基于LSTM与XGBoost组合模型电价预测

为准确预测电力市场中的短期电价,提出了基于LSTM和XGBoost的组合预测模型。为了验证LSTM-XGBoost模型的有效性,该文先选用法国电力市场2019年1月1日至2020年12月31日的电价数据为训练集训练模型,对2021年1月1日不同模型预测的结果与实际电价值进行对比,得到LSTM-XGBoost以RMSE为0.74的误差率低于BP、LSTM、XGBoost的3.80、1.25、0.88,然后将算法应用到美国PJM电力市场,结果表明本文提出的LSTM-XGBoost组合预测模型MAPE平均值为1.83%,明显低于单一预测模型,也显著低于GRU-XGBoost组合模型,表明并非所有模型单一组合都能有效提高预测精度,该文提出的LSTM-XGBoost组合模型有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测,再利用LSTM网络对残差进行校正,并将其与XGBoost模型结合,采用误差倒数法确定权重,构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验,实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。     

基于响应面法的充填体强度分析与预测

为了分析和预测砂灰比、料浆浓度、矿渣粉占比影响下的充填体抗压强度,采用响应面法对17组充填体试件进行单轴压缩试验,分析单因素及多因素交互作用对充填体3 d、7 d、28 d抗压强度的影响,优化材料配比,并建立基于残差连接长短期记忆网络（long short-term memory,LSTM）充填体强度预测模型。结果表明：砂灰比、料浆浓度、矿渣粉占比对充填体强度有显著影响,砂灰比与矿渣粉占比交互作用对充填体7 d、28 d强度影响显著;料浆浓度与矿渣粉占比交互作用对充填体28 d强度影响显著;为满足充填强度要求,经模型优化后充填体28 d强度为3.04 MPa,重复试验验证相对误差为3.12%;基于残差连接LSTM构建了以砂灰比、料浆浓度、矿渣粉占比为输入变量,充填体强度作为输出变量的预测模型。模型均方根误差（RMSE）为0.45,决定系数（R2）为0.999,平均绝对误差（MAE）为0.054。预测精度优于传统LSTM网络模型,能精确地预测充填体抗压强度。     

BP模型在强度预测中的应用

在分析普通混凝土强度影响因素基础上，选取混凝土配料中7个因素作为输入值，混凝土28d强度作为输出值建立了混凝土强度预测的BP网络模型；讨论模型的学习样本、网络参数对预测精度的影响，从而选出最佳网络参数配置，并提高模型预测精度。     

基于LSTM-RBF的水路货运量预测

水路运输是交通和货运的重要组成部分,水路货运量的预测对各地经济发展有重要意义。近年来随着经济形势的变化和多式联运的快速发展,水路货运量的数据波动加大,精准预测的难度变得更大。因此提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）和径向基神经网络（Radial basis function,RBF）的组合预测模型 。在LSTM-RBF预测模型中,第一阶段通过LSTM对各指标进行精准预测,减少指标值误差对目标值预测带来的影响;第二阶段训练RBF神经网络并在未来指标值的基础上对目标值（水路货运量）进行预测。该模型既避免了时间序列预测仅考虑单一影响因素的缺陷,又能够把LSTM的长时记忆优势带入到RBF的回归预测中。实验结果表明,LSTM-RBF预测模型在均方根误差和拟合度方面,均优于其他对比模型,该预测模型对水路货运量的预测有着较高的准确度。     

基于辐照量的光伏电站系统效率非稳态计算方法

基于实测数据,系统分析了日辐照量对光伏阵列转换效率、逆变器效率、光伏电站系统效率的影响,结合光伏电站结构分析了影响光伏电站系统效率的因素,建立了光伏阵列转换效率、逆变器效率与日辐照量之间的非线性模型,提出了一种基于辐照量的光伏电站系统效率的非稳态估算方法。结果表明：光伏阵列转换效率、逆变器效率随日辐照量的波动导致了光伏电站系统效率随日辐照量变化。该方法可用于计算电站的月或年总发电量,能够更加准确地计算出目标电站的系统效率并预测电站发电量,在光伏电站的效率分析、运营评估等工程方面有着良好的应用前景。     

