一、Some Experiments with Multivariate Objective Analysis Scheme of Heights and Winds Using Optimum Interpolation（论文文献综述）
陈莎[1]（2021）在《基于生态系统服务权衡的农地格局与利用决策研究》文中研究说明农地是承载人类生存和发展的关键资源要素,不仅提供食物、纤维等物质产品,还具有生物多样性保护、物质与能量循环、娱乐休闲、农业文化承载等多种服务功能。进入新世纪以来,我国全面推进乡村振兴战略,通过实施高标准农田建设、农村人居环境整治、农业供给侧结构性改革等一系列重大工程,在促进农村经济发展,优化农村传统产业结构,推动城乡一体化进程等方面取得了丰硕的成果,但同时农地资源退化、乡村环境恶化、生态风险加剧等问题日益凸显。在推进区域协调战略、城乡统筹发展和生态文明建设的时代背景下,探讨农地利用及生态系统服务间的权衡关系、影响机理及可持续决策实现,对优化农地多功能利用,引导可持续的农业和农村发展决策,实现生态系统整体效益和人类福祉的最大化具有重要意义。论文以典型的城郊农业区廊下镇为例开展实证研究,主要内容包括:（1）农地生态系统服务权衡的评估测度和空间表达。综合运用定量指标、模型模拟和社会价值感知等方法定量表征生态系统服务,运用GIS空间制图和统计分析方法探讨生态系统服务的空间分异特征和相互联系,识别农地空间主导功能特征及其与土地利用、景观特征之间的关联。（2）农户（行为）尺度的生态系统服务权衡类型及影响因素识别。分析农户（家庭/个体）不同土地利用行为对异质性生态系统服务权衡的影响作用,识别生态系统服务权衡类型及其主导特征,探讨不同生态系统服务权衡类型的影响因素和形成机理。（3）生态系统服务权衡导向的农地管理与利用决策优化方案制定。运用情景分析工具以满足规划的多目标（矛盾）权衡、动态变化和公众参与需求,探讨不同情景下各驱动因素综合作用的土地利用变化的可能性,全面考虑相关利益主体与农地系统的互动及农地功能“权衡”,制定可供选择的农地管理（规划）方案;借助基于生产可能性边界工具拓展的农地可持续利用框架,探讨农户利用决策优化的可能性和可选策略。基于以上分析,本研究得到的主要结论有:（1）农地提供的各项生态系统服务呈现出空间分异特征,供给服务与其他类型的服务存在较强的权衡（负向）关系,调节服务内部以及调节服务与支持服务之间大多表现出较强的协同（正向）关系,各项文化服务之间均表现出一定的协同关系。多种生态系统服务呈现出空间集聚、互相影响、强弱不一的“簇”模式,反映出物质生产、生态涵养、文化休闲等功能在空间分布上的复合性和异质性,“簇”的空间分布与自然资源禀赋、社会经济条件、土地管理措施及地物布设特征具有较强的相关性。（2）每个农户家庭（也可视为一个小型的“农场”单元）生态系统服务的提供是由资源系统、治理系统、资源单位和使用者之间的互动决定的。农户采纳不同的生计决策和土地利用行为会导致差异性的生态系统服务供给,表现出不同特征的服务权衡模式:工厂生产型、复合功能型、专业产粮型和公众偏好型。不同的服务权衡模式与自然、社会、管理、技术、经济等多方面的因素存在密切联系。农业经营者虽然在工作内容上呈现出较大的相似性（都包括户外工作、体力劳动等）,但是他们对于各自所处位置的景观特征以及如何进行经营管理能够提升自身及家庭福祉具有独到的理解,差异性的需求、价值认知及工作动机都会影响经营者的土地利用行为和策略。（3）KESHO情景规划工具能够整合生态系统服务权衡、多元利益主体参与、未来情景构建及土地利用空间布局等一系列内容,将不同利益主体的观点及价值偏好反映到不同的情景——不同的产业发展轨迹——不同的生态系统服务的需求满足——不同的政策治理——以及（最终）不同的土地利用变化和空间格局上。在研究所构建的2种不同情景（BAU情景和GE情景）下,耕地、林地、农林水复合用地、水域、村庄及其他建设用地的面积和空间布局均存在一定的差异。为全面提升农地的生产性、生境活力、韧性,有必要制定并落实与农业生态系统服务权衡相关的土地管制规则和调控措施,同时增强不同利益主体的环境共识和协同努力。（4）农户的生产经营活动可能引致物质生产-栖息地质量的矛盾关系,经济型、增值型和弱农型等不同特点的农户土地利用决策差异明显。通过农户的精心设计和妥善管理,有可能实现生产功能和非生产功能的同时提升,即实现“双赢”。可以考虑的政策思路有:采取种养结合、农林牧混和的利用方式,适当保留绿色生态空间;加强农户与政府、公益机构以及农业企业之间的互助共持,提升农民素养和技术水平;强化农产品品牌塑造,优化生产模式与营销策略,促进农业产品的价值最大化。
陈俊轶[2]（2021）在《基于耦合因子的变温变湿干燥谷物品质特性及窗口控制方法研究》文中研究指明谷物干燥是农业加工过程中的重要环节,是一项涵盖众多学科的综合技术。目前,该领域的研究重点仍聚焦于干燥设备能耗和水分控制精度等,对谷物干燥机理的研究不够深入,导致干燥后谷物品质参差不齐。实际上谷物干燥是多变量耦合作用的过程,各干燥系统变量之间相互依赖、互为输入输出,变量间的耦合关系对谷物特性变化具有显着影响。因此,有必要从多因子耦合理论的角度切入,开展谷物干燥机理的深入研究,探索干燥系统变量与谷物干燥特性及品质特性间的规律,这对于粮食行业关键作业设备的升级换代以及保证粮食安全具有重要意义。本研究利用自主开发的多参数可控干燥试验系统,分析了干燥系统中的8个耦合因子对谷物干燥特性及品质特性影响的模型和规律,揭示了耦合因子与特性指标间的关联机理,优选出“谷物绝对水势积”作为干燥过程的理想耦合因子,以此改进稻谷连续干燥双驱动互窗口AI控制方法,并应用到稻谷连续干燥作业中,取得了较好的控制效果。具体研究内容如下:1.谷物干燥过程中耦合因子分析与选择根据谷物干燥过程的特点,探索绝对水势和积温的概念和模型,选定谷物有效干燥积温、谷物有效干燥积湿、谷物绝对水势和、空气绝对水势和、绝对水势和差、谷物绝对水势积、空气绝对水势积、绝对水势积差这8个耦合因子对谷物干燥规律和特性展开研究,并给出8个耦合因子计算公式。2.