排序方式: 共有271条查询结果,搜索用时 15 毫秒
261.
262.
263.
264.
为有效预测地表水体水质的污染情况及未来发展趋势,构建基于EEMD-VotingRegressor(集合经验模态分解和投票回归器)的水质预测模型。首先,采用相关系数法对EEMD分解的IMF分量选择并重构,完成数据集的降噪处理;然后,从单特征、多特征(包含空间特征)角度,对模型输入特征筛选;最后,建立基于VotingRegressor的水质预测模型,分别进行数值预测或等级预测。结果表明:数据集降噪后,模型预测准确度提升约25%,多特征EEMD-VotingRegressor架构的模型预测效果最优,其中溶解氧、高猛酸盐指数、氨氮、总磷预测未来4h的决定系数(R2)分别为0.992、0.992、0.980、0.986。该研究方法可以为国控地表水体水质的预测预警提供一定的理论与技术支撑。 相似文献
265.
266.
风电输出功率波动性与碱性电解槽工作特性间的矛盾降低了制氢装置的工作效率。针对这一问题,对碱性电解槽的动态工作特性展开研究,分析了风速波动对电解槽稳定运行的影响,综合对比了不同储能装置与电制氢协同运行的效果,选取超级电容储能装置作为风储制氢电厂的储能单元。提出了一种风储制氢电厂的效率优化控制策略。该策略在平抑层采用集合经验模态分解(EEMD)算法对风电功率进行分解与高、低频重构;在修正层依据碱性电解槽的工作状态、超级电容的荷电状态,采用模糊控制器对重构后的功率进行修正,实现对碱性电解槽与超级电容之间功率的合理分配,以提高风储制氢电厂的能源利用率。基于搭建的风储制氢电厂仿真模型,在不同的风速输入下对比3种不同策略的控制效果,验证所提策略的有效性。 相似文献
267.
炼铁讲“七分原料,三分操作”,烧结矿是高炉炼铁的主要原料,FeO成分是影响烧结矿还原性、强度和粒度的重要指标,也是影响高炉铁水产量和燃料比的重要因素。因此,及时精确地掌握烧结矿FeO含量对于指导高炉炼铁的顺利生产具有显著作用。针对烧结矿FeO成分检测结果延时、精度差的问题,提出并建立一种集合经验模式分解EEMD和机器学习的FeO成分长短期综合预报模型。针对烧结数据进行探索性分析,挖掘了烧结数据存在的特性,有根据地采用箱线图和滑动窗口处理数据,保证了数据价值,为建模夯实了数据基础。综合模型包含2个模块。长期预报模型应用EEMD分解波动型FeO成分数据,降低输入数据的复杂性,以双向长短期记忆神经网络Bi-LSTM进行3 h内FeO成分的提前预报;短期预报模块融合EEMD、特征选择和提取方法构造衍生特征,增强模型对于输入和目标数据的学习能力,以极限树ET对下1 h的FeO成分进行预报。在未知烧结数据测试集的验证下发现,EEMD辅助机器学习建模能够大幅提升FeO成分预报精度和稳定性,EEMD-Bi-LSTM和EEMD-ET模型的平均绝对百分比误差MAPE为1%左右、均方误... 相似文献
268.
【目的】在全球变暖的背景下,频发的极端气候事件愈发影响着人类生活、社会经济发展等。大理市是极端天气和气象灾害的多发区,亟需系统研究其极端气候事件变化特征。【方法】以大理市1951—2020年逐日气象观测数据为基础,对16个极端气温指数和11个极端降水指数运用线性倾向估计、Mann-Kendall突变检验、Pettitt、滑动t检验(MTT)、集合经验模态分解(EEMD)等方法对其变化趋势、突变特征及多时间尺度变化周期展开研究。【结果】结果显示:1951—2020年间大理市极端暖事件指数(SU25、WSDI、TN90p、TX90p)和TNx变化趋势为显著上升,而极端冷事件指数(FD0、CSDI、TN10p、TX10p)变化趋势呈下降。极端降水指数中,R10、R1、Rx5day、PRCPTOT与CWD下降显著;Pettitt、M-K及MTT法均得出FD0、SU25、WSDI、TNx、TN10p、TN90p、TX90p、R1与R10有明显突变点;EEMD所得到的各分量和趋势项表示不同尺度下极端气温指数和极端降水指数的变化特征。其中,极端气温指数的强周期主要为准3 a/7 a年际尺度周期及准1... 相似文献
269.
高速列车一旦出现蛇行失稳,列车的运行安全会受到严重威胁。在出现蛇行失稳前,高速列车会进入小幅蛇行发散状态,因此监测列车小幅蛇行演变趋势可以预测列车的运行状况,然而现有的文献鲜有对小幅蛇行演变特征进行研究,为此,提出一种基于EEMD-SVD-LTSA的高速列车特征提取框架,识别其演变趋势是小幅发散还是小幅收敛,进而预测列车运行状况。通过在线实验数据验证表明,提出的框架能成功提取高速列车小幅收敛、小幅发散的运行特征,且使用LSSVM的识别率达到100%,从而及时预测高速列车的运行状态,保障列车的运行安全。 相似文献
270.
为实现低信噪比(signal-to-noise ratio,SNR)条件下平板结构受到冲击后的快速准确定位,首先结合集合经验模态分解(ensemble empirical mode decomposition,EEMD)和希尔伯特变换,从冲击信号中提取弯曲波模态分量。利用Hilbert包络线第一峰值作为弯曲波到达时间,将不同传感器到达时间差作为特征构建数据库。利用平板结构中传感器信号能量分布准则判断初始的定位区域。最后计算划分网格的特征残差,实现冲击位置的快速定位。经过平板敲击试验验证,在SNR为5 dB和0的情况下,该算法与基于广义互相关(generalized cross correlation,GCC)和信号阈值的定位算法的定位误差分别为0.08 m,0.17 m,0.18 m和0.13 m,0.26 m,0.28 m,说明该算法具有更好的抗噪性能和更高的定位精度。 相似文献