Seismic characteristics near the epicenter of the 1303 Hongtong M=8 earthquake, Shanxi Province and its implication

In this paper, we calculated the seismic pattern of instrumental recorded small and moderate earthquakes near the epicenter of the 1303 Hongtong M=8 earthquake, Shanxi Province. According to the spatial distribution of small and moderate earthquakes, 6 seismic dense zones are delineated. Temporal distribution of ML2 earthquakes since 1970 in each seismic dense zone has been analyzed. Based on temporal distribution characteristics and historical earthquake activity, three types of seismicities are proposed. The relationship between seismic types and crustal medium is analyzed. The mechanism of three types is discussed. Finity of strong earthquake recurrence is pro-posed. Seismic hazard in mid-long term and diversity of earthquake disaster in Shanxi seismic belt are discussed.

Seismic characteristics near the epicenter of the 1303 Hongtong M=8 earthquake, Shanxi Province and its implication

In this paper, we calculated the seismic pattern of instrumental recorded small and moderate earthquakes near the epicenter of the 1303 Hongtong M=8 earthquake, Shanxi Province. According to the spatial distribution of small and moderate earthquakes, 6 seismic dense zones are delineated. Temporal distribution of ML2 earthquakes since 1970 in each seismic dense zone has been analyzed. Based on temporal distribution characteristics and historical earthquake activity, three types of seismicities are proposed. The relationship between seismic types and crustal medium is analyzed. The mechanism of three types is discussed. Finity of strong earthquake recurrence is pro-posed. Seismic hazard in mid-long term and diversity of earthquake disaster in Shanxi seismic belt are discussed.

Analysis on Depth Distribution and Precursor Mechanism of Small and Moderate Earthquakes

In this paper, the focus depth distribution of earthquakes with each magnitude has been analyzed. Statistic data show that the lower magnitude is, the wider focus depth distributes. With larger magnitude, the focus tends to be concentrated in upper or middle crustal layers. We analyzed the cause of focus depth distribution and explained the precursor mechanism of small and moderate earthquakes with occurring condition and characteristics of strong earthquakes. The results of this paper may be applied to determine risk sites of strong earthquakes.

基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

基于长短时记忆网络的山区中小流域降雨径流模拟

洪水预报是流域防洪减灾的重要非工程措施之一。目前我国中小河流暴雨洪水灾害频发,但应对短历时强降雨的洪水预报能力仍不强。以安徽省东部山区中小流域为研究对象,引入长短时记忆网络建立流域降雨径流模型,探讨其在山区中小流域的洪水模拟效果。结果表明,考虑降雨输入的空间差异可提升深度学习模型降雨径流模拟预测性能,且长短时记忆网络能够取得优于传统人工神经网络的精度;长短时记忆网络模型有效建立了流域降雨与径流间的复杂非线性关系,模型在所选流域内场次洪水的峰值模拟效果较好,训练、测试集场次洪水峰值合格率均在90%以上;长短时记忆网络内部结构特征与流域水文过程具有较好的相似性,对山区中小流域暴雨洪水非线性关系拟合效果突出。

基于多因子多模式集成的中长期径流预测模型

提高中长期径流预测精度对于水资源调度等具有重要意义和应用价值。基于国家气候中心的130项气候因子,采用皮尔逊相关系数、最大信息系数、方差增量指标筛选主要预测因子,建立基于DS(Dempster-Shafer)证据理论的多因子综合方法;采用随机森林、BP神经网络和贝叶斯网络等建立基于水文-气象因子遥相关的中长期径流预测模型,构建基于DS证据理论的预测结果集成模型。以三峡水库为对象开展实例研究,结果表明:引入遥相关因子能有效提高预测精度;基于DS证据理论的多因子综合方法能筛选出综合性更强、稳定性更优的因子,弥补单一筛选方法的不足;基于DS证据理论的多因子多模式集成方法在径流预测精度上优于单一方法单一模型,确定性系数提高到0.823,平均相对误差降低到23.2%。

