内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

基于新陈代谢灰色马尔科夫模型的芜湖港集装箱吞吐量预测

为提高内河港口规划的合理性,更加精确地预测内河港口集装箱吞吐量,先用安徽芜湖港近年集装箱吞吐量数据建立了灰色GM(1,1)预测模型,然后采用新陈代谢法实时更新预测数据,构建新陈代谢动态灰色GM(1,1)模型,再运用马尔科夫模型分别对两个模型的预测结果进行修正。对比预测结果发现,灰色GM(1,1)马尔科夫模型比灰色GM(1,1)模型平均相对误差降低43%,新陈代谢灰色GM(1,1)马尔科夫模型比新陈代谢灰色GM(1,1)模型平均相对误差降低45%。由此可得出,新陈代谢灰色GM(1,1)马尔科夫模型的结果具有更高的可信度。     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

基于灰色马尔可夫链的农民平均收入实证研究

将灰色理论和离散状态的马尔可夫链相结合,用灰色马尔可夫链对农村居民人均纯收入进行实证研究.针对灰色数据系列首先用GM(1,1)模型进行趋势预测,然后利用马尔可夫状态转移概率矩阵预报方法对其预测值进行二次拟合,得到马尔可夫链预测精度明显高于GM(1,1)模型预测.     

基于双向差分GM(1,1)模型当季国内生产总值预测

以灰色系统理论建模中的GM(1,1)模型为基础,结合双向差分原理,建立基于双向差分的GM(1,1)模型.该模型克服了大数据建模中对数据量的限制,为"贫数据"及"数据信息不确定"的这类数据提供一种建模思路.实证分析表明,基于双向差分的GM(1,1)模型预测精度优于灰色GM(1,1)模型及大样本建模中的ARMA模型.     

泵用材料的腐蚀预测

对45#钢、Cr26、Cr15Mo3、Ni60等几种常见泵用材料在浓度为10%的HC1,水浴恒温加热环境下进行耐腐蚀试验.用灰色GM(1,1)模型、对腐蚀实验数据进行拟合和预测,结果表明:灰色GM(1,1)模型对腐蚀数据有较好的拟合和预测精度,且对数据有较好的适应性;其中45#钢腐蚀速度最块,Cr26、Cr15Mo3耐腐蚀性比较好,而Ni60的耐腐蚀性最好.     

基于振荡序列的GM(1,1)幂模型建模研究

对于数据变化并不是呈单调趋势,变化无规律的振荡序列,建模难度较大,预测效果不太理想.若采用时间跨度较大的数据进行建模,数据变化较大,其预测精度不高.采用时间间隔较小的数据建模,则数据的统计特征不能充分反映.为尽量保证建模预测的可靠性,利用灰色系统建模理论建立GM(1,1)幂模型,该模型体现了灰色系统的能量特征,充分利用数据特征,采用信息覆盖思想设定幂指数的白化公式,并给出GM(1,1)幂模型参数求解方法,较好地解决了模型参数计算的问题,拓展了GM(1,1)模型的使用范围.实证表明,GM(1,1)幂模型与GM(1,1)模型相比有效提高了模型的预测精度.     

隧道围岩变形经验模态分解灰色系统预测模型研究

基于经验模态分解降噪原理,建立了EMD灰色系统GM(1,1)预测模型,使EMD方法与灰色系统GM(1,1)预测模型很好地相结合,有效地降低了原始监测数据内噪声干扰对预测结果的影响;并结合梅花山隧道工程实际,对EMD灰色系统GM(1,1)预测模型进行了检验。研究结果表明:EMD灰色系统GM(1,1)预测模型环境适应能力较强,预测结果与实际监控数据吻合程度较高,是隧道工程围岩变形动态预测较为有效方法,具有较好的工程实用价值。     

隧道围岩变形EMD灰色系统预测模型研究

基于经验模态分解降噪原理,建立了EMD灰色系统GM(1,1)预测模型, 使EMD方法与灰色系统GM(1,1)预测模型很好地相结合,有效地降低了原始监测数据内噪声干扰对预测结果的影响,并结合梅花山隧道工程实际,对EMD灰色系统GM(1,1)预测模型进行了检验。研究结果表明：EMD灰色系统GM(1,1)预测模型环境适应能力较强,预测结果与实际监控数据吻合程度较高,是隧道工程围岩变形动态预测较为有效方法,具有较好的工程实用价值。     

