清江梯级水库群联合优化调度图研究

针对清江梯级水库群中长期调度问题,根据最优凋度结果确定了调度图的型式,引入了可能出力的概念,对水库群进行聚合,建立梯级总出力与梯级可能出力之间的关系.然后根据总出力是否为保证出力进行决策分解,由此采用一连串的二维水库调度图来描述水库群的联合调度规则.基于模拟调度.建立了优化模型,采用多目标遗传算法NSGA-Ⅱ进行优化计算,得到较好的联合优化调度图.模拟计算表明:对于1951～2005年实测径流系列,若采用梯级水库群联合优化调度图较常规调度方案年均发电量增幅可达2.62%;对于两种随机模拟方法生成的水文径流系列,若采用梯级水库群联合优化调度图,年均发电量可分别提高1.77%和2.52%,理论上经济效益显著.     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

多尺度多模型的梯级水库优化调度决策支持系统

梯级水库群优化调度因来水预报不确定性强、水库群优化变量维数高、决策评估目标多等特点,一直是学术界和工程界的研究热点.本文分析了不同时间尺度的水文预报模型与优化调度模型的基本特征与数据需求,建立了多尺度多模型的梯级水库优化调度决策支持系统.该决策支持系统将数值天气预报的有效预报期(15d)作为短期调度模块与中长期调度模块的时间分界.短期调度模块采用数值天气预报降水量和数字流域模型预测未来15d的日径流过程,使用预报结果进行短期的梯级水库优化调度;中长期调度模块采用基于自回归和遥相关的组合预报模型,预报未来1年的月径流过程,用于中长期的优化调度.本文采用面向服务的软件架构(SOA),将年、月和日尺度的预报和调度模型集成,构建决策支持系统,可以实现多时间尺度的水情滚动预报和梯级水库优化调度.本系统在黄河上游干流梯级水库群和大通河流域梯级水库进行试验应用,结果表明该系统能够快速集成分析相关水情数据,开展梯级水库优化调度演算,及时为决策者提供清晰有效的决策辅助信息.     

小型水库群优化调度的分期空库系数法

以等空库系数法为基础,提出一种以弃水量最小为目标函数的小型水库群简易优化调度方法——分期空库系数法.将一个水文年度分为枯水期和丰水期两个分期,任一时刻某水库的空库系数反映了该水库在该时刻的供蓄水能力.时段初各水库分期空库系数的大小决定了库群中各库的蓄放水次序,在满足约束条件的同时时段末保持各库空库系数相等,由此实现水库群的优化调度.     

水电站群随机优化调度方法的研究

本文应用大系统随机控制理论,提出了面临时段有径流预报且预报可信度高,和无径流预报或预报可信度差时,水电站群长期优化调度随机递阶控制方法。它不仅可同时考虑水电站群入库径流、水库蓄放水序列间的时空随机相关,避免了“维数灾”,而且给出了简单易行的水库群最优放水决策规则,以便对水电站水库群调度实现计算机控制。算例表明,该法是解决入库径流、水库蓄放水时空随机相关多目标多水库非线性优化调度问题的一条新途径。     

金沙江梯级水库发电优化调度研究

以金沙江干流梯级水库群为研究对象,建立了兼顾保证出力要求以发电量最大为目标的梯级长期优化调度模型,利用遗传算法求解,同时还考虑了虎跳峡龙头水库的补偿调节作用,结果显示,梯级优化联合调度的效果更好,虎跳峡水库的补偿作用较为明显．     

基于ESMD-BP神经网络组合模型的中长期径流预报

径流预报的精度直接关系到流域水资源优化配置与综合利用的效益最大化.针对径流序列非线性、非平稳、直接预测精度低的特点,首次利用具有自适应性特点的极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法对径流序列平稳化处理,结合可逼近任何非线性映射的误差反向传播网络(Back Propagation Neural Network,BP神经网络),建立ESMD-BP神经网络组合预报模型,并将其应用于黄河上游龙羊峡水库入库站唐乃亥站月径流和旬径流预报.首先,利用ESMD方法将径流序列中不同尺度的分量和趋势分量逐级提取出来,甄别了大尺度循环和非线性趋势;进而,分析径流周期和趋势变化规律;然后,利用BP神经网络将非平稳径流序列的直接预测转化为平稳的模态分量和趋势余项的预测,加和重构得到最终预测结果.并与单一BP神经网络、经验模态分解(Empirical Mode Decomposition,EMD)与BP神经网络组合模型作对比,结果表明:ESMD-BP神经网络组合模型的预报误差最小、预报精度最高.组合模型为"分解→预测→重构"模式,结合了EMD数据自适应分析和BP神经网络非线性映射的优点,提高了径流预报的准确率,为水文预报精度的提高开辟了新思路.     

