基于GA-BP的输电线路负荷预测研究

输电线路负荷预测的核心任务是根据以前负荷数据的变化规律推断出未来的发展趋势.输电线路负荷预测对于节约用电、发电机组的维护与保养、实行电网经济调度、保障生产和生活用电的稳定都具有重要的意义,是电力系统调度、用电和计划部门的重要工作.文中提出一种基于GA-BP的输电线路负荷预测研究方法,选取了日最高和日最低环境温度作为模型...     

输电线路铁塔设计与投资分析

本文介绍了输电铁塔的结构设计理论,铁塔选型及其影响因素,通过对输电铁塔的各要素计算,选择最优值来达到投资最低,效益最大的目的。     

基于改进机器学习算法的微电网短期负荷预测

为了对具有基数小、波动大及随机性强等特点的微电网负荷进行准确预测,提出了一种基于改进的机器学习算法。该算法包括基于蚁群算法的模型参数寻优和基于改进核函数极限学习机的预测模型2部分。首先,对蚁群算法信息素的作用方式进行了改进,并将训练误差用于计算蚁群个体的新增信息素,从而得到最优的模型参数。其次,采用基于加权离散距离的方法对训练数据进行筛选,留下相似度高的训练样本对核函数输出权重进行训练,从而减少计算量,提高预测精度。用某小区高层楼宇的电网历史负荷数据,在Matlab中对算法进行仿真验证,结果表明预测算法能较好地实现微电网的负荷预测。     

高压输电线路工程插入式角钢的安装方法

科学技术的实践离不开工法,而科技的创新很大程度在于工法创新,应用的技术方案不同,制定不同的工法,产生的结果和效果也将不同.输电线路基础插入式角钢的安装较为复杂,在施工过程中方法的选择尤其重要,稍有不慎将造成返工,选对方法将会达到事半功倍的效果.该文以巴西 ±800 kV美丽山二期线路工程和印尼500 kV玻雅线路工程为...     

浅谈架空输电线路工程管理

架空输电线路工程管理即工程花工的安全管理、质量管理、进度管理、档案管理和涉及的几个重要问题.随着海南省城市建设的快速发展,电网建设的步伐也在不断地加快,特别是在架空输电线路工程建设方面,工程施工点多,建设范围广,投入物力、人力多,对现场的安全、质量管理存在众多难点.本文从建设方项目管理负责人的工作角度,来抓好架空输电线路的工程管理工作,以及配合做好南网基建一体化管理工作,谈谈工程建设管理的方法.     

变电站输电线路工程质量管理及控制

文章通过对变电站输电线路工程质量管理的程序进行了阐述,对变电站线路工程质量的控制过程进行了重点的分析,并对变电站线路工程质量控制过程有针对性的提出了相应的措施和建议。     

基于机器学习的改性沥青黏弹性预测

为利用机器学习方法预测改性沥青黏弹性,分析不同预测模型适用性和预测精度,测试了胶粉（CR）改性沥青、SBS改性沥青和废旧塑料（PE）改性沥青不同温度和频率下的复数模量.选择人工神经网络（ANN）、稳健线性回归（RLR）、线性支持向量回归（LSVR）、决策树回归（DTR）、高斯回归（GPR）和集成回归（ER）6种机器学习方法预测三种改性沥青复数模量.结果表明：预测结果散点图中,ANN和ER模型预测精度最高,DTR模型次之且存在数据聚类.6种预测模型预测结果的相关系数均大于0.9,纳什效率系数均大于0.85.不同预测模型在PE改性沥青中预测精度最高,SBS改性沥青次之.根据三种改性沥青复数模量预测结果的相关系数、相对均方根误差、分散指数、相对误差和纳什效率系数五个统计参数的平均值,6种预测模型预测精度从高到低依次为ER、ANN、DTR、GPR、LSVR和RLR.     

降低输电线路工程基础缺陷率

在输电线路工程基础施工中,由于线路长、跨度大,沿线经常出现复杂的地形再加上一些施工队的整体素质不高和少数质检人员责任心不强把关不到位等因数,导致输电线路工程基础出现了一些缺陷,从而给公司造成较大损失。本文从产生缺陷的根本原因着手,提出了一些解决的方法。     

输电线路的防雷设计

为了有效地降低输电线路雷击跳闸率,必须减少雷电对电网安全运行的影响。本文论述了目前我国输电线路防雷设计中常用的几种方法。     

基于机器学习的混凝土自生收缩预测算法与解释

目的 研究混凝土自生收缩的多因素作用机理,建立适用于混凝土自生收缩预测的机器学习模型,增强机器学习算法的可解释性。方法 将水灰比、水胶比等14个指标作为输入变量,混凝土自生收缩值作为输出变量进行预测;采用BPNN、SVM、RF及XGBoost算法建立混凝土自生收缩预测模型,基于判定系数R²、均方根误差RMSE及平均绝对误差MAE,选取最适用于混凝土自生收缩的预测模型;采用SHAP法解释输入变量对输出变量的贡献程度、相关性及各输入变量的作用机理。结果 相较于其他算法而言,XGBoost算法可以有效预测混凝土的自生收缩,此时得到的R²、RMSE及MAE分别为0.956、0.055及0.026。结论 骨灰比是影响混凝土自生收缩的关键变量;骨灰比、高吸水树脂掺量等指标与混凝土自生收缩呈现负相关;时间与硅灰掺量等指标与混凝土自生收缩呈现正相关;采用SHAP法可以有效解决机器学习模型存在的黑盒问题,提高模型的可解释性。     

