离心式天然气压缩机自适应性能曲线生成方法

压缩机作为天然气输送管道的动力设备,其运行方案直接影响管道的整体调控与运营效率。离心式压缩机性能曲线是制定运行方案的主要依据,但由于管道运行工况与压缩机性能状态变化的影响,曲线具有时变性。通过对比最小二乘法、BP神经网络及自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System,ANFIS）算法生成性能曲线的准确度,提出了一种基于ANFIS的自适应性能曲线生成方法,通过不定期输入压缩机的实时运行数据修正性能曲线ANFIS映射网络,获得不同时期的实时性能曲线。采用所提出的方法生成某压缩机2018年的实时性能曲线,对方法的有效性和准确性进行了验证,结果表明：基于ANFIS的自适应性能曲线生成方法得到的压缩机运行曲线与实际运行曲线相对误差小于3%,满足现场工程精度要求。研究成果可为离心式压缩机性能分析、能耗评价及运行方案制定提供理论基础。（图8,表2,参22）     

基于回归分析法的离心式压缩机性能模型

建立准确的压缩机性能曲线模型,是天然气长输管网优化运行的关键。受风机定律启发,分析了风机中流量、转速以及多变能量头的关系,将其应用于天然气长输管道压气站场的离心式压缩机,建立了压缩机特性曲线模型。假设一种线性化的压缩机特性曲线关系,采用偏最小二乘法对该特性曲线关系进行回归分析,得出压缩机特性曲线回归模型,并利用多年积累的现场数据将其应用于压气站工艺气流量虚拟测量。研究结果表明:该模型计算准确度较高,工艺气虚拟测量结果误差较小,能够较好地反映离心式压缩机组实际运行特性,为管网优化运行及实时掌握机组运行情况提供了技术保障。     

正则化RBF网络模型在地下水位预测中的应用

【目的】建立地下水位预测的正则化RBF网络模型,为区域地下水资源的利用、规划和管理提供决策依据。【方法】以MATLAB7.0为平台,用函数newrb创建正则化RBF网络模型,基于宝鸡峡灌区B210号观测井1983-2009年的地下水位埋深资料,对网络模型进行训练后再用测试集检验,分别绘制训练集与测试集的拟合曲线,同时计算实测值与预测值间的相对误差(RE)、平均绝对偏差(MAD)和均方误差(MSE),并将其与BP网络模型的相应值进行对比。【结果】正则化RBF网络模型和BP网络模型的相对误差均小于5%,平均绝对偏差分别为0.53和0.85,均方误差分别为0.54和1.15,相比之下,正则化RBF网络模型的预测精度更高。【结论】训练样本和测试样本的合理选取为时间序列的拟合扩展了思路,良好的泛化能力使正则化RBF网络模型在区域地下水位预测中具有一定的可行性。     

基于相似原理的长输管道压缩机能耗分析

为了计算和预测任意工况下压缩机的理论能耗,依据任意工况下的天然气物性参数和压缩机入口体积流量,利用相似原理对压缩机进行性能换算,通过曲线拟合得到特性方程,并据此计算压缩机的理论能耗,结合现场数据对上述特性方程进行验证,进而对压缩机理论能耗与实际能耗进行误差分析。结果表明:在工程相对误差容许范围内,该研究方法是可行的;依据压缩机任意工况下的性能参数,利用上述压缩机能耗计算原理,可计算和预测压缩机的理论能耗;压缩机运行一定时间后,其内部由于结垢、磨损等原因导致效率降低,建议在压缩机功率特性方程中引入修正系数,以使理论能耗计算结果更精确。     

基于LM-BP网络的粮食产量预测

利用Levenberg-Marquardt (LM)算法对BP神经网络法进行改进,提出了基于改进型LM-BP神经网络模型的粮食产量预测方法.提取了粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型,粮食产量作为网络输出,通过LM算法使网络误差最小化,最后使用相关系数、相对误差等指标对模型的模拟结果进行检验.结果表明,训练样本集中模拟值和实际值的相关系数为0.996,平均相对误差为0.47％;检测样本集中,预测值和实际值的相关系数为0.994,平均相对误差为0.56％;该模型具有较高的拟合精度和预测精度,将此网络模型应用于粮食产量预测是有效的、可行的.     