基于LUR模型的大气PM2.5浓度分布模拟与人口暴露研究——以湖北省为例

大气细颗粒物是严重危害人体健康的主要污染物之一.该文以湖北省为例,采用LUR(土地利用回归)模型对各监测站点的PM2.5浓度进行空间化模拟,并考察污染暴露强度的空间分异特征,为PM2.5污染分区防控提供参考依据.结果表明：1)湖北省各站点PM2.5浓度差异较大,平均浓度高于环境空气质量二级标准,浓度大小受到站点风速、气温、海拔与3 km缓冲区内绿地面积等因子的显著影响,风速升高会加重污染,后3个因子增加则有利于降低污染.2)基于LUR模型的空间化结果显示,PM2.5浓度在省域尺度上呈现出明显的“中部高、东部低、西部最低”的梯度差序特征,其中武汉城市圈、江汉平原与襄阳部分地区污染较重,鄂西地区普遍较低.3)构建顾及人口分布疏密的PM2.5暴露强度指数,发现PM2.5暴露强度与人口密度大小存在较高的空间相关性.全省超过90%的人口和面积处于中等及以下暴露强度,总体健康风险较低.暴露高值区相对分散,主要集中在以武汉城市圈为核心的中东部地区.     

宜昌市城区PM_(2.5)污染形成灰霾天气的规律研究

2012年选取与气象站点相邻的一个环境空气质量测点对PM2.5进行了研究性监测,测点距地面23m,全年PM2.5质量浓度在19~284μg/m3之间,年均质量浓度为89μg/m3,月均质量浓度最高的为1月.系统分析全年PM2.5监测质量浓度与相邻气象测点灰霾、能见度观测数据之间的关系,得到以下结论:宜昌市城区PM2.5污染质量浓度与灰霾观测值相关性不强,但与能见度的观测值显著相关;全年能见度降低受PM2.5污染的影响具有季节性,2、5~6三个月与7~9三个月及4、10~11三个月,这3组月份内的PM2.5与能见度之间的回归曲线基本一致,全年中3月份影响最大,而1月份最小,主要与气温、风速、降雨因素有关.     

深圳PM2.5浓度变化趋势及其月尺度预测方法

基于深圳市环境监测站的PM2.5浓度数据以及深圳市国家气候观象台发布的月度气象监测公报,研究了2012年至2019年深圳市PM2.5浓度的变化规律,分析了PM2.5浓度与月尺度气候要素的关系,并利用多元线性回归分析法建立了PM2.5月均浓度的预测模型。结果表明：2012年至2019年深圳PM2.5浓度呈明显下降趋势,PM2.5浓度有季节性特征,干季(1~3月及10~12月)PM2.5浓度比较高,也是PM2.5污染防控的重要时段。月降水日数、月降水量以及月平均温度与PM2.5浓度的负相关较明显,偏北风频率与PM2.5浓度呈显著正相关,可一定程度上帮助预判月均PM2.5浓度。与前人研究结果相反,月平均相对湿度与PM2.5浓度呈显著负相关。包含气象因素项以及PM2.5浓度项的月平均PM2.5浓度预报模型拟合度较高,偏北风频率、月平均相对湿度是对月平均PM2.5浓度影响最大的气象因素。利用深圳市2020年数据对模型进行检验,结果证明方程对于月平均PM2.5浓度的预报有一定适用性,可较好预报PM2.5浓度月增量。     

基于无线传感网络的大气环境pm2.5污染状况实时监测

大气环境中以PM2.5污染问题最为突出。由于无线传威网络的迅速发展为大气环境的实时监测提供了便利条件,于是提出对PM2.5污染状况进行监测。首先,以大气光谱吸收原理为基础,将谐波检测技术与双光路差分法结合后对气体中的PM2.5颗粒浓度物进行检测。由于气体中颗粒物对光谱吸收受波长影响,通过利用激光器的调频特性对发射光源进行调整,获取的输出光信号与调制频率相关,从而得到谐波分量信号中的大气PM2.5颗粒物浓度。其次,运用无线传感网的网络路由器将信号传输到监测终端,并利用人工鱼群理论对目标区域的网络覆盖率、未休眠节点及系统能耗等进行优化,达到有效采集PM2.5浓度信号以完成污染状况监测的目的。实验证明通过对大气环境PM2.5污染状况的有效监测为雾霾治理提供了数据支持。     

星地结合的细颗粒物超标防控区精确识别方法

为精确识别细颗粒物(PM_(2. 5))浓度超标的区域空间,依据卫星遥感与站点监测在PM_(2. 5)浓度观测方面的特点,建立遥感反演数据与站点监测数据间的临界映射分析法,综合卫星遥感覆盖面广和站点监测准确性高的技术优势。通过该方法研究珠三角区域2013年灰霾污染过程的PM_(2. 5)浓度超标区域,结果表明,利用星地结合的方法可以精确识别出PM_(2. 5)浓度超标的区域空间;广州市西部和南部、佛山市大部、肇庆市主城区及东南部、东莞市西部和北部、中山市北部和中部、江门市主城区及东部是珠三角PM_(2. 5)污染的高发地区,应作为防控重点。     

基于物联网的大气环境PM2.5实时监测系统

大气环境中可吸入颗粒物(PM2.5)的实时监测是评价大气颗粒物的重要指标之一.基于物联网技术开发了PM2.5浓度检测系统.采用光散射法的PM2.5传感器获得大气环境中的PM2.5浓度值.传感器通过WiFi无线技术与网络路由器(WiFi热点)连接,网络路由器通过3G/4G移动网络与远程嵌入式ARM-Linux服务器连接.服务器基于C/S(客户端/服务器)模式实现了计算机与移动设备实时数据的查询.实验结果表明,该系统具有巡检时间短(20s)、自组织、多节点、灵敏度高等优点.     