玉米干燥工艺优化及耦合因子与特性指标相关性研究以玉米为样品,利用多参数可控干燥试验系统开展2因素5水平薄层干燥全面试验,试验变量为热风温度变化梯度x1和绝对湿度变化梯度x2,响应指标为干燥特性指标以及品质特性指标。通过响应面法求得各指标对应的最优干燥工艺,但其结果具有不可公度性和矛盾性,故借助偏差量的概念将所有响应指标整合成一个综合特性指标,运用遗传算法进行优化后得出:当采用渐次升温和渐次降湿干燥工艺时（x1为2.17℃,x2为-3.03g/m3）,玉米的综合特性最优,实现了干燥特性与品质特性的协同调控。同时,将8个干燥系统耦合因子与玉米响应指标逐一进行方差分析,根据置信度大小进行排序,以此优选出“谷物绝对水势积”作为干燥过程控制的理想耦合因子。3.稻谷干燥工艺优化及耦合因子与特性指标相关性研究为验证玉米干燥试验结论的普适型,选择稻谷为样品进行了重复试验。利用多参数可控干燥试验系统开展2因素5水平薄层干燥全面试验,以热风温度变化梯度x1和相对湿度变化梯度x2为试验变量,以干燥特性指标以及品质特性指标作为响应指标进行干燥工艺的优化,结果表明:当采用渐次升温和渐次降湿干燥工艺时（x1为2.57℃,x2为-21.04%）,稻谷的综合特性最优。同时,依据耦合因子与稻谷响应指标的方差分析结果对相关性进行排序,优选出“谷物绝对水势积”作为干燥过程控制的理想耦合因子。4.稻谷连续干燥双驱动互窗口AI控制方法的改进基于理想耦合因子,改进课题组前期设计的稻谷连续干燥双驱动互窗口AI控制方法,即以谷物绝对水势积干燥模型作为机理驱动,确定“窗体”,给出干燥过程控制的总体方向;根据过程数据作为数据驱动,进行“窗变”调节,以适应不同类型干燥机及干燥过程条件变化的扰动。控制方法包括窗口选择、窗口调整与窗口自适应三部分,窗口选择实质对应一个过程的实现,体现了窗口控制的隐预测功能;窗口调整是以实时数据和历史数据作为对比,借助神经网络、遗传算法等方式对模型进行修正;窗口自适应则是根据实时数据对窗口宽以及宽长比进行调节。机理驱动与数据驱动相辅相成,可实现谷物干燥过程控制精度及稳定性的显着改进。5.稻谷连续干燥双驱动互窗口AI控制改进方法试验测试为验证上述控制方法的稳定性及可靠性,本文利用课题组自主研发的小型连续式谷物干燥机开展3组稻谷连续干燥试验。参考稻谷2因素5水平全面试验中的干燥工艺优化结果进行试验参数的设置,3组试验分别为采用改进方法的恒温干燥组、采用改进方法的升温干燥组、采用原方法的恒温干燥组,从稻谷出口水分控制精度、稻谷干燥前后品质变化、稻谷微观结构3个方面进行控制效果的比较。结果表明:3组试验目标出口水分线与系统稳定后出口水分变化曲线间的Pearson相关系数（系数越大,控制精度越好）分别为0.9074、0.9060、0.8255;3组试验的综合品质变化比（比值越小,干燥品质越优）分别为0.73、0.59、0.81;同时,稻谷微观结构的观察分析结果也充分证实了改进后的双驱动互窗口控制方法在提升谷物出口水分控制精度以及谷物干燥品质方面效果理想,可应用于实际。
张浩[3]（2021）在《风电功率时空不确定性预测方法研究》文中研究说明双碳目标下,大规模集中开发是未来我国风电开发的重要模式。但是,在此模式下风资源及其发电功率在时间和空间上将呈现复杂的耦合和聚合特性,加剧了其不确定性对电力系统安全、稳定、经济运行的不利影响。如何准确预测风电功率时空不确定性成为新能源电力系统亟待突破的关键问题。因此,以“空间联合→时序联合→时空联合→多主体数据保护时空联合”为研究思路,基于深度学习理论开展了风电功率时空不确定性预测方法研究。主要工作包括:1.提出了 Beta型深度混合密度网络（IDMDN）的短期多风电场功率不确定性预测模型,融合区域多风电场空间关联信息,同时避免了密度泄露问题。首先,以Beta分布作为基分布构建了混合密度网络模块,提出了相应的数值稳定策略;然后,结合提出的Beta型混合网络模块与深度全连接网络,建立了IDMDN模型,用于区域多风电场功率空间联合不确定性预测。采用7个风电场的实际运行数据进行模型验证,结果表明:IDMDN模型避免了密度泄露问题,能够得到符合真实情况的风电功率预测概率分布,预测效果优于几种区域总功率预测和单风电场功率预测对比方法。2.提出了多源时序注意力网络（MSTAN）的短期风电场功率不确定性预测模型,融合历史数据与多源数值天气数据,并挖掘其隐含时序依赖模式,提高了预测精度。首先,引入多源数值天气预报数据,研究了多源数值天气预报中存在的时序误差模式;其次,结合发现的时序误差模式,提出了一种多源变量注意力模块用于多源数值天气预报的动态特征提取;然后,提出了一种时序注意力模块,用于提取隐含在历史观测序列和多源数值天气预报序列中的长时依赖信息;最后,结合研究1中的混合密度网络模块和参数共享机制,建立了 MSTAN模型用于单个风电场未来1-48小时功率时序联合不确定性预测。通过3个风电场的实际运行数据对MSTAN模型进行验证,结果表明:多源数值天气预报改善了预测结果,MSTAN模型结构设计合理,其确定性预测与不确定性预测精度指标均超过了两种典型技术路线下的多种对比预测方法。3.提出了自适应时空图卷积网络（SA-STGCN）的多风电场功率时空联合不确定性预测模型,加强了对于非规则排布风电场群数据的时空特征提取能力,提升了多风电场、多时刻短期联合不确定性预测性能。首先,从空间维度拓展了研究2中提出的多源变量注意力模块,形成了多位置-多源变量筛选模块,用于多风电场、多源NWP的特征提取与数据融合;其次,提出了具备动态空间特征提取能力的自适应图卷积模块,与三维时序注意力模块相结合形成了时空特征提取模块;然后,在空间维度拓展了研究1中提出的混合密度网络模块,并在时间维度上进行参数共享;最后,建立SA-STGCN模型用于未来1-48小时的多风电场功率不确定性预测。以中国北方某风电集群实际运行数据为例进行验证分析,结果表明:SA-STGCN模型对复杂时空关联数据有更好的适应性,在多个风电场的确定性与不确定性预测结果均优于多种对比模型。4.提出了多运营主体数据保护的分割网络（SplitNN）不确定性预测模型,在数据安全的前提下间接融合多区域时空信息,提升了多个区域的超短期预测水平,显着缩短了模型训练用时。首先,总结了 Split Learning（SL）的几种典型设计模型;然后,结合SL中的 CSC（Client to Server to Client）模式和 MCS（Multi-Client to Server）模式建立了 SplitNN模型,用于多风电运营主体下的多风电场超短期功率时空联合不确定性预测。SplitNN模型以一个服务端对多个客户端的信息进行融合,多个客户端基于融合信息分别进行各自区域内的风电功率不确定性预测,从而在原始数据不出本地的情况下实现多个风电运营主体协同预测的目的。通过美国东部四州65座气象观测站的数据对所提出的模型进行验证分析,结果表明:提出的SplitNN模型提升了多个区域的超短期风速不确定性预测精度,同时缩短了训练时间。本文中提出了风电功率空间、时序、时空不确定性预测方法,提出的部分方法、技术已工程应用于区域风电场群功率预测系统中,并取得了良好预测效果。