基于IPSO-LSSVM的离心式压缩机性能预测方法

针对离心式压缩机实际性能曲线与厂家提供的性能曲线存在差异的问题，以某压气站SCADA运行数据为基础，采用最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）法对压缩机的性能曲线进行预测，同时结合改进粒子群（Improved Particle Swarm Optimization,IPSO）算法优化LSSVM模型，构建基于IPSO-LSSVM的离心式压缩机性能预测方法。结果表明：采用可变惯性权重和添加扰动因子后的IPSO算法的迭代速率更快，与其他预测模型相比，IPSO-LSSVM模型的预测精度最高，出口压力的MRE、RMSE分别为0.57%、0.055 6，出口温度的MRE、RMSE分别为0.30%、0.137 4。新建预测模型具有较好的预测精度和拟合效果，可为压缩机性能预测及制定防喘振措施提供理论依据。（图8，表2，参21）     

离心压缩机性能换算软件的开发与应用

以离心压缩机变工况性能换算、特性曲线变转速二次拟合、基于BWRS方程的气体物性计算为理论基础,以NetBeans IDE 6.7为开发平台,结合Excel,采用Java语言开发了离心压缩机性能评价软件.软件能够准确计算与压缩机工作过程相关的气体物性参数,实现电子图像版压缩机特性曲线的数字化,可对不同入口条件下的特性曲线进行换算及变转速拟合,确定压缩机的流量控制界限.以某天然气长输管道首站的历史运行数据为依据,验证了软件计算结果的准确性.该软件可用于优化压气站运行方案.     

森林火灾成灾面积的人工神经网络BP模型预测

应用人工神经网络BP模型对河南省森林火灾成灾面积进行预测,网络模型的最大相对误差为1.15%,最小相对误差是0,平均为0.42%,表明预测值与实际值吻合程度很好,模型精度较高,建模简单,是预测森林火灾成灾面积的有效方法.     

离心压缩机运行养护通用性软件的开发与应用

压气站是天然气长输管道的核心部分,保证压缩机平稳运行并做好日常运行养护非常重要。基于离心压缩机特性曲线编写了离心压缩机运行养护软件YSJ_YXYH,其分为性能测试与能耗测试两部分。该软件可以模拟确定工况下压缩机运行参数,继而为压缩机运行工况调整给出参考意见;可以模拟确定工况下压气站运行费用,进而得出压缩机在保证高效区运行条件下的最优能耗,实现对压缩机运行的养护。根据国内某压气站的历史数据对该软件的性能进行验证:分别使用YSJ_YXYH与SPS软件计算出固定工况下压缩机的运行参数与运行费用,并与实际运行值比较,结果显示YSJ_YXYH的计算结果更加接近实际运行值;利用YSJ_YXYH计算出了该压气站的最优能耗并确定该站压缩机效率处于高效区,其能耗明显优于实际能耗。结合上述结果给出的针对该压气站的实际运行建议,可为其压缩机安全平稳运行提供有效的技术保障。     

灯泡贯流式水轮机装置甩负荷过渡过程基于内特性解析理论的数值计算方法

针对工程实际中具有双调节元件的水轮机装置缺少全特性曲线时无法进行过渡过程计算的问题,采用基于内特性解析理论的数值计算方法对灯泡贯流式水轮机装置甩负荷过渡过程进行研究和计算;采用自行开发的计算软件对广东省封开县白垢水电站灯泡贯流式水轮机装置进行甩负荷过渡过程理论计算.结果表明计算得到的最大转速相对额定转速上升了71.6%,实测最大转速上升率为67.4%,计算值与实测值的相对误差为6.2%;计算得到的最大压力相对初始压力上升了27.5%,实测最大压力上升率为28.75%,计算值与实测值的相对误差为4.3%.转速和压力上升率的相对误差均小于10%,满足工程需要.基于内特性解析理论的数值计算方法可供工程实际中计算过渡过程.     