基于机器学习方法的地震破坏预测

地震破坏预测研究对于建筑结构减灾规划、震前风险预测、震后应急评估有着重要意义。传统的方法因为受到震害资料数量的限制以及计算精度和能力的制约,一般基于经验只考虑少数因素对结构破坏的影响。通过使用随机森林算法,设计了一个综合考虑地震动、结构和场地等多维度信息的分类方法,用以预测建筑物的地震破坏程度。本文研究框架基于新西兰国家地震委员会所收集的27次地震详细破坏资料,处理得到14.2万条高质量建筑物损失数据,考虑了谱加速度、建筑形状、层数等16个影响因素,将4种不同的损伤状态作为模型的学习标签进行地震破坏预测训练。结果表明,随机森林算法在6种分类算法中性能最佳,经过学习曲线法调参、代价敏感学习之后,经过优化得到的随机森林模型对于测试集的整体预测精确率可以达到75.4%,对4种损伤标签的召回率分别达到了88.2%、55.0%、60.7%和70.8%,远好于其他方法。当只考虑对结果影响最重要的前12个因素,该模型的预测精度仍然能够达到73.7%。可见,基于此框架所训练的预测模型具有良好的精度与适用性,同时该框架对于中国震害资料大数据库的研究具有较高的参考价值。     

基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型

氧气转炉炼钢的控制目标是终点温度和碳含量,但由于不能对其进行在线连续测量,直接影响了出钢的质量.针对该问题,提出一种基于膜算法进化极限学习机(ELM)的抗干扰终点预报模型.利用进化膜算法的全局寻优能力调整ELM网络参数,不仅避免了ELM网络受异常点影响出现过拟合现象,还可以寻找最优复杂度的ELM模型.将找到的ELM模型应用到转炉炼钢领域并建立终点碳含量和温度的预报模型.在仿真实验中,分别使用含有高斯噪声的标准sin C函数和氧气转炉炼钢实际生产数据进行仿真,结果表明所提模型在含噪声的数据中具有较好的预报精度和鲁棒性.     

基于奇异值分解的极限学习机多变量时间序列预测模型

在极限学习机预测多变量时间序列研究中,针对以往将矩阵转换成向量作为模型输入,从而影响预测精度的问题,结合奇异值分解思想,提出一种直接以矩阵作为输入的多变量时间序列极限学习机预测型SVDELM.由Rossler、Chen’s、Lorentz和股票多变量时间序列的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型.     

基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测

提前24 h准确预测PM2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM2.5浓度24 h预测的性能和泛化能力,在传统循环神经网络(RNN)模型上添加支持向量回归(SVR)作为下采样层提取非线性特征并降维;然后添加多核卷积神经网络(CNN)提升特征表达能力;最后利用门控循环网络(GRU...     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

机器视觉在无人机巡线中的应用综述

输电线路的稳定是保证电力稳定供给的重要因素之一。输电设备的工作环境较为恶劣,在工作期间不可避免会出现损坏,可能会威胁电力系统的正常运行。为了保证电力系统的稳定运行,必须定期对输电线路进行检修。随着无人机技术和图像处理技术的发展,基于机器视觉的无人机巡线技术已成为输电线路最热门的一种巡检方式。以机器视觉技术为主体,概述了无人机巡线技术及其视觉系统的图像处理算法研究现状。     

基于样本冗余控制的材料属性机器学习预测模型

当前基于机器学习的材料属性预测研究中,通常采用数据库获取的所有数据样本,通过计算其高维向量表示来训练预测模型。然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。为此,提出一种剔除数据集中冗余性样本的算法,从数据集中选择具有代表性样本;通过使用多种机器学习算法预测材料属性并进行比较,结果表明如果没有实行基准数据集的冗余控制,即使是随机原始数据集也可以由于高冗余样本而得到很好的预测性能指标;研究还发现使用具有代表性样本进行训练实际可以帮助训练出具有更高泛化能力和更具预测性的模型。因此,提出降低冗余度是评估材料性能预测模型的必要步骤。     

基于样本集质量的建筑能耗预测机器 学习算法选择及参数设置

使用机器学习算法对建筑能耗进行预测正逐渐成为建筑设计初期重要的决策辅助工具,机器学习算法的选择及其参数设置一直是机器学习领域研究的热点和难点。但现有研究大多从算法原理角度进行预测模型的选择及参数设置,训练样本集的特征信息未得到充分利用。为此,提出一种以样本量及样本分布特征为出发点的样本集质量分类方法,针对不同质量样本集测试不同机器学习算法的学习性能,制定不同质量样本集的算法选择及参数设置策略。分析样本特征与算法性能之间的关系,为建筑设计提供有效指导。     

基于XGBoost-神经网络的建筑负荷预测模型构建

针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于XGBoost-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比MAPE确定最优特征子集,以改善模型精度和泛化能力;采用贝叶斯正则化算法训练前馈神经网络,以便能够在训练优化过程中降低网络结构复杂性,从而避免网络过拟合,进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明,特征筛选后较筛选前模型MSE降低43.29%,有效提高了模型预测精度;分别以贝叶斯正则化和L-M算法对神经网络进行训练,前者5次试验RMSE和MAPE平均值较后者分别降低87.08%、85.33%,预测模型泛化能力得到有效提升。     

一种多核加权支持向量机的水质预测方法

提出一种基于多核加权支持向量机的水质预测方法.核函数及其参数选择与数据分布的情况密切相关,采用单一的核函数应对水资源质量评价指标的整个数据分布难以达到很好的预测结果.采用多核加权学习的核函数避免了核函数设计的盲目性和局部最优等非线性优化问题.实例表明,该方法的预测结果是合理可行的,且与以往同类预测方法相比,有着更为客观...