基于时间序列分析和神经网络的风电功率预测方法研究

功率预测对于接入大量风电的电力系统运行具有重要意义。文章对提前4 h的风电机组出力预测进行了研究,分别采用BP神经网络法直接预测输出功率,以及时间序列法间接预测输出功率,并将两种方法组合以提高预测精度,组合权系数的选取以方差最小为目标函数。研究结果表明,不同方法的预测精度不同,尤其是在个别预测点处不同模型的误差差别较大,组合预测可减小预测系统的误差,提高预测精度。     

基于最小二乘支持向量机的高速铁路路基沉降预测

高速铁路路基的施工环境复杂,沉降监测数据往往是不等时距的.鉴于最小二乘支持向量机拥有强大的非线性拟合能力,使用最小二乘支持向量机建立沉降与时间的关系函数,以等时间步长插值得到路基的等时距沉降时间序列,建立基于最小二乘支持向量机的高速铁路路基沉降预测模型.分别运用给出的预测模型和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测,并与现场实测数据对比.结果表明,短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的预测精度高,预测结果更稳定,外推预测沉降更可靠.     

一种基于人脸序列模式的机车驾驶员疲劳检测方法

驾驶疲劳是导致事故的重要原因,本文在综述基于面部特征的机车驾驶员疲劳检测方法的基础上,提出了基于Gabor变换的人脸特征融合抽取模型,并在此基础上,结合隐马尔可夫模型(HMM)提出基于人脸图像序列的机车驾驶员疲劳检测方法。根据在疲劳和非疲劳状况下人脸模式特征的不同,首先利用Baum-Welch学习方法从疲劳图像序列训练学习得出疲劳模式下的HMM参数;然后,在疲劳模式识别时,把待识别的人脸图像序列表示成Gabor融合特征序列,再利用Viterbi算法计算该特征序列属于疲劳模式的概率值,从而实现对人脸图像序列的疲劳识别;最后,对各种姿态下的不同人脸图像序列数据进行了仿真测试。实验结果表明,与已有基于单幅人脸图像的疲劳识别方法相比,具有更好的疲劳识别性能。%     

电子商务如何帮您降低常规营运费用

在中国汽车与配件行业,许多中小公司将企业网站的建设和维护视为一种额外的支出费用。然而事实却是:如果运用得当,将顾客服务转移到互联网,通过你的企业网站支持顾客,不仅将提高你和顾客交流的质量,同时大大减少贵公司营销的成本费用。 下面是一些运用企业网站和互联网来压缩成本、改善你和顾客关系的方法: 一、扣除邮寄和打印的费用     

基于轨道交通的常规公交线路优化对策研究

作为城市公共交通体系的两大主要方式,轨道交通与常规公交的协调发展关系到城市公共交通系统的核心竞争力.从出行时耗、出行费用、出行OD分布3个方面分析轨道交通走廊内常规公交与轨道交通的主要竞争客流范围,提出基于轨道交通的常规公交线路优化调整的6项对策,包括另行安置、走向调整、站点调整、长线截短、保留竞争、新增加密等.     

基于时间序列分析的地铁变形监测数据建模与预报研究

变形监测数据分析与预报是变形数据处理中的重要内容,可靠的预报是决策的重要依据。根据时间序列的特性,阐述了如何应用该方法对变形监测数据进行建模与预报,并通过某地铁变形监测数据进行建模,验证该方法的可靠性和有效性。     

CTCS-3级列控系统车载设备测试序列优化生成方法

根据车载设备功能测试的需求,研究基于中国邮路算法优化生成CTC3-3级列控系统车载设备测试序列的方法.在分析测试序列构造方法的基础上,将测试序列的优化生成问题转换为求解1个具有多重弧的有向图的中国邮路问题.针对测试序列的特点,利用Edmonds-Johnson算法和LINGO建模工具对中国邮路问题进行求解,即通过构造容...     

背后空洞引起高速铁路隧道衬砌裂缝形态的FEM对比分析

衬砌背后空洞和衬砌开裂是威胁高速铁路隧道行车安全的最主要问题。高速铁路隧道衬砌背后空洞不仅是威胁隧道结构安全的重要因素,更是造成衬砌结构开裂最主要的原因。通过基于虚拟裂缝模型的扩展有限元方法(XFEM)和基于弥散裂缝模型的常规有限元分析方法(CFEM)的地层结构模型,对高速铁路隧道衬砌拱肩背后一定范围内空洞引起的衬砌开裂形态进行数值模拟分析,开裂形态表现为拱肩背后空洞近拱顶边缘的二次衬砌内侧开裂,同时初期支护环向贯通开裂。研究表明,扩展有限元法能较好地描述衬砌开裂的走向、长度等开裂形态以及扩展规律等,而ANSYS中的SOLID65单元能实现对衬砌背后空洞引起衬砌开裂范围的定性描述,两者之间相互补充和相互验证能较为准确地描述衬砌开裂的几何信息,进而有助于衬砌结构开裂应力场分析。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。