基于风速数值预报的两种风电功率预测方法

针对风电场风功率预测,根据2011年11-12月的北方某大型风电场132台风机的实测风速资料与输出功率资料,以及BJ-RUC数值预报模式在该风电场风机高度(50 m)的预报风速资料,探讨了2种利用神经网络将风速数值预报转化为风功率预测值的途径:1)利用神经网络对风速数值预报进行预测后延误差动态订正,以订正后的风速预测风功率;2)用风速的数值预报值直接与风功率输出建立神经网络模型的释用方法。根据该风电场的实测资料和BJ-RUC模式输出资料,对0-4 h的风功率预报进行了试验,结果表明2种方法相较直接使用BJ-RUC模式风速得到的风功率预报效果有明显改进,第1种方法,风速的绝对误差下降了48.7%,风功率的平均绝对误差下降了58.2%,第2种方法,风功率的平均绝对误差下降了60.4%。     

基于BP神经网络的风速观测资料序列订正模型

利用甘肃省河西地区敦煌、酒泉、民勤3个站点2004-2007年自动观测与同期人工观测系统的风速观测资料,采用BP神经网络建立了人工观测风速观测资料序列的订正模型,并进行了模拟效果检验.结果表明:利用BP神经网络建立的订正模型能对风速观测资料进行较高精度的订正,3个站点风速拟合差值相对于原差值明显减小,订正结果与自动观测资料的相关系数均在0.90以上.各个站点的平均相对误差较小,在12%以下,且订正模型的稳定性和可扩展性较好;各个站点的平均相对均方根差为3.20～3.84,效果良好,可为建立均一性时间序列的风速观测资料提供参考.     

基于改进最小二乘支持向量机方法的短期风速预测

为了进一步提高短期风速预测的精度,分析了一种改进的风速预测方法.该方法考虑风速发生变化的极值点对总体预测误差的影响,以及预测曲线较实际曲线产生的滞后,分别对预测数据进行了极值点修正和偏移量处理.在对未来1 h风速进行预测时,相比粒子群优化(PSO)的最小二乘支持向量机(LS-SVM)模型、未经优化的LS-SVM模型及反向传播(BP)神经网络模型,所提出的模型具有较高的预测精度和运算速度.算例结果表明,改进的LS-SVM算法是进行短期风速预测的有效方法.     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

基于Copula EDA优化BP神经网络的表面粗糙度预测

为了提高预测机械加工表面粗糙度的精度,提出了基于Copula分布估计算法(estimation of distribution algorithm,EDA)优化BP神经网络的方法.以铣削45#钢为试验对象,采用控制变量法进行切削试验.在线测量主切削力、轴向力、径向力和振幅,并进行数据处理,得到相应切削力的平均值、标准差、均方根值及振幅,同时离线测量二维粗糙度R_a、三维粗糙度平均值S_a和均方根值S_q.对切削分力的平均值、标准差、均方根值及振幅与粗糙度做相关性分析,选择Kendall秩相关系数最大的主切削力平均值作为输入变量,输入BP神经网络和基于Copula EDA优化BP神经网络,进行训练和预测.试验结果表明:基于Copula EDA优化BP神经网络的预测精度总体高于BP神经网络的预测精度,对R_a,S_a和S_q的平均预测精度分别达到91.98%,91.03%和89.10%.     

铁矿石烧结性能预报模型

研究了铁矿石烧结性能的评价指标及其主要影响因素, 提出了误差修正的带动量项的线性再励自适应变步长BP神经网络算法, 建立了铁矿石烧结性能预报模型. 模型预报结果表明, 用拓扑结构为12-34-4的BP神经网络训练6 700次后, 神经网络训练误差为0.000 187, 模型预报命中率均达83.5%以上, 模型具有很好的泛化能力和自适应能力.     