宽度-深度融合时频分析的径流智能预测方法

为解决现有基于LSTM的径流预测模型易陷入局部最优的问题,提出了基于VMD-LSTMBLS(variational mode decomposition-LSTM-broad learning system)的径流预测模型。将宽度学习系统与LSTM结合,针对径流序列多噪音特点,采用时频分析方法中的变分模态分解,将径流时间序列的一维时域信号变换到二维时频平面,减少噪声对预测结果的影响。仿真结果表明:与基线模型及现有基于LSTM的径流预测模型相比,该模型的预测精度有较为明显的提高。

基于物联网和GCNN-LSTM的河流水文预测方法

针对河流水文存在预测精度不高的问题,利用物联网技术设计了分布式的降雨和水文信息自动采集系统,并提出了一种基于图卷积神经网络和长短期记忆网络模型对河流水位和径流量进行预测的方法;首先通过分析确定了影响河流水文的主要因素,将流域范围内的降雨量信息组成网格化的二维图形矩阵;然后提出了GCNN-LSTM预测模型,将含有降雨信息的二维图形矩阵作为网络模型的输入,获取该流域内降雨与水文变化的时空分布特征;最后采用所提出的GCNN-LSTM预测模型对河南省周口市段颍河的历史水文数据进行训练,再利用训练后的网络对测试集数据进行预测,得到了较高精度的径流量和水位结果,径流量预测结果的RMSE、MAPE和MAE分别仅为17.09 m^(3)/s、1.68%和8.57 m^(3)/s,水位预测结果的RMSE、MAPE和MAE分别仅为0.32 m、0.65%和0.29 m,与其他几种预测方法相比表现出了优越性,对科学合理利用水资源和防洪减灾具有重要意义。

基于STE-TCN的中短期电力负荷预测

目的 针对传统电力负荷预测模型对长序列预测精度低的问题,提出一种结合跳级卷积连接与时间编码网络的新型时序卷积神经网络(TCN)模型——STE-TCN模型。方法 首先对TCN模型加入跨周期的膨胀卷积通道(Skip-convolution)提取电力数据周期信息;再进行特征融合得到Skip-TCN网络,使网络抓取周期规律,增加信息利用长度;最后设计日期编码网络(Time encoding network)捕捉生活周期和季节性特征,与Skip-TCN进行特征融合得到STE-TCN模型,实现对电力负荷数据长序列预测。结果 实验表明:在与TCN模型和传统时序网络的对比下,Skip-TCN的预测精度均有提升,在预测长度更长的测试上提升尤为明显。结论 实验结果验证了通过对更长跨度时序关系的捕捉,STE-TCN网络改进方法有效提升了对长序列电力负荷的预测精度。

基于多模型比选耦合的降水预测

变化环境下水文时间序列的模拟预测难度不断加大,以往研究大多聚焦在模型的不同组合尝试与应用探索,但缺乏针对不同组合模型适用性与稳定性的系统研究。选择经验模态分解(empirical mode decomposition,EMD)、总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)、改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)和变分模态分解(variational mode decomposition,VMD)4种常用的分解算法,与多元线性回归(multivariable linear regression,MLR)、随机森林(random forest,RF)、BP神经网络(back propagation,BP)、卷积神经网络(convolutional neural networks,CNN)和长短期记忆神经网络(long short-term memory,LSTM)5种具有代表性的模型结合,构建20种基于“分解-预测-重构”模式的组合模型,并以华北地区密云、官厅两流域年和汛期降水为例,进行模型适用性与稳定性综合对比分析。结果表明:单一模型对密云流域年降水和汛期降水的预测结果优于官厅流域,但整体预测结果均不理想;结合分解算法后的组合模型预测结果明显优于单一模型,且该预测结果存在正负误差抵消现象,因此有助于进一步提高组合模型的整体预测精度;与基于EMD系列的分解算法相比,VMD算法对模型预测精度提升效果最显著,组合模型适用性和稳定性整体上表现为VMD-MLR>VMD-LSTM>VMD-BP>VMD-CNN。