田立霞[4]（2021）在《高铁新能源微电网规划定容及调度优化研究》文中进行了进一步梳理面对全球气候变暖,我国提出了“碳达峰、碳中和”发展目标。交通系统作为用能大户,为加速实现“双碳”目标,近年来,相关部门制定出台了一系列能源、交通融合发展的战略与政策。高铁作为中长途运输中的主力军,近年来发展十分迅速。在高铁用电构成中,牵引用电占比最大,是碳减排的重点领域之一。高铁运营部门为积极响应国家号召,实现深度绿色交通,在保障牵引供电安全的前提下,开展了一系列新能源发电并入牵引供电系统的研究,以优化高铁用能结构,提升能源综合利用效率。高铁牵引负荷不同于生活、工业用电负荷,具有分布广、冲击性强、随机不稳定、功率大、时段特征显着、安全要求高等特征,大大地增加了新能源牵引供电理论研究与实际应用的难度。在前期各学者研究的基础上,本文根据高铁牵引负荷的特征、新能源发电出力特征及高铁沿线新能源分布情况等因素,在高铁沿线分段构建基于能源互联网技术的高铁新能源微电网,使之与沿线大电网一同为高铁牵引供电系统供电。在保障牵引供电安全的前提下,对高铁新能源微电网的规划、容量配置以及后期运行调度展开研究,最后对高铁微电网的构建及运行进行了综合效益评价。本文主要创新点包括以下几点:（1）高铁新能源牵引供电安全性测度方法研究安全是高铁运行的前提条件。牵引供电系统作为高铁运行的唯一动力来源,在高铁安全稳定运行中起着至关重要的作用。本部分中,首先介绍了高铁新能源牵引供电安全性测度的重要性;其次,分别从高铁牵引供电风险分析和新能源发电并网影响的角度出发,确定高铁新能源牵引供电风险因子;然后,结合风险因子、高铁牵引供电和新能源发电相关技术条例,建立了高铁新能源牵引供电安全测评体系;最后,根据安全测评体系,提出高铁新能源牵引供电安全系数,为后续高铁新能源微电网的构建及运行优化研究奠定基础。（2）高铁新能源微电网规划方法研究首先,通过对比分析高铁牵引功率、新能源出力及储能系统的特征,确定新能源发电采用高铁新能源微电网AT所的方式并入牵引供电系统。其次,综合高铁牵引网络分布特性及沿线风光分布情况,基于能源互联网技术,给出了“局部微电网、全国高铁微电网互联、区块链技术做监督、大电网做安全保障”的高铁新能源微电网的构建原则和基本框架,解决了传统微电网供电范围与高铁路网分布广的冲突。互联高铁新能源微电网间电能互传互济,有效平抑不稳定新能源带来的冲击,提高新能源利用率。高铁新能源微电网与沿线大电网相联,实现“自发自用、余电上网”,可保障高铁牵引供电安全,提高能源综合利用率。（3）基于安全约束的高铁新能源微电网定容模型研究首先,基于能源互联网技术,将牵引供电安全作为微电网定容模型的约束条件之一,采用多目标均衡优化理论,建立以牵引供电安全系数最大、成本最低、碳排放最少为目标的高铁新能源微电网定容模型。通过有效整合高铁线可用空闲土地面积、风光分布情况及相联高铁新能源微电网装机等资源,实现互联新能源微电网新能源装机及储能容量的优化配置,提高能源利用率,降低投资成本。其次,采用改进型量子遗传算法（IQGA）对模型求解,结果发现高铁牵引供电系统具有较好的新能源消纳潜力。（4）基于安全约束的高铁新能源微电网调度模型研究首先,以牵引供电安全、优先消纳新能源电力为指导,提出了高铁新能源微电网安全调度的基本原则;其次,根据牵引负荷特征,在牵引供电安全的约束下,对互联高铁新能源微电网牵引供电系统进行“源-网-车-储”多环节互动调节,采用多目标优化理论,建立以牵引供电安全系数最大、成本最低、碳排放最少为目标的高铁新能源微电网调度模型,可提高互联微电网各环节能量综合利用率、牵引供电质量和安全可靠性;最后,采用IQGA对模型进行求解,发现互联高铁新能源微电网的运行成本低于不互联模式。
胡善津[5]（2021）在《大跨屋盖结构多目标等效静风荷载研究》文中提出
陈庞[6]（2021）在《分布式延时工业系统软测量建模与应用》文中指出在大型工业过程中,为准确优化控制工业过程,需要对系统的关键参数进行监测。由于环境、成本或技术等原因对部分关键参数难以使用硬件装置测量,而软测量技术能够实现对这些关键参数进行监测,因此软测量技术得到了广泛的应用。因为工业设备在空间上的分布式设置使得关键变量的测量顺序与过程变量的采样顺序不一致,进而表现出了由于信号、物料传输或者安装位置等问题引起的明显的时间延迟,且这种延时具有时变特性。为了更可靠的监测系统运行状态,需要在建立软测量模型时考虑系统监测变量之间存在的时变延时特征。针对上述问题,本文主要围绕具有延时特性的软测量建模问题进行研究,论文主要工作如下:（1）在工业数据采集过程中,传感器或网络异常等原因会引起数据缺失或数据失真问题。针对数据缺失问题,本文使用了线性插值、KNN插值、多元线性回归插值方法进行缺失数据修复,并对不同方法的修复效果进行了对比分析。针对数据失真问题,本文提出了一种基于留一交叉验证的异常值检测算法。该方法不需要假设原始数据服从某种分布,从模型估计误差的角度来分析数据是否失真,实验结果表示该方法异常值检测效果较好。（2）针对工业过程采集到的变量种类较多且变量之间存在冗余的问题,本文介绍了一种两阶段辅助变量选择方法。该方法通过最大信息系数法删除无关特征,并使用近似马尔可夫毯方法对冗余特征进行剔除。在真实工业数据上进行实验验证,结果表明该方法能够大幅降低辅助变量维数,在保证建模精度的同时提升建模效率。（3）针对工业过程中具有多阶段延时特征的关键变量估计问题,本文提出了一种基于延时参数在线辨识的关键变量估计方法。该方法首先通过基于滑动窗口的最大信息系数法从原始数据中获取延时参数数据集,并根据其构建延时参数在线估计模型,使用延时参数数据集对原始数据进行时序重构,进而根据重构后的数据建立软测量模型。在具有多阶段延时特征的工业数据中进行实验验证,并与传统方法相对比,结果表明了本文方法具有较好的估计效果。（4）针对工业过程中的延时特征不明确的关键变量估计问题,本文提出了一种基于局部信息的加权岭回归方法。该方法通过借鉴时延神经网络的结构,将历史信息考虑进建模过程中增加了模型的信息量,使用岭回归替代神经元节点提高了模型的稳定性,通过粒子群算法搜索模型最优参数,实现对关键变量的准确估计。本文方法与时延神经网络,岭回归等方法相比较,本文方法对具有不明确延时特征的工业过程变量估计效果更佳。