灰色系统在大气质量预测中的应用

把大气环境看作一个灰色系统,联系重庆市大气环境的实际情况,利用灰色关联分析判断出重庆市2000-2005年间大气污染物中主要污染因子为PM10和SO2,同时建立灰色模型对其进行质量预测.短期预测结果表明大气PM10和SO2浓度呈下降趋势,其浓度分别到2009年和2012年可达国家二级标准.     

北京市夏季大气气溶胶 PM2.5和 PM10成分特征?

对北京市城区2012年夏季大气对气溶胶进行每日PM2.5和PM10石英膜采样,得到了可溶性离子质量浓度和16种元素的质量浓度,并结合气象观测值进行了分析.结果显示,采样期间,PM2.5质量浓度为9.58~210.42μg·m-3,平均值102.81μg·m-3;PM10质量浓度为33.75~288.33μg·m-3,平均值159.66μg·m-3.PM2.5和PM10质量浓度都与采样点能见度、风速呈负相关,与相对湿度呈正相关.质子荧光分析(PIXE)结果显示,S、K、Ca和Fe在PIXE可分析元素中含量较高,在PM2.5和PM10都占89%.且元素Ca、Ti、Sc、Cr、Fe主要存在于粗粒子(PM2.5~10)中,而元素S、Cu、Zn、As、Br、Pb主要存在于细粒子(PM2.5)中.富集因子分析表明,元素K、Ca、Ti、V、Mn、Ni主要为地壳来源,元素S、Cl、Cu、Zn、As、Br、Pb主要来自于人为源.SO2-4、NO-3、NH+43种可溶性离子总质量浓度占PM2.5浓度的43.5%,占PM10浓度的25.4%.     

土地利用与景观格局对PM2.5浓度的影响--以深圳市为例

以深圳市为研究区,利用空气质量监测站点PM2.5浓度数据,选取类型水平的景观类型所占比例(PLAND),边缘密度(ED),以及景观水平的蔓延度(CONTAG),斑块数量(NP)和斑块平均面积(AREA_MN)共5个景观指数,并结合道路长度、餐饮点分布数量、海拔和土地利用类型等影响PM2.5浓度的因子,运用相关分析和多元逐步回归分析方法,探究深圳市土地利用和城市景观格局对PM2.5浓度的影响。结果表明:1)土地利用中,植被对PM2.5浓度的削减起着至关重要的作用;2)城市各类型景观格局特征中,组成特征(PLAND)和结构特征(ED)对PM2.5浓度的影响显著;3)城市整体景观中,景观水平的破碎度与PM2.5浓度关系密切。研究结果可以加深对景观生态学中过程–格局相互作用的认识,为大气污染防治和城市景观格局的规划管理提供参考和借鉴,同时在监测数据缺失的情况下,提供一种借助景观指数估算PM2.5浓度的方法。     

中原城市群重点城市首要污染物日变化特征及成因分析

中原城市群重点城市是我国大气污染较为严重的区域之一。利用2017年河南省各地市环保局国控站点和地面监测站提供的首要污染物浓度和气象要素24h连续监测数据,分析得到2017年首要污染物占比和首要污染物浓度的日变化特征,采用相关分析法和主成分回归分析法得到各首要污染物之间的相关性及气象因子对首要污染物的影响。结果表明,2017年中原城市群重点城市首要污染物主要由PM2.5、PM10和O3组成;一天中,PM2.5呈双峰变化,主峰值出现在8:00-9:00,次峰值出现在22:00,谷值出现在下午16:00;PM10小时浓度呈三峰变化,主峰值出现在9:00,次峰值出现在1:00和21:00左右,主谷值出现在15:00,次谷值出现在0:00和5:00;O3小时浓度呈单峰变化,峰值出现在15:00,谷值出现在7:00左右;PM2.5在低温、高压、中等偏高的湿度、较弱风的条件下利于积累,PM10在低温、高压、中等偏高的湿度、较弱风的条件下易于积累,O3在高温、低压、中等偏低的湿度、强风的条件下易于生成与积累;对PM2.5、PM10浓度影响最大的两个气象因子是气温和气压,对O3浓度影响最大的两个气象因子是风速和气温。