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EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。     

基于WT+改进SSA-LSTM模型的短期天然气负荷预测算法

为提高天然气负荷的预测精度，提出一种改进麻雀搜索算法（Sparrow Search Algorithm,SSA）与长短期记忆网络（Long Short-Term Memory,LSTM）相结合的组合预测模型（即改进SSA-LSTM模型）。先利用Sobol序列产生高质量初始种群，再引入自适应权重和T分布变异以增加麻雀跳出局部最优、提高全局搜索能力，后通过12种测试函数验证改进SSA算法的性能，并将该组合预测模型应用于华北某城市燃气门站的天然气负荷预测。为进一步提高模型预测精度，引入小波变换（Wavelet Transform,WT），通过5种小波（Symlets小波、Coiflets小波、Fejer-Korovkin小波、Haar小波及Discrete-Meyer小波）对天然气负荷数据进行分解，将分解后的数据代入改进SSA-LSTM模型进行训练与预测，并将预测结果进行重构，以MAPE、RMSE、MAE为模型评价指标，结果表明：利用Discrete-Meyer小波7层分解方法的预测准确性最高，达到99.14%，相较于改进SSA-LSTM模型和传统LSTM模型的预测精度分别提高了3.55%、...     

温室标准切花菊叶面积预测模型研究

 【目的】建立一个温室标准切花菊的叶面积指数预测模型。【方法】根据光温对菊花（Chrysanthemum morifolium Ramat.）出叶和展叶速率的影响，通过不同定植期和不同品种的试验，以综合考虑温度、光合有效辐射和日长的生理辐热积为预测指标，建立了温室标准切花菊叶面积预测模型，并用独立的试验数据对模型进行检验。【结果】模型对温室标准切花菊的叶面积指数的预测精度较高，预测值与实测值基于1﹕1线的决定系数（R2）和回归估计标准误差（RMSE）分别为0.94和0.75。基于生理辐热积的预测模型对叶面积指数的预测精度比积温法和比叶面积法分别提高了48.2%和84.6%。【结论】本研究的叶面积指数预测模型预测精度高，模型参数少，机理性强，可以为温室标准切花菊生长和外观品质的预测与管理提供理论依据与决策支持。     

基于深度学习的参考作物蒸散量预测模型

为了科学准确预测参考作物蒸腾量(ET₀)，提高预测精度，减少输入变量的数量，从而降低智能节水灌溉系统的建设成本，采用深度学习和人工神经网络方法分别建立ET₀智能预测模型，采用局部敏感性分析、模糊曲线和模糊曲面等方法研究ET₀预测中各输入变量对预测结果的影响，以影响因子大小为依据，构建8种不同气象因子输入组合，利用日照气象站的逐日气象资料，对采用不同方法和不同输入变量组合的预测模型进行训练和测试，并以彭曼公式的计算结果作为参考，对预测模型的性能进行评估。结果表明，在以完整变量作为预测输入时，深度学习预测模型R²为0.980，高于人工神经网络模型(0.963)，获得了更高的预测精度；而在缺省输入变量的ET₀预测中，深度学习预测模型的性能均优于人工神经网络，以平均温度和日照时数作为输入变量的深度学习预测模型R²仍达到0.935，表明在仅有少量气象参数的情况下，深度学习预测模型仍能获得较好的预测结果。综合分析R²、RMSE、RMSRE、MRE...     

基于相对热效应的大棚蟠桃发育期预测模型研究

为了研究温度对蟠桃发育期的影响,以相对热效应为预测指标,建立了蟠桃发育期预测模型,并采用独立的试验资料对模型进行检验。结果表明,温室蟠桃花芽膨大期到开花期、开花期到展叶期、展叶期到硬核期、硬核期到成熟期4个阶段所需的相对热效应分别为14.11、10.54、18.37、12.52,其相对热效应模型法回归估计标准误（RMSE）分别为1.13、2.04、4.36、5.51 d,且预测精度明显高于有效积温模型法（RMSE分别为3.36、5.37、11.79、15.28 d）。     

压缩机实际能头特性的深度学习网络预测方法

压缩机运行特性与原厂测试特性存在差异,为了指导压缩机的安全稳定运行,结合压缩机特性计算方法与部分实际特性,建立了基于深度学习网络的压缩机实际能头特性预测模型。将大量不同工况下的压缩机实际能头数据作为深度学习网络的训练样本,在训练完成后利用未训练样本对模型精度进行了检验,得到最大相对误差为2.60%、最小相对误差为0.32%、平均相对误差为0.78%。由深度学习网络所绘制的能头曲线与实际的能头曲线有着良好的一致性。深度学习网络模型改进了传统神经网络的缺陷,具有良好的预测精度与泛化计算能力,为压缩机性能的评估与预测提供了新方法。     