基于深度学习和小波分析的 LSTM-Wavelet 模型股价预测

针对股价数据具有高噪声、非线性和非平稳性等特征,使得股价精确预测非常困难的问题,提出小波-长短 记忆网络(LSTM-Wavelet)模型应用于股价预测。 首先,利用小波(Wavelet)分解降低金融时间序列的不稳定性,并 分析小波系数的细节特征;接着,发挥长短记忆网络(LSTM)模型的优势,深层挖掘小波系数中的长期依赖关系,对 分解后的各层小波系数分别建模预测;最后进行预测小波系数的数据重构。 使用中石油近两年的股价数据进行实 证分析,以每个交易日的开盘价、最高价、最低价、交易量为特征输入,预测当日中石油的收盘价。 结果表明:相较 于标准 LSTM 模型和小波- ARIMA (ARIMA-Wavelet)模型,提出的 LSTM-Wavelet 模型有更好的预测效果; 通过 小波分析将复杂股票数据,分解为长短记忆网络(LSTM)容易识别的小波系数,根据各层小波系数不同的数据特征 进行分层预测,提高了预测精度。     

基于Barton-Bandis非线性破坏准则的岩体强度预测

为了采用Barton-Bandis模型描述岩体特征,并将其参数应用于数值计算中,探讨Barton-Bandis参数到Mohr-Coulomb准则参数的转换,研究Barton-Bandis参数对Mohr-Coulomb参数的影响。研究结果表明:Barton-Bandis参数到Mohr-Coulomb准则参数的转换方法方便有效;随着节理粗糙系数JRC和节理压缩强度JCS的增大,Mohr-Coulomb参数粘结力c和内摩擦角φ均呈现非线性增大,可通过指数方程对其关系进行拟合;JRC的变化对粘结力的影响大于其对内摩擦角的影响;JRC对岩体剪切强度的影响大于JCS对岩体剪切强度的影响。     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM(long short-term memory)和XGboost (extreme gradient boosting)的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他4种单一预测模型,组合模型具有更高的预测精度。     

Vapor online monitor model of vapor power station based on UML

We presents a vapor online monitor system model of vapor power station developed by visual tool rational rose 2000. Use cases such as on line instrument (onlineinstr), control, query, report, real database (realdb) and alarm are generated according to the system requirements. Use case view and class view of the system are formed at the same time. As for all the UML models of the system, this paper focuses the discussion on the class view, the component diagram of the control class and the sequence diagram of the query class. Corresponding C++ codes are produced and finally transferred into the spot running software. Foundation item: Supported by the Scientific Item of National Power Company (No. SPKJ016-017). Biography: Jin Ye (1965-), male, Ph. D candidate, research interests: computer applied technology.     

用于光伏并网的组合级联式功率转换系统复合功率控制策略研究

根据光伏电站并网要求,分析了HC-PCS拓扑结构及特点,提出HC-PCS对光伏电站有功与无功综合补偿的复合功率控制策略.该复合控制策略兼顾光伏电站的有功平滑和电压稳定需求来确定HC-PCS的输出电流参考值,对HC-PCS输出有功与无功补偿进行协调控制,同时附加变化率控制,充分利用其快速功率调节特性,并且对电池充放电进行保护.对所提出的控制策略进行了仿真验证,结果表明,基于电池储能的HC-PCS可有效改善光伏电站并网特性,有助于提高光伏电站的低电压穿越能力,并对电网提供一定的动态无功支撑.     

不同时间尺度下大型光伏电站自动功率控制算法研究

当前大型光伏电站自动功率控制算法没有针对不同时间尺度进行相应的功率控制,且易受到光照的影响,导致功率控制效果不佳,稳定性较差。为此,提出一种新的不同时间尺度下大型光伏电站自动功率控制算法,给出大型光伏电站功率分层控制系统结构。在用电量相对较高的时间尺度下,采用平均分配算法对大型光伏电站功率进行自动控制;在用电量相对较低的时间尺度下,采用关停光伏逆变器技术和开启光伏逆变器技术对大型光伏电站功率进行控制。在保证大型光伏电站功率平稳过渡的情况下,给出关停逆变器技术的实现过程。当光伏阵列中的某一阵列接收到的发电功率目标值呈上升趋势时,开启逆变器。实验结果表明,所提算法不仅控制效果佳,而且稳定性高,不易受到光照的影响。     

基于MATLAB的电站优化设计

建立了一种切实可行的数学模型,通过对模型的分析最终得出了符合设计要求的最优方案,即利用最小二乘法达到实时调节各电站的出力,并且利用MATLAB强大的编程和计算能力对模型进行推广.     