考虑上游来水影响的中长期径流预报

雅砻江流域地面气象站点不足、分布不均,难以获得精确的流域面降雨资料,加之传统中长期径流预报模型泛化能力有限,中长期径流预报存在较大瓶颈。充分考虑流域水库间的物理联系,基于上下游水库流量变化在时空上的相似性,对1957年~2020年锦屏一级水库和二滩水库的历史月径流数据进行主成分分析,使用BP人工神经网络、随机森林和支持向量回归3种机器学习方法建立3种径流预报模型,通过决定系数R^(2),合格率Q R以及平均相对误差MRE三项指标构成的评价体系对预测结果进行评估。结果表明,上游水库对于下游水库的入库流量具有显著影响,且3种模型在二滩水库中长期径流预报上均具有较好的预报效果(R^(2)>0.8、Q R>0.7、MRE<0.2)。随机森林模型模拟效果整体优于BP人工神经网络和支持向量回归模型,3种模型均具有较好的实用性,能为流域水资源精细化调度及科学管理提供数据基础。

基于LSTM、RF、SVR三种机器学习方法的径流预测研究

为探究不同预报方案对机器学习模型径流预测的影响,以淮河王家坝~蒋家集~润河集区间流域为例,设计了七种径流预测方案,采用LSTM(长短期记忆神经网络)、RF(随机森林)以及SVR(支持向量回归)三种机器学习模型进行径流预测。研究结果表明:(1)三种机器学习模型对降雨信息的敏感程度不同,且采用同时考虑径流影响因素以及前期历史径流的方案预测效果最佳,但随着预见期的延长,前期历史径流的重要性逐渐降低;(2)三种机器学习模型在不同预见期的径流预测表现有所差异:三种机器学习模型在预见期为1 d时预测精度均较高;当预见期为2~4 d时,SVR模型的预测效果较好;RF模型在预见期为5~7 d时预测精度较高。研究可为后续基于机器学习的径流预测提供参考。

基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法

光伏发电在能源结构中的重要性不断凸显,而提高光伏发电量预测的准确性成为当前研究的关键问题。针对中长期光伏发电量预测问题,提出一个综合利用气候预测数据的中长期光伏发电量预测方法。首先,在基于气候预测数据的发电量预测框架中,根据气候预测数据特点和预测周期划分多重子模型以充分利用气候预测数据信息。其次,在进行数据预处理后,通过对气候特征衍生与交叉、特征筛选和选择,充分挖掘气候特征的高价值信息。然后,采取一种两重多阶段超参数寻优策略,对极端梯度增强(extreme gradient boosting, XGBoost)超参数进行调整以优化预测模型。最后,在真实光伏发电量数据上,以MAPE为标准评估预测水平,验证所提中长期光伏发电量预测方法的有效性。相关实验结果表明该方法可以有效提高光伏发电量预测精度。

耦合深度学习的水丰水库入库径流中长期预测方法研究

少资料地区径流中长期预测关系发电厂中长期发电量的多寡,也对电厂短期经济运行有较强的指导作用。鸭绿江流域是东北地区重要的清洁能源基地,由于朝鲜控制了鸭绿江流域超过一半的面积,但其径流数据难以与中方共享,给鸭绿江流域径流中长期预测带来一定的阻碍。以鸭绿江流域水丰水库入库径流为研究对象,分别采用相空间重构模型(局域法、全局法)、LSTM模型、小波分析-LSTM模型、耦合相空间重构(局域法、全局法)和小波分析模型共6个模型方法对水丰水库旬、月及年尺度入库径流进行中长期径流预报工作,以平均绝对误差、平均绝对百分比误差与合格率对上述6个模型的预测结果进行精度评比。结果表明,年径流预报采用耦合相空间重构(全局法)和小波分析模型;月尺度径流预报中,1月预见期1-5月采用耦合相空间重构(局域法)和小波分析模型以及小波分析-LSTM模型效果较好,而6-12月耦合相空间重构(全局法)和小波分析模型具有明显优势;1年预见期中,小波分析-LSTM模型效果较好。旬尺度径流预测,1旬预见期采用小波分析-LSTM模型效果较好,3旬预见期采用小波分析-LSTM模型或耦合相空间重构(全局法)和小波分析模型,1年预见期中耦合相空间重构(全局法)和小波分析模型有明显优势。研究将为水丰水库及下游发电厂制定中长期调度计划提供支持。