李杰[7]（2021）在《珩磨缸套粗糙度和磨损预测及可靠性评估》文中提出内燃机因其具有高效的能源转换与强劲的动力输出特性,受到了各国交通运输企业、国防军工部门和能源动力部门的广泛关注。论文以高性能内燃机缸套为研究对象,针对缸套珩磨表面Rk粗糙度集预测、珩磨加工参数优化、缸套磨损量预测和缸套服役可靠性评估等相关问题进行了研究。为高性能内燃机关键部件的精密加工和整机服役性能的提高提供相关参考。论文的主要内容如下:（1）基于人工神经网络（artificialneural network,ANN）建立了缸套珩磨表面粗糙度Rk、Rpk 和 Rvk 的反向传播神经网络（back propagation neural network,BPNN）和广义回归神经网络（generalized regression neural network,GRNN）预测模型,设计了三因素三水平的全因子试验进行了模型的训练与验证,并对GRNN预测模型里的光滑因子进行优选。结果表明:GRNN模型预测结果的决定系数均值为0.959,BPNN模型预测结果的决定系数均值为0.829,GRNN预测模型对粗糙度的预测结果更加精确,证明了 GRNN粗糙度预测模型的可行性和有效性。（2）基于响应面法（response surface methodology,RSM）建立了粗糙度 Rk、Rpk 和Rvk的响应回归模型,以三个粗糙度值同时相对最小为优化目标,结合带有精英策略的非支配排序遗传算法（elitistnon-dominated sorting genenietic algorithm,NSGA-Ⅱ）多目标优化算法对珩磨加工参数进行了优化,获得了粗糙度的Pareto前沿。结果表明:基于RSM建立的粗糙度多元回归模型具有较好的拟合效果。各珩磨参数对粗糙度影响的显着性顺序为:对于 Rk:V旋>P>V往;对于 Rpk:P>V旋>V往;对于 Rvk:P>V旋>V往。（3）基于灰色系统理论建立了缸套磨损量的灰色预测模型GM（1,1）,通过数据驱动优选了权重。结果表明:磨损量预测值与实测值之间的平均相对误差为4.8%,最大相对误差为7.1%,模型具有较好的预测精度,且优选权重的GM（1,1）预测误差更小,预测精度提高了 44.2%。（4）基于Wiener过程建立了考虑不同因素的缸套服役可靠性评估模型,分析了缸套服役可靠性的动态演变规律。结果表明:基于Wiener过程的模糊可靠性曲线变化趋势要比考虑漂移系数随机性的Wiener退化过程可靠性曲线陡峭一些,而比不考虑漂移系数随机性的Wiener退化过程可靠性曲线平缓很多。
左岗岗[8]（2021）在《基于机器学习的径流预测方法及适应性预测机制研究》文中研究表明变化环境影响下,径流形成过程和演进机理复杂多变,流域稳态假设不再成立。基于历史资料和实际变化调查,评价一致性、可靠性、代表性的传统工作暴露了不少问题。在此背景下,开展响应变化的径流预测既难又关键。由问题驱动,走先进可行的技术路线既是探索也是突破。本论文立足于响应环境变化和支撑水资源管理决策的径流适应性预测,开展了径流预测方法及适应性预测机制研究。在构建径流适应性预测机制的基础上,首先基于对径流演变规律的大数据分析,挖掘径流形成的驱动要素,提取径流预测因子;然后借助机器学习技术,提出径流预测模型构建方法,建立径流预测模型;最后以综合集成平台为支撑,设计并开发融合机制、数据、模型、方法和业务的径流适应性预测系统,实现不同应用主题、不同驱动因子、不同时空尺度和不同模型组合的径流适应性预测。论文的主要研究内容及成果如下:（1）提出并建立了响应变化和支撑决策的径流适应性预测机制。针对变化环境下流域稳态假设不再成立的问题,分析了变化环境对径流预测的影响和径流预测对水资源管理的支撑作用,明确了径流适应性预测需要响应和支撑的对象及其变化因素。从径流预测活动的数据输入、模型和预测结果应用层面,设计了响应环境变化和支撑决策的径流适应性预测机制,为变化环境下的径流预测提供了新的模式和思路。基于大数据分析和机器学习,构建了实现径流适应性预测机制的技术方法;基于综合集成平台,建立了径流适应性预测机制的图谱化集成实现技术,为径流适应性预测奠定了技术基础。（2）建立了基于大数据分析的径流驱动因子挖掘方法。针对变化环境下径流统计规律和成因规律频繁改变的问题,采用传统方法与大数据分析相结合的方法,提出了径流关键驱动因子挖掘技术方法,去除了对径流变化影响不显着的特征要素,抽取了影响径流变化的隐含特征因子,辨识了水文、气象和植被等特征要素对径流变化的驱动关系,提取了径流变化的关键驱动因子,为基于机器学习的径流适应性预测奠定了数据基础。（3）提出了基于机器学习的径流预测模型构建方法。针对变化环境下径流驱动因子频繁改变,引起径流预测模型结构和参数不适用的问题,将机器学习技术引入径流预测,提出了径流预测机器学习模型构建方法,实现了径流预测模型自学习,有效地响应了变化,为径流适应性预测模型构建奠定了方法基础。针对径流预测机器学习模型的黑箱特征,建立了模型解释流程,实现了对径流预测机器学习模型的解释说明,为径流适应性预测奠定了应用基础。（4）构建了基于径流统计规律的径流预测机器学习模型。针对气象和下垫面要素缺测区域的径流适应性预测问题,提出了基于径流统计规律,构建径流预测机器学习模型的框架。