基于多模型随机组合的水文集合预报方法研究

准确、可靠的水文预报是水资源开发利用的基础.集合预报以概率或区间的形式表征预报的不确定性,是未来水文预报研究的重点发展方向.本文提出了一种基于多模型随机组合的水文集合预报方法.首先通过加权形式将多种预报模型进行组合;再采用多目标优化算法率定各成员模型权重的上、下限;最后在优化的上、下限内随机生成权重以构建集合预报.以汉...     

考虑预报误差的水电站短期调度模糊风险研究

水电站短期发电计划编制一般采用预报径流进行,但受预报精度限制,预报值与实际值往往存在偏差,当电站位于近边界水位运行时,该偏差就可能带来弃水或出力不足问题。为定量分析径流预报误差的模糊特性及其对水电站短期发电调度的影响,本文提出了一种基于最优贴近度准则的径流预报误差模糊隶属函数优选方法,并引入可信性理论,建立了水电站在两种典型近边界工况（正常蓄水位和死水位）下的发电调度模糊风险分析模型,实现了水文预报误差模糊性与水电站短期发电调度风险的耦合与转化。实例研究中给出了锦西电站在两种近边界运行工况下的高风险区域及建议运行区域,可为该电站实际短期发电调度提供有力的参考和借鉴。     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

神经网络组合预报模型及其在汽轮发电机组状态检修中的应用

在组合预报模型研究基础上，提出基于神经网络的非线性组合预报模型，由神经网络给出常规预报方法的最佳组合。首先从函数逼近角度研究了这种模型的理论基础，在此基础上给出了实现策略和神经网络的有效训练算法，将该模型应用于发电机组状态检修的振动参数的趋势分析和故障预报，仿真结果表明该模型有更高的预报精度。     

雨季段中长期预报模糊聚类模型及其应用

为了克服对中小流域作径流预报时收集预报因子的困难,在中长期径流模糊聚类预报模型基础上,结合径流的周期变化规律,提出了雨季段中长期模糊聚类预报模型。该模型从雨季段径流的周期性规律中提取预报因子,把模糊聚类预报模型从年径流预报推广至雨季段径流预报。在对丰潭水电站雨季段径流的预报中,取得了满意的结果。     

白龟山水库防洪预报调度方式研究及风险分析

摘要:本文针对白龟山水库设计与运用汛限水位"静态控制法"所造成洪水资源浪费和上游昭平台水库控泄能力较弱的事实,设计了基于白龟山以上全区累积净雨作为水库泄洪的主要判断指标的防洪预报调度方式,同时对防洪风险和兴利效益进行了定量分析和表述.实例研究表明,运用防洪预报调度方式是可行和必要的,既有理论意义,又有经济价值.     

水电站分期发电调度规则提取方法

针对水电站发电优化调度需求，提出了结合灰色关联度（GRA）和贝叶斯模型平均法（BMA）提取水电站水库分期发电调度规则方法。在确定性优化调度模型基础上，首先确定决策变量和影响因子属性集，基于GRA筛选分期影响因子；然后分别采用多元线性回归模型、支持向量机模型及BP神经网络模型拟合得到分期水电站水库发电调度规则；最后应用BMA进行多模型结果加权平均获取最终分期水电站水库发电调度规则。以新安江水电站为例，对本文的方法进行了验证。研究结果表明，基于GRA和BMA结合的调度规则提取方法不仅可以提供精度较高的均值模拟，而且能较好地保持确定性优化调度的发电效益。     

基于二分群体决策的水文预报择优组合方法

针对多种水文预报的组合问题,提出一种基于二分群体决策的水文预报择优组合方法。通过决策群体、决策断面、能力向量、预报收益等模型的建立,将水文预报择优问题转化为一个二分决策问题;根据决策质量给出择优求解和参数初值的率定方法,并将各参数对预报精度的影响加以分析。实验表明：该方法能够有效的从两种预报方案中选择出更加接近实测值的预报结果,且具有76%以上选择正确率和更高的预报精度。     

基于模糊层次分析法的风速短期预测组合模型

针对风速预测的特点以及人为判断的模糊性,为提高风速预测精度,文中提出了基于模糊层次分析法的风速预测组合模型。该模型以风速预测周期、风速的震荡性与预测者对预测模型的信赖度为目标准则;考虑到专家判断的模糊性,采用三角模糊数来表征专家判断信息,并通过层次分析法对专家判断结果进行处理得到各方案的最优权重。该组合模型综合考虑影响风速预测的多种不确定性因素,在综合不同模型预测结果的基础上引入专家经验。实际算例表明,该组合模型能有效提高风速预测的精度。     

动态模糊神经网络在大坝变形预报中的应用

针对静态模糊神经网络的局限性，提出了在线动态建模的模糊神经网络方法。当新增样本进入训练集之后，根据新样本对模型的贡献大小，在已有模型的基础上进行动态修正，这样可以减少建模的计算时间。新方法实现了增加样本而矩阵阶数不增加，避免了矩阵求逆运算，理论上可以提高计算效率。实例表明动态模糊神经网络方法是可行的，可实现持久预报，具有较强的适应能力和较高的预报精度，可应用于在线实时变形预报及相关领域。     

二滩水电站水库径流描述与优化调度模型研究

针对二滩水电站的实际径流特性,提出了有、无时段径流预报相结合的马氏性径流描述模型;以兼顾保证出力要求的发电量最大为目标函数,建立了优化调度模型,并研究求解过程中的递推方程建立、保证出力约束的考虑、预报误差影响分析等相关问题;应用二滩电站的历史径流序列进行模拟优化调度,研究结果表明该模型比传统的有预报或无预报的马氏性随机径流描述方法能更好地描述径流,并且可作为进一步改进径流描述模型的比较基础.     