基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。     

汉江上游梯级水电站水库优化运行研究

根据汉江上游石泉、喜河、安康梯级水电站水库群的特点和任务,分别以梯级水电站发电量最大和发电效益最大为目标函数建立优化模型,将逐次逼近动态规划法(DPSA)与逐步优化算法(POA)相结合求解模型,获得梯级水电站长系列优化运行结果.结果表明,梯级水电站水库群优化运行能够充分发挥水库的补偿作用,相比梯级水库群常规调度和单一水...     

分区优化控制在水库群优化调度中的应用

以长江中上游15座骨干水库组成的大规模混联水库群联合发电优化调度问题作为研究对象,提出一种新的优化控制方法,其思路是:从流域梯级大规模电站群整体优化角度出发,以总发电量最大为目标建立大规模水库群分区优化调度模型,根据电站所属流域相对位置以及其水力补偿关系进行虚拟分区,以控制区内电站群子系统为对象进行分区优化控制;在此基础上,采用约束廊道法有效解决长期发电优化调度问题中的多约束耦合问题.将该方法应用到长江中上游大规模混联水库群联合发电优化调度问题的求解中,结果表明:所提出的方法求解精度高、时效性好,具有较强的工程实用性,为求解高维、复杂梯级水库群优化调度问题提供了一种新思路.     

基于经验模态分解的CEEMDAN-FE-LSTM传染病预测

针对现有的传染病预测模型未充分考虑到时间序列的复杂度,提出了一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和模糊熵（FE）改进长短时记忆网络（LSTM）的传染病组合预测模型.首先,运用CEEMDAN算法将序列分解成若干个不同频率的模态分量与残差分量,以降低原始时间序列的复杂度;然后,运用FE算法计算各分量的时间复杂度,并将其重构为不同尺度的序列以提高运算效率;最后,建立LSTM模型对重构序列分别进行预测,得到最终预测结果.根据2010年1月至2021年12月肺结核、乙肝、布鲁氏菌病和艾滋病发病数据进行模型预测,并与SARIMA模型、CEEMDAN-FE-SARIMA模型和LSTM模型进行对比.结果表明,提出的模型较常规模型可以更好地把握传染病发病的变化规律,降低时间序列的复杂度,提高传染病预测精度.     

基于SA-DBN的超短期电力负荷预测

针对超短期电力负荷预测,提出一种使用集合经验模态分解与样本熵对原始数据预处理,再用模拟退火算法优化深度置信网络的组合模型进行预测.为了减小时间序列数据因自相关性导致预测值滞后于真实值,对原始序列采用EEMD分解,根据各序列的SE值将序列重构,再使用SA对DBN各隐含层节点数寻优构成的SA-DBN模型对重构后的序列分别预...     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

考虑生态流量的梯级水库柔性决策研究

研究了生态流量对梯级水库调度柔性决策的影响,建立了以梯级水库发电量最大和满足发电保证率为目标,且考虑河道生态用水的水库优化调度模型,借鉴异轨同效研究成果,采用了改进的动态规划法对模型进行求解.结合调度中发电量、弃水量和发电保证率与生态流量相关关系,分析了生态流量对水库调度决策空间的影响,验证了改进动态规划法在水库调度应用中的稳定性.结果表明:生态流量的变化改变了水库调度的决策范围,尤其是枯水期水库调度的决策范围,而改进的动态规划法能在决策空间改变情况下产生稳定合理的计算结果.     