将信号处理算法和机器学习算法相结合,使用历史径流,构建了不同时间尺度或空间尺度下径流预测机器学习模型,并开展了多模型对比评价,避免未来信息使用的同时有效降低了信号处理算法边界效应的影响,为开展径流适应性预测奠定了模型基础。（5）构建了基于径流成因规律的径流预测机器学习模型。针对气候变化和下垫面环境演变对径流形成过程的影响问题,提出了基于径流成因规律,构建径流预测机器学习模型的框架。基于机器学习算法,使用历史径流、气象要素和下垫面特征要素,构建了不同时间尺度或空间尺度下的径流预测机器学习模型,并开展了多模型对比评价,在有效利用径流变化成因信息的同时,基于历史同期径流变化情况,实现了对模型预测结果的修正,为径流适应性预测奠定了模型基础。（6）设计并开发了径流适应性预测系统,开展了集成应用研究。针对径流适应性预测需要过程化决策支撑的问题,采用“平台+内容+服务”的方式,设计了径流适应性预测系统。基于综合集成平台,构建了径流预测数据库、模型方法组件库和知识图库,实现了对预测数据、预测模型和预测业务的分离管理。通过组件集成数据、模型和方法,知识图集成组件的方式,实现了径流适应性预测系统的快速搭建。通过系统的持续集成应用,开展了“引汉济渭”工程黄金峡水库的预测调度业务模拟仿真,实现了径流适应性预测。
闵恺艺[9]（2021）在《基于多测点模型的面板堆石坝沉降变形预测研究》文中研究指明沉降变形监测是面板堆石坝全生命周期安全管理的重点项目。通过对大坝结构性态的系统监控与数据预测,有益于管理人员及时了解与准确评估大坝运行状态,有助于提供异常预警与实施维护措施。随着自动化监测系统的发展,大坝变形监测传感器数量大大增加,利用变形数据进行大坝结构健康预测的方法从单测点统计模型逐步转变为多测点模型与机器学习模型的组合模型。因此,开展面板堆石坝沉降的多测点预测模型相关研究,对于宏观掌控大坝整体变形趋势具有十分重要的科学意义。本文的主要研究内容如下:（1）通过引入空间位置的方式构建多测点统计模型,根据测点坐标位置、外界环境量与沉降对应关系进行预测。结合改进的粒子群优化支持向量机的非线性映射能力,提高模型拟合与预测精度。针对多测点模型测点样本和影响因子选取范围的界定问题,设计了5种测试方案,通过实例分析验证了测点选取对模型预测性能产生的影响。结果表明,多测点模型预测能力受测点相关程度的影响较大,合理选择相似度高的测点数据作为训练样本对变形监控模型有效预测尤为重要。（2）采用时空序列数据分析方法,建立多测点模型来预测失效测点的沉降变形。以达到长时序数据缺失修复的目标。针对传统多测点模型训练集内数据混杂的情况,采用面板数据聚类分析作为监测点变形相似性的度量方法来筛选合适的测点数据。以积石峡面板堆石坝的坝内沉降监测数据为例,比较不同预测模型、不同聚类分组和不同监测数据数目对模型预测结果的影响,对模型的有效性和可靠性进行了验证评估。结果表明,多测点模型适用于监测资料不足情况下的失效点沉降值长期预测,并且经面板数据聚类筛选后,模型效率与预测精度得到了明显改善,为修复长期失效点变形数据提供了新的途径。（3）基于面板堆石坝沉降变形物理成因分析和空间分量拓展的思路,构建多测点时空预测模型。综合分析了蓄水运行期的水位荷载传递、堆石体流变以及土料特性对沉降的影响作用,建立了多因素作用下堆石坝运行期的时空分布模型。利用XGBoost模型进行了拟合预测和特征值贡献性分析,根据各项性能指标对模型进行了评估。结果表明上方填筑高程、堆石厚度、测点至面板距离和土体材料等空间参数符合堆石坝变形特性,与空间参量耦合后的新影响因子形式对模型预测有更高的增益贡献。以梨园面板堆石坝沉降监测数据为例,多因素作用下新多测点模型对全断面测点的变形预测精度较高,对大坝沉降变形监测项目具有一定的应用和推广价值。
蒋尚婧[10]（2021）在《面向城市三维形态分析的城市高程模型多态表达方法研究》文中提出
二、Some Experiments with Multivariate Objective Analysis Scheme of Heights and Winds Using Optimum Interpolation（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Some Experiments with Multivariate Objective Analysis Scheme of Heights and Winds Using Optimum Interpolation（论文提纲范文）
（1）基于生态系统服务权衡的农地格局与利用决策研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究动机 |
| 1.1.1 农地生态系统服务权衡是全球可持续发展的重要议题 |
| 1.1.2 单一供给服务型农地利用是制约乡村全面振兴的主要障碍 |
| 1.1.3 农地管理决策趋向主体多元性、需求多样性、利用多宜性 |
| 1.2 研究目标和研究内容 |
| 1.2.1 研究目标 |
| 1.2.2 拟解决的关键问题 |
| 1.2.3 研究内容 |
| 1.3 相关概念的界定 |
| 1.3.1 农地 |
| 1.3.2 生态系统服务权衡 |
| 1.4 研究区域与数据资料 |
| 1.4.1 研究区选择与概况 |
| 1.4.2 研究数据来源 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线图 |
| 2 理论基础与文献回顾 |
| 2.1 相关理论基础 |
| 2.1.1 可持续发展理论 |
| 2.1.2 农户行为理论 |
| 2.1.3 社会—生态系统理论 |
| 2.1.4 空间韧性理论 |
| 2.2 文献回顾 |
| 2.2.1 农地生态系统服务/多功能权衡的研究视域 |
| 2.2.2 农地生态系统服务与价值评估 |
| 2.2.3 农地(空间)生态系统服务权衡 |
| 2.2.4 生态系统服务在土地利用管理中的决策应用 |
| 2.2.5 文献评述 |
| 3 基于生态系统服务权衡的土地利用分析框架 |
| 3.1 生态系统服务与土地管理决策相融合的重点与难点 |
