的陈述偏好数据,回答了以上两个问题,得到了十分有意义的结果。

基于自噬基因的度洛西汀抗抑郁疗效预测模型的构建

目的:通过生物信息学方法构建基于自噬基因的度洛西汀抗抑郁疗效预测模型。方法:在高通量基因表达数据库中下载GSE146446数据集,该芯片包括96例患者接受抗抑郁药物度洛西汀8周的治疗,组织样本为全血样本,以度洛西汀治疗8周后是否有效分组,筛选两组间的差异表达基因,与自噬基因集取交集。利用最小绝对值收敛和选择算法回归(LASSO)及Logistic回归构建疗效预测模型。结果:SPNS1、ITPR3基因的表达水平均为度洛西汀抗抑郁疗效的影响因素(P均<0.05)。LASSO-Logistic回归模型:Logit(P)=33.7846+(-2.8615×SPNS1表达水平)+(-1.7716×ITPR3表达水平),其中Logit(P)=ln[P/(1-P)]。结论:基于自噬相关基因(SPNS1、ITPR3)表达量的度洛西汀的抗抑郁疗效预测模型具有较好的区分度、校准度以及疗效预测效能,未来可能为抑郁症患者使用度洛西汀药物治疗提供更为科学可靠的证据。

基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型研究

为提高大坝变形预测精度,针对大坝变形数据的复杂性和非线性等特征,基于自适应噪声完备集成经验模态分解(CEEMDAN)、数据处理群集法(GMDH)和差分自回归移动平均模型算法(ARIMA)进行大坝变形预测研究。采用CEEMDAN将大坝变形原始数据分解为高频随机分量、中频周期分量和低频趋势分量,再分别采用GMDH模型、ARIMA模型对高中频分量、低频分量进行预测,建立基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型。以江西上犹江水电站为例,将该模型预测结果与反向传播(BP)、径向基函数(RBF)、GMDH和CEEMDAN-GMDH模型的预测结果进行对比分析。结果表明:CEEMDAN-GMDH-ARIMA模型的均方根误差(E_(RMS))、平均绝对误差(E_(MA))、相关系数(r)分别为0.048 mm、0.035 mm、0.994,均优于BP、RBF、GMDH、CEEMDAN-GMDH模型,模型预测效果最好,能够很好地体现监测点水平位移变化趋势。

改进型XGBoost算法模型的企业电力负荷电费优化

针对现有技术中企业电力负荷电费优化效果差的问题,提出了新型的企业电力负荷电费优化方法,构建了改进型XGBoost算法模型。通过构建多个决策树提高了企业电力负荷的预测精度。在XGBoost算法模型的基础上,应用逐步回归算法模型,通过持续调整XGBoost算法模型中决策树的权重,不断地训练输出的单个弱学习器。实现XGBoost算法模型输出的多个决策树学习器的加权求和,从而实现了电力负荷电费预测数值的高精度输出。试验表明,研究的方法精确度高。

基于Logistic算法与遥感影像的棉花虫害监测研究

【目的】借助多光谱遥感影像和Logistic算法,实现对棉田虫害的田间监测。【方法】以患虫害棉花区域为研究对象,利用无人机获取棉田多光谱遥感影像,并对影像进行预处理;结合受虫害棉花光谱特征,利用虫害敏感波段反射率与植被指数构建Logistic回归模型,开展棉花虫害识别监测研究。【结果】由土壤调节植被指数(Soil adjusted vegetation index,SAVI)模型和归一化植被指数(Normalized vegetation index,NDVI)模型构建的棉蚜虫、棉红蜘蛛、棉铃虫识别模型为最优模型,其训练样本准确率达到93.7%,测试样本准确率达到90.5%,召回率为96.6%,F1值为93.5%,对棉蚜虫、棉红蜘蛛和棉铃虫的识别模型决定系数分别为0.942、0.851和0.663。【结论】该模型可满足棉田中棉蚜虫、棉红蜘蛛和棉铃虫3种虫害的发生区域识别,且可基本满足棉田精准植保作业相关要求。

宏观经济不确定性测度研究--基于GA-SVR模型

文章详细分析了国内外对经济不确定性的测度方法,首次将机器学习的思想用于不确定性测度,利用基于遗传算法的支持向量回归(GA-SVR)模型,使用47个宏观经济变量和25个金融市场变量的月度数据,测度了我国2005年1月至2020年6月的宏观经济不确定性。实证分析结果显示:该方法对宏观经济不确定性的测度结果稳定,与实际经济运行情况吻合,能够有效识别经济波动和外生冲击,并且可以准确反映不同冲击的影响程度差异。

新组合模型在光电功率预测中的应用

为提高光伏预测要求的精准性,文章提出一种新算法将神经网络和ARMA算法改进组合,构成NEW ARMA-BP模型算法.以某30兆瓦的光伏电站采集的输出功率为输入样本,基于ARMA和BP神经网络算法在Matlab环境下依次搭建了相应的预测模型,预估光伏短期输出量.采用"误差正态检验图"判断基于两种不同算法的误差水平,依据两种单模型预测误差,运用所提出的新方法计算权值并获得新的预测值.基于Matlab的仿真结论验证了组合预测在光伏输出预测领域的适用性.