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年~2021年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明,EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快,精度最高,预测结果最接近实测值,其决定系数R^(2)为0.8643。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测,在气温上升1℃,降水不变的情景下,年径流量将增加6.61%;在降水升高5%,气温不变的情景下,年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下,年径流量将增加22.16%。

基于VMD-NGO-LSTM的融雪洪水汛期非平稳性极值径流预测模型及应用

金沟河属于典型的融雪补给流域,受自然环境、气候变化和人类活动等因素的影响,汛期极值径流序列表现出非平稳性及复杂性特征,给流域内汛期极值径流精准预测带来新的挑战。为解决该地区汛期极值径流的非平稳性对于预测结果的影响,引入变分模态分解算法(Variational Mode Decomposition,VMD),提出一种基于北方苍鹰优化算法(Northern Goshawk Optimization,NGO)与长短期记忆神经网络(Long Short-Term Memory,LSTM)的组合预测模型(VMD-NGO-LSTM),应用于金沟河流域八家户水文站1964—2016年的汛期极值径流预测,采用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、Nash系数(NSE)评价模型的预测能力。结果表明:(1)根据金沟河流域融雪洪水汛期径流极值序列的周期变化和趋势变化的水文特性变化结果表明径流极大值序列和径流极小值序列均具有非平稳性;(2)VMD-NGO-LSTM预测模型的NSE均大于0.97,且RMSE、MAPE、MAE值均处于偏小状态,与VMD-LSTM模型和VMD-NGO-BP模型相比,VMD-NGO-LSTM模型能够很好地预测八家户汛期极值径流的变化过程。该研究为汛期极值径流预测工作提供了新的思路,对新疆地区防洪减灾具有一定参考价值。

某高速公路桥梁中长期养护规划研究

合理的养护规划对于延长桥梁结构的服役年限,降低全寿命周期养护成本具有十分重要的意义。基于此,论文通过对某高速公路桥梁历年检测数据分析及桥梁技术状况评价,建立了桥梁结构技术状况衰变模型,并根据每年检测数据进行调整,提高其预测准确性,依此制订该桥中长期养护规划方案。

基于多变量灰色遗传模型的配电网柔性中长期负荷曲线化预测方法

传统配电网柔性中长期负荷曲线化预测方法,缺乏对配电网负荷预测权重的合理有效分配,导致预测准确性不高。因此,提出基于多变量灰色遗传模型的配电网柔性中长期负荷曲线化预测方法。使用随时间反向传播(BPTT)算法训练处理后的配电网负荷数据,得到配电网负荷特征。在考虑负荷数据特征基础上,使用多变量灰色遗传模型分配负荷曲线预测权重。根据预测权重,聚类处理负荷增长等参数,输出配电网柔性中长期负荷预测曲线,从而曲线化预测配电网柔性中长期负荷。实验结果表明,设计的方法对电网柔性中长期负荷的预测误差较小、准确性较高,满足配电网柔性中长期负荷曲线化预测的需求。

基于LSTM的产能预测方法——以A区长7储层为例

针对研究区目标储层典型页岩油藏物性较差导致全区及中高初产油井产能递减的问题,笔者提出一种长短期记忆神经网络(LSTM),选取研究区生产时间大于48个月全区油井以及中高初产递减型井的平均月生产数据并对其未来4个月的产能进行预测。结果表明,长短期记忆神经网络(LSTM)产能预测相比于传统的指数递减规律对产量进行拟合的误差更小,预测结果更为可靠。从而为后期油田生产以及后续开发采取的工程措施提供理论依据。