| 3.1.1 生态系统服务权衡的理论优势与应用挑战 |
| 3.1.2 生态系统服务应用在土地利用管理实践中的核心问题 |
| 3.2 生态系统服务权衡的尺度结构和权衡规律-权衡决策关联 |
| 3.3 融合生态系统服务的土地利用规划(决策)的概念框架 |
| 4 农地生态系统服务权衡测度与空间表达 |
| 4.1 生态系统服务评估和空间制图 |
| 4.1.1 农地生态系统服务内容选择 |
| 4.1.2 采样方法与数据处理 |
| 4.1.3 评估结果与空间格局 |
| 4.2 农地生态系统服务权衡关系和“簇”识别 |
| 4.2.1 相关性分析 |
| 4.2.2 主成分分析 |
| 4.2.3 生态系统服务簇 |
| 4.3 生态系统服务簇的影响机理分析 |
| 4.3.1 生态系统服务簇与土地利用类型的关联关系 |
| 4.3.2 生态系统服务簇与空间特征的关联关系 |
| 4.4 小结 |
| 5 农户土地利用行为的生态系统服务权衡及影响因素 |
| 5.1 基于社会-生态系统(SES)理论的农户生态系统服务权衡 |
| 5.2 研究方法与数据获取 |
| 5.2.1 样本的获取与分布 |
| 5.2.2 变量选择及指标体系 |
| 5.3 调查样本基本特征 |
| 5.3.1 农户家庭耕地资源特征 |
| 5.3.2 家庭人口资源特征 |
| 5.3.3 农户家庭生态系统服务供给特征 |
| 5.4 农户行为的生态系统服务权衡特征识别 |
| 5.5 不同权衡类型农户行为的影响因素及机理分析 |
| 5.6 小结 |
| 6 基于生态系统服务权衡的农地利用规划 |
| 6.1 情景规划与生态系统服务权衡 |
| 6.2 KESHO情景规划工具 |
| 6.2.1 情景规划的概念与特点 |
| 6.2.2 KESHO情景规划工具 |
| 6.3 生态系统服务权衡导向的情景界定和展开 |
| 6.3.1 情景基础界定 |
| 6.3.2 基于多元利益主体诉求的情景建立 |
| 6.4 建模 |
| 6.4.1 土地利用变化可能性及关键驱动因素分析 |
| 6.4.2 土地需求量确定 |
| 6.4.3 土地利用变化发生的概率确定 |
| 6.5 情景分析的综合、反馈及规划方案输出 |
| 6.5.1 土地利用/覆被变化情况 |
| 6.5.2 不同情景下的土地利用布局及调控政策 |
| 6.5.3 土地利用变化驱动及因果链 |
| 6.5.4 验证、评估与反馈 |
| 6.6 小结 |
| 7 基于生态系统服务权衡的农户土地利用行为优化 |
| 7.1 基于生产可能性边界(PPF)的农地可持续利用框架 |
| 7.2 物质生产和栖息地质量的评估计算 |
| 7.2.1 生计指数 |
| 7.2.2 综合丰度 |
| 7.3 生态系统服务两两之间权衡关系分析 |
| 7.4 农户土地利用优化的政策建议 |
| 7.4.1 阻碍可持续农业的约束因素 |
| 7.4.2 通向农业可持续的路径与措施 |
| 7.4.3 农地整治中的生态过程与服务权衡:基于PPF曲线的再审视 |
| 7.5 小结 |
| 8 主要结论及研究展望 |
| 8.1 主要结论 |
| 8.2 可能的创新点 |
| 8.3 局限与展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 科研成果 |
| 参与科研项目 |
（2）基于耦合因子的变温变湿干燥谷物品质特性及窗口控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究发展及现状 |
| 1.2.1 谷物机械化干燥技术发展及现状 |
| 1.2.2 干燥技术对谷物特性影响研究现状 |
| 1.2.3 多因子耦合理论在农业领域应用现状 |
| 1.2.4 谷物干燥机控制方法研究现状 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 谷物干燥过程多因子耦合特性分析 |
| 2.1 谷物干燥过程多因子耦合理论 |
| 2.1.1 因子分析理论基本概念 |
| 2.1.2 耦合基本概念 |
| 2.1.3 谷物干燥过程多因子耦合基本概念及形式 |
| 2.2 耦合因子特性分析 |
| 2.2.1 干燥绝对水势 |
| 2.2.2 有效干燥积温 |
| 2.3 干燥系统耦合因子定义及公式 |
| 2.3.1 干燥系统耦合因子名称及物理意义 |
| 2.3.2 干燥系统耦合因子计算公式 |
| 2.4 本章小结 |
| 第3章 基于耦合因子的玉米分段变温变湿干燥工艺及品质特性研究 |
| 3.1 试验方案设计 |
| 3.1.1 试验设计依据及数据来源 |
| 3.1.2 全面试验方案设计 |
| 3.2 干燥试验设备与材料 |
| 3.2.1 多参数可控薄层试验台 |
| 3.2.2 干燥试验其它设备与材料 |
| 3.3 试验方法 |
| 3.3.1 薄层干燥方法 |
| 3.3.2 玉米响应指标检测及计算方法 |
| 3.3.3 单指标分析与优化方法 |
| 3.3.4 综合指标分析与优化方法 |
| 3.3.5 干燥系统耦合因子与玉米响应指标相关性分析方法 |
| 3.4 玉米全面试验结果与分析 |
| 3.4.1 全面试验数据及指标检测结果 |
| 3.4.2 响应面法单指标优化结果 |
| 3.4.3 遗传算法多指标优化结果与分析 |
| 3.5 干燥系统耦合因子与响应指标相关性分析 |
| 3.5.1 相关性结果与分析 |
| 3.5.2 谷物绝对水势积与干燥特性以及品质特性相关性图示 |
| 3.6 本章小结 |
| 第4章 基于耦合因子的稻谷分段变温变湿干燥工艺及品质特性研究 |
| 4.1 试验方案设计 |
| 4.1.1 试验设计依据及数据来源 |
| 4.1.2 全面试验方案设计 |
| 4.2 干燥试验设备与材料 |
| 4.2.1 干燥试验设备 |
| 4.2.2 试验材料 |
| 4.3 试验方法 |
| 4.3.1 薄层干燥方法 |
| 4.3.2 稻谷响应指标检测及计算方法 |
| 4.3.3 单指标分析与优化方法 |
| 4.3.4 综合指标分析与优化方法 |
