某地区农村电力市场调研

本文主要通过对农村用电现在的调查和对历史用电量的分析来了解农村电力市场的发展现状和发展方向,并通过对典型农村的分析来了解农村电力市场和完善农村供电工作。     

基于蛙跳算法的改进支持向量机预测方法及应用

针对支持向量机在中长期负荷预测中关键参数选择的问题,引入蛙跳算法(SFLA)以优化基于支持向量机的中长期负荷预测算法,解决支持向量机参数选择问题。以对中国能源消费总量预测为例,对本文提出的改进算法进行验证。以1979—1999年的能源消耗量作为样本,对2000—2009年能量消耗量进行检验。研究结果表明:引入蛙跳算法后,与用粒子群(PSO)算法改进的支持向量机以及普通支持向量机方法相比,改进支持向量机预测精度分别提高2.34%和3.21%,算法运行时间分别增加51 s和109 s。     

渭干河-库车河三角洲日照时数变化特征

根据渭干河-库车河三角洲3个气象站50年(1960-2009)逐月日照时数资料,建立渭干河-库车河三角洲年日照时数序列,利用线性趋势估计、3年滑动平均、距平与累积距平、滑动t检验和灰色预测等方法,全面分析了渭干河-库车河三角洲50年来日照时数变化的基本特征.结果表明:(1)50年间,渭-库三角洲年日照时数呈增多趋势,其...     

精神专科门诊患者及家属就诊需求调查

目的了解门诊患者及家属就诊需求,提高门诊服务质量。方法自行设计问卷调查表,调查2010年7月门诊患者及家属235例,内容包括医疗、护理服务、连续服务、健康教育、心理社会需求和就医环境等,共20个条目。结果患者组与家属组比较,除需求第8项和需求第19项差异有统计学意义,其余的需求差异均无统计学意义。患者组按性别、年龄、住址比较,各需求均无差异,按文化程度初中以下与高中以上比较,需求第13、14、17、18、20项差异有统计学意义,其余的需求差异均无统计学意义。结论提高医疗护理服务质量,加强连续服务,重视健康教育及关注患者心理,满足门诊患者及家属多层次需求。     

2017年经济景气形势监测、分析与预测

我国月度经济景气波动从2015 年12 月开始进入新一轮短周期,出现稳中向好态势。本轮短周期的峰顶转折点在2017 年3～4 月出现是大概率事件。2017 年4 月以来的经济景气下滑可能会持续到2018 年2 季度,但下降幅度不会太大。经济运行有望在新的景气水平继续保持大体平稳的运行态势。预测2017 年GDP增长率将达到6.8%左右,CPI上涨率为1.6%左右,新常态下经济和物价周期波动的“微波化”特征将更为鲜明。     

动态跟踪的实时校正TANK模型在河系预报中的应用

水文现象受到气候因素和自然地理条件的综合作用而发生变化.现有模拟水文现象的水文模型种类较多,模型结构也千差万别,一个合理、完善、实用的水文模型一般模拟精度都能达到80%~90%,然而,想继续提高模拟精度就很困难了,这部分模拟精度的提高已经与模型本身的结构和细节关系较小,这是一般性水文规律与特殊现象之间的矛盾.通过传统预报模型TANK模型、马斯京根分段连续演算模型,建立了单位流域演算、单一河段演算、"先演后合"和"先合后演"4种预报方案的结合,形成了预见期达24 h的河系预报方案,并加入动态跟踪的实时校正模型,不仅提高了各单一方案的预报精度,而且大幅度提高了河系预报方案的总体精度.     

RBF-AR模型在三峡水电站上网日电量预测中的应用

针对水电站上网日电量数据的非线性特征,采用状态相依自回归(state-dependent autoregressive,SD-AR)模型对数据进行描述。用高斯径向基函数(radial basis function,RBF)神经网络来逼近SD-AR模型的函数型系数,采用一种结构化非线性参数优化方法 (structured nonlinear parameter optimization method,SNPOM)来离线辨识RBF-AR模型系数,并利用此模型对数据进行预测。通过对三峡左岸和右岸水电站上网日电量真实数据进行训练和测试,并与其他经典算法进行比较,验证了RBF-AR模型在不确定条件下的预测准确性和可行性。     

基于多源降水融合驱动的WRF-Hydro模型在中小河流洪水预报中的适用性

从提高驱动数据(降水)的质量和时空分辨率出发,评估了基于混合地理加权回归截尾函数(MGWR-BI)多源降水融合算法的有效性,以及融合降水对WRF-Hydro模型计算结果的影响。将融合降水数据用于WRF-Hydro模型中进行子午河流域的洪水预报,并与站点实测降水数据进行比较,结果表明,融合降水的精度高于原始CMORPH卫星降尺度降水,融合降水数据驱动WRF-Hydro模型比CMORPH卫星降尺度降水数据能更好地预报与模拟洪水事件,WRF-Hydro模型具有中小河流洪水预报的潜在优势。     

基于改进深度森林的短期电力负荷预测模型

深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题。针对这些问题,文中将深度森林模型引入短期电力负荷预测领域。在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征。此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度。最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性。从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度。     

采用径向基神经网络的卫星网络申报趋势分析方法

将径向基函数(RBF)神经网络应用于卫星网络申报趋势分析,构建基于RBF神经网络的趋势量化分析方法,改变当前主要依赖专家经验分析申报趋势的现状,为卫星网络申报趋势的评估提供量化指标.首先,梳理当前卫星网络申报的业务特点;然后,对主流预测方法进行分析,提出基于RBF神经网络的申报趋势分析方法;最后,通过实际申报数据进行算法验证.结果表明:文中方法对卫星网络申报趋势的预测误差总体小于20%,对实际申报工作具有指导意义.