基于花朵授粉算法的组合式风速预测

针对风速的波动性导致风电功率不稳定,严重影响电力系统的安全、稳定运行等问题,提出一种基于风速数据分解的组合式模型,该模型首先利用集合经验模态分解法将风速序列分解为频率不同的若干个分量,降低了风速序列的非平稳性。然后利用花朵授粉算法优化BP(back propagation)神经网络构建预测模型,预测各个分量的变化趋势。最后将各个分量的预测值进行叠加组合得出最终的风速预测值。仿真结果表明,所提出的组合式模型平均绝对误差控制在0.2 m·s~(-1)以内,在风速预测方面有较高的预测精度,具有广阔的实际应用前景。     

基于多种径流预测耦合模型的流域月径流预测优选研究

为了提高径流预测的准确性,以澄碧河流域坝首站1979-2019年共41 a的实测月径流序列为例,在优选Elman神经网络模型、支持向量机模型、BP单一预测模型的基础上,分别耦合经验模态分解(EMD)、集合经验模态分解(EEMD)和经验小波变换分解(EWT),选取纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析。结果表明：相对于Elman神经网络模型和SVM模型,BP模型的预测效果较好;耦合预测模型预测精度都优于单一模型。耦合模型中,EWT-BP的纳什效率系数为0.91,预报等级为甲级,预测精度优于EMD-BP和EEMD-BP。采用数据预处理技术生成平稳序列,可有效减少原序列存在非线性和不稳定性特征的影响,并有利于提高流域水文模型的径流预测能力。     

实现水量交换的深圳市中西部水库群优化调度研究

在分析提高城市供水保证率、减少缺水量、实现公明水库战略储备水资源需求的基础上,建立了多目标水库群供水联合优化调度模型,将多目标优化模型转化为单目标模型,采用决策动态优选的自适应算法求解模型,结论为:深圳市中西部城市供水保证率达到98%,高于设计保证率97%,满足供水需求;公明水库多年平均交换水量为7.230×107 m3,占到储备库容的近60%,多年平均蓄满周期为1.62年,实现了战略储备水量目标;得到了北线引水给各水库补水比例分别为茜坑17.7%,鹅颈8.8%,石岩51.1%,剩余22.4%水量蓄入公明水库作为储备水量。研究成果对深圳市中西部水库群联合供水和保障水库水质安全,以及发挥生态环境和社会效益具有重要作用。     

基于变分模态分解和神经网络的风速组合预测

风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition, VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy, SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine, SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。     

基于TVF-EMD-PSO-GRU的月径流模型与应用研究

准确的径流预测在水资源规划和管理中发挥着重要作用．然而，受气候变化和人类活动等因素的影响，径流形成过程十分复杂，具有高度的非线性和非平稳性，更增加了径流预报的难度．为提高月径流预测精度，提出了基于时变滤波器的经验模态分解(TVF-EMD)和结合粒子群优化算法(PSO)的门限循环单元(GRU)的混合模型(TEPG)．首先利用TVF-EMD将原始月径流序列分解为若干个固有模态函数(IMF)，然后再利用PSO-GRU模型分别对每一个IMF进行预测，最后将每个IMF的预测结果相加得到原始月径流序列最终的预测结果．以黄河干流4个代表性水文站(包括唐乃亥站、头道拐站、花园口站、利津站)为研究对象，应用该模型对这4个测站的月径流进行单步预测研究，并与PSO-GRU(PG)模型、基于互补经验模态分解(CEEMD)的PSO-GRU(CPG)模型和基于经验模态分解(EMD)的PSO-GRU模型(EPG)进行对比分析．选用纳什效率系数NSE、相关系数R、均方根误差RMSE、预报合格率QR及预报精度等级等评价指标对模型预测精度进行评价．结果表明，与PG模型、CPG模型、EPG模型相比，TEPG模型具有更高的预...     

基于深度时间卷积神经网络的风电功率预测

为了提高风力发电预测的准确性,依据某近海地区风电场出力数据,提出基于深度时间卷积网络的风电功率组合预测模型;利用自适应集成经验模态分解对风电功率序列进行特征提取,得到若干本征模态分量,通过排列熵相关理论计算各模态分量的复杂度,根据复杂度进行序列重构,并输入至改进余弦退火算法优化的深度时间卷积网络中进行风电功率分析与预测...