| 4.3.5 干燥系统耦合因子与稻谷响应指标相关性分析方法 |
| 4.4 稻谷全面试验结果与分析 |
| 4.4.1 全面试验数据及指标检测结果 |
| 4.4.2 响应面法单指标优化结果 |
| 4.4.3 遗传算法多指标优化结果 |
| 4.5 干燥系统耦合因子与响应指标相关性分析 |
| 4.5.1 相关性结果与分析 |
| 4.5.2 谷物绝对水势积与干燥特性以及品质特性的相关性图示 |
| 4.6 本章小结 |
| 第5章 基于理想耦合因子的稻谷连续干燥控制方法改进 |
| 5.1 机理与数据双驱动控制 |
| 5.2 连续干燥过程互窗口AI控制 |
| 5.3 稻谷连续干燥双驱动互窗口AI控制方法 |
| 5.3.1 双驱动互窗口AI控制原理 |
| 5.3.2 基于机理驱动控制的窗口与模型选择 |
| 5.3.3 基于数据驱动控制的窗口调整与窗口自适应 |
| 5.4 连续干燥过程双驱动互窗口控制方法图示 |
| 5.5 本章小结 |
| 第6章 基于双驱动互窗口AI控制改进方法的稻谷干燥试验 |
| 6.1 小型连续式谷物干燥机 |
| 6.2 控制系统硬件及软件设计 |
| 6.2.1 硬件设计 |
| 6.2.2 软件设计 |
| 6.3 谷物绝对水势积模型建立 |
| 6.3.1 理论谷物绝对水势积模型 |
| 6.3.2 等效谷物绝对水势积模型 |
| 6.4 稻谷连续干燥试验 |
| 6.4.1 试验材料和设备 |
| 6.4.2 试验方案 |
| 6.4.3 稻谷出口水分控制精度分析与对比 |
| 6.4.4 稻谷干燥品质变化分析与对比 |
| 6.4.5 稻谷微观结构观察与对比 |
| 6.5 本章小结 |
| 第7章 结论和展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者在学期间所取得的科研成果 |
| 致谢 |
| 附录 |
| 附录1 耦合因子与玉米响应指标方差分析P-Value表 |
| 附录2 耦合因子与稻谷响应指标方差分析P-Value表 |
| 附录3 稻谷连续干燥试验1部分数据表 |
| 附录4 稻谷连续干燥试验2部分数据表 |
| 附录5 稻谷连续干燥试验3部分数据表 |
（3）风电功率时空不确定性预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写符号汇总 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 风电功率时空不确定性预测研究现状 |
| 1.2.1 风电功率不确定性预测 |
| 1.2.2 考虑时空相关性的风电功率预测 |
| 1.2.3 主要问题总结 |
| 1.3 论文研究思路 |
| 1.4 论文研究内容与框架 |
| 第2章 基于改进深度混合密度网络的短期风电功率空间联合不确定性预测 |
| 2.1 引言 |
| 2.2 混合密度网络及密度泄露问题 |
| 2.2.1 原始混合密度网络 |
| 2.2.2 密度泄露问题 |
| 2.3 基于BETA分布的改进深度混合密度网络 |
| 2.3.1 Beta分布及其性质 |
| 2.3.2 改进深度混合密度网络的结构 |
| 2.3.3 数值稳定策略 |
| 2.4 算例分析 |
| 2.4.1 数据介绍 |
| 2.4.2 评价指标与对比方法 |
| 2.4.3 模型设置 |
| 2.4.4 确定性预测结果对比 |
| 2.4.5 概率预测结果对比 |
| 2.4.6 密度泄露对比 |
| 2.4.7 训练时间对比 |
| 2.4.8 讨论 |
| 2.5 结论 |
| 第3章 基于多源时序注意力网络的短期风电功率时序联合不确定性预测 |
| 3.1 引言 |
| 3.2 多源NWP及其时序误差模式 |
| 3.2.1 单源NWP与多源NWP对比 |
| 3.2.2 多源NWP的时序误差模式 |
| 3.3 多源时序注意力网络模型 |
| 3.3.1 问题描述与模型整体框架 |
| 3.3.2 多源变量注意力模块 |
| 3.3.3 残差模块 |
| 3.3.4 时序注意力模块 |
| 3.3.5 混合密度网络模块 |
| 3.3.6 损失函数与训练方法 |
| 3.3.7 各模块间关系 |
| 3.4 算例分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 对比模型介绍 |
| 3.4.3 模型设置 |
| 3.4.4 评价指标 |
| 3.4.5 确定性预测结果分析 |
| 3.4.6 概率预测结果分析 |
| 3.4.7 误差显着性评估 |
| 3.5 小结 |
| 第4章 基于自适应时空图卷积网络的短期风电功率时空联合不确定性预测 |
| 4.1 引言 |
| 4.2 自适应时空图卷积 |
| 4.2.1 问题定义 |
| 4.2.2 自适应时空图卷积网络整体框架 |
| 4.2.3 多位置-多源变量注意力模块 |
| 4.2.4 时空特征提取模块 |
| 4.2.5 时空混合密度网络模块 |
| 4.2.6 损失函数和优化方法 |
| 4.3 算例分析 |
| 4.3.1 数据与评价准则 |
| 4.3.2 对比模型介绍 |
| 4.3.3 模型设置 |
| 4.3.4 确定性预测结果 |
| 4.3.5 不确定性预测结果 |
| 4.4 讨论 |
| 4.5 小结 |
| 第5章 考虑数据保护的超短期风电功率时空联合不确定性预测 |
| 5.1 引言 |
| 5.2 SPLIT LEARNING |
| 5.3 分割网络-SPLITNN |
| 5.3.1 网络模型结构 |
| 5.3.2 客户端与服务端训练过程 |
| 5.4 算例分析 |
| 5.4.1 数据描述 |
| 5.4.2 评价指标 |
| 5.4.3 SplitNN与单区域建模方案对比 |
| 5.4.4 SplitNN与集中式方案对比 |
| 5.4.5 讨论 |
| 5.5 小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）高铁新能源微电网规划定容及调度优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实际意义 |