基于隐马尔科夫模型的浏览路径预测

基于马尔科夫模型的浏览路径预测，仅仅从用户的浏览会话本身出发来预测用户下一步的链接，并不能捕获用户的真正兴趣所在。运用隐马尔科夫模型来分析用户浏览网页的内容，可进一步捕获用户的浏览兴趣，并作下一步的链接预测。当浏览序列长度逐渐增加，系统捕获的用户浏览信息越来越多，此时能够折射出用户的兴趣所在，预测准确率也逐步增加。当浏览序列长度大于或等于8时，预测准确率已经到达80％，提高了预测准确率。     

Convex decomposition of concave clouds for the ultra-short-term power prediction of distributed photovoltaic system

Concave clouds will cause miscalculation by the power prediction model based on cloud features for distributed photovoltaic (PV) plant.The algorithm for decomposing concave cloud into convex images is proposed .Adopting minimum polygonal approximation ( MPP) to demonstrate the contour of concave cloud , cloud features are described and the subdivision lines of convex decomposition for the concave clouds are determined by the centroid point scattering model and centroid angle func -tion, which realizes the convex decomposition of concave cloud .The result of MATLAB simulation indicates that the proposed algorithm can accurately detect cloud contour corners and recognize the concave points .The proposed decomposition algorithm has advantages of less time complexity and decomposition part numbers compared to traditional algorithms .So the established model can make the convex decomposition of complex concave clouds completely and quickly , which is available for the existing prediction algorithm for the ultra-short-term power output of distributed PV system based on the cloud features .     

基于BP算法的成绩预测模型

BP网络是一种典型的多层前向网络,由输入层、隐含层和输出层组成,通过学习样本训练模型后即可用于数据的预测,适用于实现网络教学系统的成绩预测功能。训练样本作为BP网络的学习数据集,对于BP网络模型的训练具有重要的作用。模型选取网络教学系统中能够影响学习成绩的相关因素作为输入数据,包括学生在线学习时间、学生学习能力、作业成绩和测试成绩,利用已有学生成绩作为训练BP网络的期望输出。将这些数据进行归一化处理即可用于训练BP网络模型。训练过程中,全局误差基本呈下降趋势,收敛效果较好。经过训练后的模型可预测出学生的成绩,并转化为相应的等级,对学生下一步学习进行指导,提出适合的教学策略。通过测试表明该模型可以用于教学系统中的学习成绩预测,获得了预期效果。     

基于多灰色预测模型对比的高速公路路基沉降量预测

高速公路路基沉降量的预测不仅关系着高速公路的施工质量与服务水平,同时对高速公路的行车安全也有重要影响.根据路基沉降量的实测资料,通过多种灰色预测模型对路基沉降量进行了数据规律分析及精度对比,选取了最优的灰色预测模型对路基最终沉降量进行预测.为路基稳定性的评价与路基沉降的控制应对提供了参考.     

基于嵌入式系统的小型太阳能电站控制器的研制

介绍了一种以ARM7的嵌入式系统芯片S3C44B0为核心的新型太阳能电站控制器,阐述了控制器的整个设计过程,对充放电电路进行了详细的分析,最后给出了控制器的各项性能指标．与以往的太阳能电站控制器相比,此控制器结构简单、可靠性高、成本低,解决了通信基站及边远地区的农、牧民用电问题,并且符合国家标准的要求．     

储能型准Z源光伏发电系统级联模型预测控制

针对传统有限集模型预测控制(FCS-MPC)存在权重因子整定繁琐的问题,提出一种级联模型预测控制(SMPC)策略,实现了电池储能型准Z源逆变器(BES-qZSI)光伏并网系统的无权重因子模型预测控制.首先,建立了三相BES-qZSI光伏并网系统的离散化状态空间模型;其次,采用分层优化建立了级联的电抗器电流价值函数、并网...