基于卡尔曼滤波法的福建沿海风电场风速订正

为进一步提高福建沿海风电场短时风速预报的准确性,运用卡尔曼滤波递推方程组对2017年9月至2018年4月福建中部沿海某测风塔不同预报时效和不同高度层下的风速进行订正,并通过误差分析来探究卡尔曼滤波法对福建沿海风电场短时(0～9h)预报风速的订正效果,以2017年10月和2018年3月作为典型月作进一步分析.结果表明,订...     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

人工鱼群神经网络在热连轧卷取温度预报中的应用

卷取温度预报结果对热轧带钢的成品性能具有重要影响。人工鱼群算法是新近提出的寻优策略,具有良好的克服局部极值、获得全局极值的能力。建立了一种人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,并将该神经网络用于卷取温度预报。通过某钢厂现场实测数据对该模型进行离线训练和对比测试,结果表明,该方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的预报效果;该模型能够精确预报卷取温度,可用于离线学习和预报,为在线应用打下良好基础。     

基于静态与动态神经网络的运河水位预报

以杭州市上塘河运河为例,分别建立自回归、静态时延神经网络及动态反馈神经网络模型预报受闸门及泵站影响的城市河道未来1~3,h的水位变化,并对模型预报误差、不同水位区间下的误差-频数关系及训练数据的不确定性进行分析.研究结果表明:在预见期1~3,h内,时延神经网络预报效率系数均达到0.9以上,比自回归模型分别提高1.34%,、5.57%,和6.86%,,比动态反馈网络分别提高0.21%,、1.97%,和1.98%,;动态网络模型在人为调控的影响下仍能通过训练模拟出降雨径流关系,对数据具有更好的自学习与调适能力;时延神经网络模型随数据减少预测精度也减少,在仅保留1个洪水场次下效率系数最大降低8.05%,,而动态反馈网络效率系数随训练数据量变化基本在0.11%,内波动,因此在数据量较少的情况下宜建构动态模型.     

动量守恒定律和动量矩守恒定律的正确表述

现行力学教材和普通物理教材大都把动量守恒定律和动量矩守恒定律视为质点组动量定理和动量矩定理的推论，忽视了守恒星的本质意义，是不正确的．本文绘出正确表述．     

提高作物耐盐力,增加农产品产量

由于土壤盐渍化严重影响着农业生产的发展,提高作物的耐盐力显得更为重要。本文论述了主要作物的耐盐特性及提高作物耐盐力的几条途径。     

社会主义法治理念的背景及内涵分析

社会主义法治理念的提出有其深刻的历史和现实背景。从总体来看,其概念包括理念、法治、法治理念、社会主义法治理念四个层面;从具体来看,其内涵包括依法治国、执法为民、公平正义、服务大局、党的领导等五个内涵。这五个内涵的视角、地位和功能不同,但他们都以社会主义法治为主线,以"理念"为经,以"社会主义法治"为纬,相互协调,和谐共生。     

谈判一般原理在费率听证与外部性听证方面的应用

谈判的一般原理可以应用到两种具体的谈判过程，即费率听证和外部性听证．费率听证会是收集对公用事业服务的市场需求、成本和技术的信息机制．费率听证强调两个重要的制度安排．一是费率制定过程涉及有关当事人之间的敌对互动关系；二是费率管制的次优程序．对外部性的管制通常包括建立和实施总量标准．总量标准的实施，对收入分配和资源的有效配置都可能产生重大的影响．因此，总量标准的建立是讨价还价的重要领域．     

射影平面上二阶曲线方程的化简问题

讨论二阶曲线方程在射影平面上的化简问题,并给出化简的方法.     

水沙数学模型的认知与建立

针对模型认知、选取、网格划分、参数设定、模型率定和验证等方面对水沙数学模型国内外研究成果以及应用经验进行总结归纳,并指出常见误区。水流泥沙数学模型的建立应当以能够反映客观物理过程为出发点,模型使用者需要掌握一定的水流泥沙基础知识,充分了解研究区域的水流泥沙运动情况,合理高效建模。     

解析债权人撤销权的概念

债权人撤销权是我国民法中保护债权人利益的一项重要制度,深刻理解债权人撤销权的概念对于债权人准确适用债权人撤销权制度具有重要意义。通过对债权人撤销权的性质、特征及相关概念的比较对债权人撤销权的概念加以阐述,以期债权人能利用此制度更好地保护自身利益。     

相对瞬心的动量矩定理

以瞬心为参照点,根据相对于固定点的动量矩定理,导出了相对于瞬心的动量矩定理。     

赝功能原理

主要讨论赝功能原理的意义;重点讨论赝功的意义;对“赝功不是真实功”的常论,提出了新的观点,并做了分析探讨。     

关于Durrmeyer算子的函数类逼近

应用概率论的某些结果讨论了Ｄｕｒｒｍｅｙｅｒ算子的函数类逼近，给出了Ｅ（Ｃω（Ｍ），Ｍｎ）和Ｅ（Ｃ（Ｍ，Ｍ１），Ｍｎ）的上、下界估计．