基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法

准确预测储能锂离子电池剩余使用寿命(remaining useful life, RUL)对于电力系统的安全性与可靠性至关重要。针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法。首先,利用集成经验模态分解算法分解锂离子电池老化数据。其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的残差数据序列和本征模态数据序列建模预测。最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹。采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池RUL预测方法具有更好的鲁棒性与非线性跟踪能力。     

乌东德水电站泄洪减振水弹性模型试验研究

本文基于水工模型试验,利用乌东德水弹性模型,研究了不同表孔开度对下游边坡和底部基岩振动的影响,同时利用BP神经网络建立了两种振动预测模型,将泄洪流量分为三个流量级,提出各流量级下的泄洪减振优化方案。结果表明:(1)表孔单独泄流时,当开度增大,基岩的振动基本上呈增大趋势,但当表孔全开时,基岩的振动反而呈减小趋势,边坡的振动则总是跟开度正相关。对于表孔中孔联合泄洪,底部基岩的振动往往在4m开度时最小,但边坡的振动情况比较复杂。(2)两种振动预测模型都有良好的精度,并且单独建立表孔中孔联合泄洪工况的预测模型可以提高精度。(3)流量很小时,单独采用多个表孔小开度泄洪;流量一般时,充分利用中孔泄洪,开启较少表孔且采用4 m开度;流量较大时,中孔全开,表孔采用多孔小开度泄洪。     

基于三角模糊数的水库防洪调度模糊综合风险分析

水库防洪调度是优化区域水资源配置进而实现社会经济可持续发展的一项重要研究内容,防洪调度风险分析可为评判水文预报方案精度、合理选择动态汛限水位进而制定水库防洪调度规则提供科学的决策依据。为全面合理地识别和估计调度过程中的各种风险因子,将三角模糊数理论引入水库防洪调度风险分析研究领域,首先利用α-截集技术将水库防洪调度风险识别指标模糊化,即将风险识别指标由传统的确定值转化成与不同置信度水平α相对应的区间数,由此计算相应的模糊风险率区间值,进而提出了基于三角模糊数的水库防洪调度模糊综合风险分析模型。潘家口水库主汛期不同汛限水位调整方案的水库防洪调度模糊综合风险评价的应用结果表明：该水库主汛期汛限水位调整方案上限值为218.50 m;该风险分析方法物理意义明确、结果客观合理,可见在洪水资源安全利用系统风险分析中具有一定的推广应用价值。     

基于GPS同步量测量的模糊神经网络用于暂态稳定预测研究

利用GPS同步时钟获得系统各机组的功角或系统内最大摇摆角 ,然后通过模糊神经网络进行暂态稳定性预测 ,充分利用了模糊系统和神经网络的优点 ,一方面考虑了专家的经验 ,另一方面又通过样本集进行学习 ,能自动提取模糊规则、优化隶属函数等 ,因此具有较高的模式分类正确率和函数逼近精度。对 6机 2 2节点的算例表明 ,所提方法是有效的。     

基于GIS的小波神经网络库区径流预报模型研究

提出了一种基于GIS与小波神经网络方法相结合构建而成的水库日径流预测模型(GWNNR),通过模糊C均值聚类分析将水库历史径流数据分成4类,并分别建立相应的小波神经网络预测模型,应用遗传算法(Genetic algorithm)和误差反传递(Back-propagation)算法对模型的参数进行优化,对某水库2005年日平均来流进行分类预测,结果表明,该方法具有较好的训练速度和较高的预测精度.     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解(EEMD)和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量(IMF)近似熵特征值输入概率神经网络(PNN)进行模式识别。采用经验模态分解(EMD)和近似熵特征提取方法进行对比实验。识别结果表明:采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于集合经验模态分解和套索算法的短期风速组合变权预测模型研究

准确的风速预测对风电场实现平稳出力具有重要意义。为提高短期风速预测精度,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、套索算法(Least Absolute Shrinkage and Selection Operator, LASSO)、遗传算法(Genetic Algorithm, GA)、广义回归神经网络(General Regression Neural Network, GRNN)和长短期记忆模型(Long Short-Term Memory,LSTM)的短期风速变权组合预测模型(Variable Weighted Hybrid Model, VWHM)。首先运用集合经验模态分解技术,将原始风速时间序列分解成多个不同的子序列。然后运用套索算法对各个子序列的数据变量进行筛选,提取代表性变量作为预测输入。最后利用GA的全局优化能力,对由GRNN和LSTM构成的组合预测模型的权重系数进行移动样本自适应变权求解,并加权得到最终预测结果。仿真结果表明,所提的变权组合模型比单一模型以及传统组合模型具有更高的预测精度,且在风速预测中具有优越性。     

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。