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R2、平均相对误差（MAPE）和相对误差绝对值的标准差（SAPE）挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R2分别达到0.787±0.051和0.840±0.054。     

基于LSTM的柑橘幼苗蒸发量预测

将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R²最大,说明这3种模型中LSTM预测模型的预测效果最佳。     

基于BP神经网络的柑橘农药残留预测

基于BP神经网络算法，采用主成分分析法得到农药相对分子质量、气温、降水量、pH、CEC、有机质、施药浓度、采收间隔期是影响农药残留量的主要因素，并将其作为输入变量，初步构建柑橘农药残留预测模型。结果表明：经160组样本数据模型训练和测试，预测相对误差为0.92%~18.93%，平均为7.42%，绝对误差为0.001~0.153 mg/kg；BP神经网络预测模型的决定系数为0.962 05。可见，面对复杂的自然环境及柑橘种质性状，基于BP神经网络的柑橘农药残留预测系统对柑橘上多种农药的残留显示出较高的预测精度，说明将机器学习算法用于柑橘的农药残留检测是可行的。     

基于神经网络的高校管理信息化水平评价模型研究

本研究采用频度分析法和领域专家意见相结合,借鉴企业信息化指标的研究结果构建了吉林省高校信息化指标体系;采用了T-S模糊神经网络方法,利用Matlab软件分析,建立高校管理信息化水平评价模型。专家打分200组问卷调查,其中160组结果作为训练样本,40组数据作为测试样本。根据训练好的模型对样本进行测试,训练数据平均误差0.0027,测试数据平均误差0.102。本文研究的T-S模糊神经网络模型应用于预测高校管理信息化评价中可以消除一定的主观因素,得到相对客观的评价结果。     

基于神经网络的水产品价格预测模型研究

以水产品中鲫鱼为例,选择时间、地理环境和经济条件因素作为输入层变量,价格作为输出单元,输入样本进行训练和仿真,对训练好的网络输入预测样本,将预测结果与市场实际价格进行比较,其相对误差均小于1%。结果证明,所构建的水产品价格预测模型具有良好的精确性和准确性,将神经网络应用于水产品价格预测是可行的。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

基于迁移学习的竹片缺陷识别

使用竹片图像实现竹片缺陷自动识别，目前深度学习可以有效地解决该类问题，但是必须使用大量样本数据做训练才能获得较高的识别准确率。当图像数量有限时，利用基于迁移学习的方法，把经过预训练的卷积神经网络模型进行迁移，即共享卷积层和池化层的权重参数，调整新网络模型的超参数，并建立一个包含4种共计6 360张竹片缺陷图像的数据库，把图片分成4种训练集测试集形式，即80%训练、20%测试；60%训练、40%测试；40%训练、60%测试；20%训练、80%测试，分别利用支持向量机SVM分类方法、深度学习方法和迁移学习方法进行训练和测试，并将这3种方法作对比。最后，通过构建竹片缺陷识别的混淆矩阵对迁移学习进行具体分析与说明。结果表明，按照80%训练、20%测试的识别准确率最高，通过迁移学习得到的竹片缺陷最高识别精度分别达到98.97%，比普通深度学习提高了11.55% ，比SVM分类方法提高了13.04%。说明迁移学习比普通深度学习和传统支持向量机SVM分类方法更适合用于小样本数据集的分类识别，并且效果优于普通深度学习和 SVM 分类方法。     

基于深度强化学习的耕作层土壤水分、温度预测

【目的】利用土壤近表面空气温湿度与土壤内部参数的关联关系对耕作层土壤水分、温度进行精准预测,为实现精细化农业种植管理提供服务。【方法】针对土壤耕作层水分、温度预测在训练集获取与模型验证等方面的实际需求,设计了基于嵌入式系统及窄带物联网(Narrow band internet of things,NB-IoT)无线通信技术的物联网数据采集系统。在此基础上基于深度Q学习(Deep Q network,DQN)算法探索了一种模型组合策略,以长短期记忆(Long short-term memory,LSTM)、门限循环单元(Gated recurrent unit,GRU)与双向长短期记忆网络(Bidirectional long short-term memory,Bi-LSTM)为基础模型进行加权组合,获得了DQN-L-G-B组合预测模型。【结果】数据采集系统实现了对等间隔时间序列环境数据的长时间稳定可靠采集,可以为基于深度学习的土壤水分、温度时间序列预测工作提供准确的训练集与验证集数据。相对于LSTM、Bi-LSTM、GRU、L-G-B等模型,DQN-L-G-B组合模型在2种土壤类型(...     

基于支持向量机优化粒子群算法的作物生育期ET_0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i（允许错分的松弛变量）的二范数。这使得最小二乘向量机的优化问题为：min（1/2）‖w‖^2＋C（1/2）sum from i=1 to 1ξi~2（ξi是松驰变量;C为正则化参数）。用于函数估计的最小二乘SVM为：y（x）=sum from k=1 to Nαk K（x,xk）＋b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数（γ为可调参数,σ为核函数宽度系数）,参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。