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

基于贝叶斯与元学习的氨氮浓度预测模型优化

针对小样本数据下氨氮浓度模型预测精度不高、收敛速度较慢的问题，采用长短期记忆网络（long short-term memory，LSTM）建立氨氮浓度预测模型，并利用贝叶斯优化算法和元学习机制对模型进行优化。其中贝叶斯优化算法用来优化预测模型的超参数，同时给出模型参数的初始值，再使用Meta-LSTM算法学习模型梯度并允许优化器之间进行参数共享和更新，最终实现对氨氮浓度预测模型的优化。将该方法与LSTM、GRU和RNN模型进行对比试验，结果显示，研究所建模型对氨氮浓度预测的均方根误差、平均绝对误差和均方误差分别为0.027 6、0.023 9和0.000 76，均优于其他预测模型。表明基于贝叶斯和元学习的氨氮浓度预测模型对小样本数据建模有效，可以实现网络快速收敛，精度满足水产养殖中氨氮浓度预测需求。     

文冠果脂肪含量的近红外光谱预测模型建立及验证

为了实现文冠果脂肪含量的无损快速检测，满足文冠果育种材料筛选和工业加工需求，选取46个文冠果作为标准样品集，采用索式抽提法测定种仁的脂肪含量，并应用近红外光谱（NIRS）技术采集样品的光谱数据，运用Unscrambler软件，采用偏最小二乘法（PLS）构建文冠果脂肪含量的NIRS预测模型，结果显示，该模型回归曲线R-Square （决定系数）为0.985 6、RMSE （标准误差）为0.414 9，可以进行有效预测。同时，选取32个未参加建模的文冠果样品作为验证材料，进一步对模型的预测效果进行外部检验，结果显示，外部检测回归曲线R-Square为0.901 4、RMSE为0.825 9，脂肪含量预测值与化学值的吻合性较好。建立的NIRS模型可靠，预测结果较为准确，可用于检测文冠果脂肪含量。该脂肪含量检测方法经济、快速、高效，为育种材料筛选和工业加工提供了快捷有效的途径。     

基于改进的粒子群算法优化LSSVM股价预测研究

为了提高股票价格的预测精度,针对股票价格数据的非平稳非线性的特性,本文运用改进的PSO实现LSSVM的核参数和惩罚系数自适应选择,提出一种SAPSO优化LSSVM股价预测模型,并以此进行实证分析。通过基于SAPSO-LSSVM算法的1步、3步、5步和7步预测结果和不同模型的预测时间和预测均方误差的对比结果可知, SAPSO-LSSVM股价预测模型具有预测精度高,预测时间短的优点,同时能够实现预测参数的自适应选择。     

黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测

【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R²）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R²和RMSE分别为0.95、7.64,预测模型的R²、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R²、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R²、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。     

基于SFLA和LSSVM的芹菜总黄酮含量的预测模型

利用混合蛙跳算法(SFLA)对最小二乘支持向量机(LSSVM)的参数进行优化,建立了一种基于混合蛙跳算法和最小二乘支持向量机的芹菜总黄酮提取预测模型。仿真结果表明,该预测模型提高了预测精度,性能更加稳定,为芹菜总黄酮提取的在线预估和优化控制提供了可靠的技术参考。     

基于灰色理论和回归分析的需水量组合预测研究

【目的】建立精度更高的需水量预测模型,为水资源规划提供理论依据。【方法】建立基于灰色预测和线性回归预测的需水量组合预测模型,以深圳大鹏半岛需水量为例,对组合预测模型的预测结果与单独采用灰色预测、线性回归模型预测的结果进行了比较。【结果】单独采用灰色预测模型和线性回归模型进行预测的平均误差分别为6.5%和2.5%,而基于灰色预测和线性回归的组合预测模型的平均误差仅为1%。【结论】组合模型的预测精度较单一模型的预测精度明显提高,并且该模型可以更全面地反映需水量的变化规律。     

基于混沌理论的害虫发生量非线性建模与预测

为了提高害虫发生量预测的精度,提出一种基于混沌理论的害虫发生量非线性预测模型(PSR–LSSVM)。通过相空间重构对害虫发生量时间序列进行重构,将重构后的害虫发生量序列输入到最小二乘支持向量机进行学习,建立害虫发生量预测模型,采用云南省普洱市思茅区和浙江省仙居县的松毛虫发生面积数据对模型性能进行检验。结果表明,松毛虫发生面积预测值与实际发生值十分接近,2个地区松毛虫发生面积预测结果的平均绝对百分误差分别为0.90%和2.44%,预测结果要优于BP神经网络、线性预测模型。     

