基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于P波模量的原位胶结充填体强度预测模型研究

原位胶结充填体质量评价通常采用单轴抗压强度作为表征指标,由于在现场工程中无法快速、准确获取充填体的强度值,因此需要建立一种参数易于获取且准确的原位胶结充填体强度预测模型。基于胶结充填体物理力学参数的内在联系,从量纲平衡的角度探索了胶结充填体单轴抗压强度与P波模量的关系。根据C矿和I矿两种原位胶结充填体的密度、P波速度及取芯强度的测试数据,采用线性拟合的方法获得了基于P波模量的原位胶结充填体强度预测模型。通过对C矿和I矿的强度预测模型拟合效果分析可知,P波模量与取芯强度呈正相关性,且拟合效果较好,证明原位胶结充填体强度预测模型精度高,具有很强的实用性。     

过程控制技术在污水处理中的应用

过程控制技术的应用对于污水处理厂实现节能降耗与提升处理效率具有重要意义。文中对十年来(2010年—2020年)过程控制技术在污水处理中的技术发展及应用案例进行了综述,对主要过程控制技术的优缺点进行分析。与传统控制方法相比,智能控制技术如神经网络控制、专家控制和模糊控制等与预测控制相结合可以得到更好的控制效果,将成为未来研究的主流。     

基于多时间尺度和多源储能的综合能源系统能量协调优化调度

考虑源荷不确定性及储能设备配置对综合能源系统IES(integrated energy system)优化调度的影响,提出基于多时间尺度和多源储能的IES能量协调优化调度策略。该策略以系统运行经济最优、滚动控制时域内购能成本与储能惩罚成本之和最低以及设备输出功率调整量最小为目标,分别建立了日前、日内滚动和实时反馈3个时间尺度的优化调度模型。在日前考虑多种储能模式对IES经济性的影响;日内利用场景分析法描述滚动预测的不确定性来提高系统经济运行稳定性;再基于模型预测控制方法,构建日内与实时的反馈闭环优化,平抑由预测误差导致的系统功率波动。仿真结果表明:多源储能模式有助于提高IES的经济性;多时间尺度调度既可以保证IES运行的经济性,又能有效降低不确定性对系统实际运行的影响,减轻电网平抑功率波动负担。     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode de?composition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimiza?tion algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。     

柿庄南区块煤层气资源可采性评价

基于沁水盆地柿庄南区块3#煤层储量丰度、临储比及渗透率参数分布,统计上述参数影响范围内有效井(工程质量好,生产时间超过1 a)的平均产气量,采用灰色关联度分析方法,确定主地质参数评价值函数及权重系数,建立产能预测公式。借助Petrel软件,建立离散化的产能预测属性模型,得到平均产能预测图。根据煤层气开发平均产能类型划分标准,划定煤层气开发类型。此研究可为后期生产提供开发依据,指导柿庄南区块下一步方案部署。     

基于单常数Kubelka-Munk理论的棉纤维颜色预测

为解决混色棉纤维颜色预测效果较差、模型预测精度较低的问题,文章通过对Kubelka-Munk理论的分析,确定采用基于单常数Kubelka-Munk理论的配色模型对混色棉纤维进行预测。在明确此配色模型不足之处的基础上,提出了标准化映射的方法对模型进行适用性改进,消除极端K/S值对模型预测效果产生的不利影响,从而改善模型的颜色预测效果。通过试验发现,模型对混色棉纤维颜色预测的适用性有明显改善,改进后的单常数K-M模型对混色棉纤维颜色预测精度有大幅度提高。     

基于BP神经网络的高速动车组网络控制系统时延研究

当前,高速动车组的控制系统迅速向网络化与智能化方向发展,网络控制系统已被大规模地应用于高速动车组的控制系统之中,网络控制系统可实时地传输高速动车组中各个设备的数据并监控高速动车组的运行状态,以保证高速动车组安全地运行。但高速动车组的通信网络控制端口和变量数目非常多且各端口的长度与特征周期也各异。故高速动车组的网络控制系统在输出数据的时候,不可避免地出现网络时延现象,该现象严重地威胁着高速动车组网络控制系统的实时性和稳定性。由于高速动车组的网络控制系统是一种非线性系统,故文章针对带有时延问题的高速动车组非线性网络控制系统,提出一种有效的优化方法,即将BP神经网络递推预测与广义预测控制结合起来,先根据BP神经网络递推预测的方法对网络控制系统未来的输出进行预测,然后利用递推最小二乘法对网络控制系统未来时刻的系统参数进行辨识,将非线性网络控制系统在每一时刻进行线性化处理,最后由广义预测控制算法补偿非线性网络控制系统的时延且对所提出的方法进行实验仿真,实验结果表明:该方法可有效地消除高速动车组网络控制系统的时延,同时具有实时性高、计算速度快及鲁棒性强等优点,显著地优化了带有时延问题的高速动车组非线性网络控制系统。     

朴素贝叶斯模型在驾驶员伤情预测中的应用

先进车辆事故自动呼救(Advanced Automatic Crash Notification,AACN)系统能在车辆发生碰撞事故时及时对驾驶员的受伤情况进行预测,有助于呼救中心做出早期判断并制定更加积极有效的救援方案。首先,选取速度变化量、碰撞方向、驾驶员年龄、驾驶员是否系安全带、驾驶员侧安全气囊是否打开、驾驶员性别作为造成驾驶员伤情的影响因素,利用道路事故数据分析构建贝叶斯网络模型;其次对现有数据进行离散分类处理,然后建立驾驶员伤情预测的算法;最后通过事故数据进行仿真并对所提出的算法的有效性进行验证。结果表明,所建立的驾驶员伤情预测算法的预测准确率较高,可应用于AACN系统向呼救中心传递事故信息。