基于PSO_LSSVM和Elman神经网络的北京市气温预测效果比较

利用北京市1960-2004年的月平均气温数据,建立最小二乘支持向量机(LSSVM)与Elman神经网络模型,分别运用粒子群算法(PSO)与试凑法对这2种模型进行优化,并对2005-2009年的月平均气温进行预测估计,比较2种模型的预测结果,以便找出更准确的气温预测模型。结果表明,2种模型总体上均能较好地拟合气温序列(R2均大于0.985),但是对于低温预测效果均相对欠佳;PSO_LSSVM预测误差(RMSE=1.380 6)明显小于Elman神经网络(RMSE=1.732 5),拟合精度更高,能更好地对短期气温变化进行模拟。因此,可用PSO_LSSVM模型进行气温预测,指导当地的农业生产与工业开发。     

黄河源区河川径流短期预测的ANFIS模型

【目的】建立径流短期预测的自适应神经模糊推理系统(ANFIS)模型,以提高预测精度,进而为黄河源区水资源开发和工程规划提供参考。【方法】以黄河源区出口站军功水文站为研究对象,以ANFIS为基本方法,建立ANFIS日尺度径流预测模型。基于输入变量、训练次数、隶属度函数类型与数目、预见期等参数设置了9个方案,通过实测径流与预测径流的对比和评价指标(均方根误差RMSE、相关性系数R)验证确定最佳方案,并分析不同参数对预测结果的敏感性,获得基于最优参数的ANFIS模型。【结果】采用神经网络+Sugeno型模糊推理算法建立了ANFIS日尺度径流预测模型,在预见期为1d时,利用ANFIS模型进行的径流短期预测,其相对误差最大为4.36%,平均为0.21%,预测结果合理可靠;当预见期延长至2~4d时,预测结果均满足精度要求,相对误差平均值均小于3.00%。【结论】将ANFIS用于短期径流预测,既可提高预测精度,又能延长预见期,可为黄河源区水库群规划、施工、调度和全流域水资源配置提供指导。     

3种标准树高曲线建立方法的比较

【目的】比较3种标准树高曲线建立方法的优劣,为选择适宜的标准树高曲线建立方法提供依据。【方法】以福建省将乐县国有林场29块杉木人工林实测数据为依据,采用传统非线性模型、BP神经网络模型、非线性混合模型分别建立杉木标准树高曲线模型,以决定系数R2、均方根误差RMSE以及平均绝对残差|珚E|作为模型评价和检验指标,对比分析三者的拟合效果。【结果】从拟合精度来看,非线性混合模型、BP神经网络模型、传统模型的决定系数分别为0.916 1,0.904 8和0.889 7,RMSE分别为1.652 9,1.761 2和1.895 4,|珚E|分别为1.205 9,1.291 7和1.400 1;从预测精度来看,三者的决定系数分别为0.941 5,0.935 2和0.918 3,RMSE分别为1.361 8,1.432 2和1.609 0,|珚E|分别为0.989 8,1.030 5和1.142 8。【结论】3种方法均能较好地模拟杉木树高的生长,BP神经网络模型与非线性混合模型的拟合精度和预测能力均较传统的非线性模型好,但非线性混合模型略优于BP神经网络模型。     

小麦籽粒蛋白质含量高光谱遥感预测模型比较

【目的】利用高光谱遥感技术实现冬小麦籽粒蛋白质含量的精准预测,比较筛选小麦籽粒蛋白质含量预测模型,实现优质小麦栽培生产。【方法】设置不同品质类型小麦品种和施氮量处理,测定开花期叶片叶绿素含量（SPAD）、叶片干物质质量（LDW）、地上生物量（AGB）、叶片氮含量（LNC）、叶片氮积累量（LNA）、叶面积指数（LAI）、植株氮含量（PNC）、植株氮积累量（PNA）和氮营养指数（NNI）9个农学参数及小麦冠层光谱,通过一阶导数和偏最小二乘法,构建基于不同农学参数的小麦籽粒蛋白质含量高光谱预测模型。【结果】一阶导数处理可以提高光谱数据与农学参数的相关性。运用偏最小二乘法构建的高光谱农学参数估测模型中以SPAD的模型建模精度与验证精度相对较优,建模集决定系数R²与预测集标准均方根误差nRMSE分别为0.99和4.10%;NNI反演模型验证结果较好,相对预测偏差RPD为2.04;利用线性回归构建的农学参数-籽粒蛋白质预测模型中以LNC的建模精度与验证精度最佳,其建模集R²、预测集均方根误差RMSE和RPD分别为0.64、0.79和2.11。最终构建的“...     

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。