| 1.3 国内外研究现状 |
| 1.3.1 高铁供电安全研究现状 |
| 1.3.2 新能源发电并入牵引供电系统研究现状 |
| 1.3.3 基于能源互联网的微电网定容研究现状 |
| 1.3.4 基于能源互联网的微电网调度研究现状 |
| 1.4 研究思路及主要研究内容 |
| 1.4.1 研究思路 |
| 1.4.2 主要研究内容 |
| 1.5 创新点 |
| 第2章 高铁新能源微电网及相关基础理论 |
| 2.1 高铁供电理论 |
| 2.1.1 高铁供电系统基本架构 |
| 2.1.2 牵引供电原理 |
| 2.2 高铁新能源微电网牵引供电 |
| 2.2.1 可行性及必要性 |
| 2.2.2 高铁新能源微电网牵引供电的特殊性 |
| 2.2.3 重点研究内容 |
| 2.3 相关理论基础 |
| 2.3.1 牵引供电安全理论 |
| 2.3.2 定容优化理论 |
| 2.3.3 调度优化理论 |
| 2.3.4 多目标优化理论 |
| 2.4 本章小结 |
| 第3章 高铁新能源牵引供电安全性测度方法研究 |
| 3.1 高铁新能源牵引供电安全性测度的重要性 |
| 3.2 风险识别 |
| 3.2.1 历史电力机车故障分析 |
| 3.2.2 新能源发电并网的影响 |
| 3.2.3 风险因子 |
| 3.3 高铁新能源牵引供电安全性测度 |
| 3.3.1 高铁新能源牵引供电安全测评体系 |
| 3.3.2 高铁新能源牵引供电安全系数 |
| 3.4 本章小结 |
| 第4章 高铁新能源微电网规划方法研究 |
| 4.1 新能源发电并入牵引供电系统的并入方式 |
| 4.1.1 特征分析 |
| 4.1.2 并入方式的选取 |
| 4.2 高铁新能源微电网的构建原则 |
| 4.3 高铁新能源微电网的基本架构 |
| 4.4 建立高铁新能源微电网的核心技术 |
| 4.4.1 能源互联网技术 |
| 4.4.2 区块链技术 |
| 4.5 本章小结 |
| 第5章 基于安全约束的高铁新能源微电网定容模型研究 |
| 5.1 高铁新能源微电网定容主要相关因素分析 |
| 5.1.1 新能源发电预测 |
| 5.1.2 牵引负荷预测 |
| 5.2 “源-源-储”互动调节机制 |
| 5.3 基于安全约束的高铁新能源微电网定容模型 |
| 5.3.1 MOPEC模型框架 |
| 5.3.2 目标函数 |
| 5.3.3 约束条件 |
| 5.4 基于改进型量子遗传算法求解 |
| 5.4.1 量子遗传算法基本原理 |
| 5.4.2 改进型量子遗传算法基本原理 |
| 5.4.3 改进型量子遗传算法流程 |
| 5.5 算例仿真 |
| 5.5.1 输入数据 |
| 5.5.2 参数设置 |
| 5.5.3 结果分析 |
| 5.6 本章小结 |
| 第6章 基于安全约束的高铁新能源微电网调度模型研究 |
| 6.1 高铁新能源微电网调度的基本原则 |
| 6.1.1 高铁“源-网-车-储”多环节互动机制 |
| 6.1.2 情景分析 |
| 6.2 基于安全约束的高铁新能源微电网调度模型 |
| 6.2.1 目标函数 |
| 6.2.2 约束条件 |
| 6.2.3 模型求解 |
| 6.3 算例仿真 |
| 6.4 本章小结 |
| 第7章 高铁新能源微电网综合效益评价模型研究 |
| 7.1 高铁新能源微电网综合效益评价指标体系 |
| 7.1.1 评价指标体系构建原则 |
| 7.1.2 评价指标体系的构建 |
| 7.2 高铁新能源微电网综合效益评价模型基本理论 |
| 7.2.1 模糊神经网络 |
| 7.2.2 模糊神经网络原理 |
| 7.3 高铁新能源微电网综合效益评价模型 |
| 7.3.1 模型的构建 |
| 7.3.2 模型评价过程 |
| 7.4 算例仿真 |
| 7.4.1 数据预处理 |
| 7.4.2 模型求解 |
| 7.4.3 结果分析 |
| 7.5 本章小结 |
| 第8章 结论与展望 |
| 8.1 研究结果与结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（6）分布式延时工业系统软测量建模与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 软测量技术概述 |
| 1.2.2 软测量建模步骤 |
| 1.2.3 具有延时特征的软测量技术研究现状 |
| 1.3 论文研究的主要内容 |
| 2 工业过程监测数据预处理 |
| 2.1 引言 |
| 2.2 工业过程数据分析 |
| 2.3 工业过程数据空值点处理方法 |
| 2.3.1 简单插补法 |
| 2.3.2 K-近邻插补法 |
| 2.3.3 多元线性回归插补法 |
| 2.4 工业过程数据异常值检测方法 |
| 2.4.1 基于留一交叉验证的异常值检测方法 |
| 2.4.2 案例分析 |
| 2.5 本章小结 |
| 3 一种两阶段辅助变量选择方法 |
| 3.1 引言 |
| 3.2 方法原理介绍 |
| 3.2.1 最大信息系数法 |
| 3.2.2 近似马尔可夫毯方法 |
| 3.2.3 两阶段辅助变量选择方法 |
| 3.3 实验与结果分析 |
| 3.4 本章小结 |
| 4 面向多阶段延时特征的关键变量估计方法 |
| 4.1 引言 |
| 4.2 随机森林回归方法介绍 |
| 4.2.1 CART决策树 |
| 4.2.2 Bagging算法 |
| 4.2.3 随机森林回归模型构建 |
| 4.3 基于随机森林回归的延时参数在线估计 |
| 4.4 面向多阶段延时特征的输出在线估计 |
| 4.5 案例研究与结果分析 |
| 4.6 本章小结 |
| 5 面向延时特征不明确的关键变量估计方法 |
| 5.1 引言 |
| 5.2 基本原理介绍 |
| 5.2.1 时延神经网络介绍 |
| 5.2.2 岭回归方法介绍 |
| 5.2.3 粒子群算法介绍 |
| 5.3 基于局部信息的加权岭回归方法 |
| 5.4 案例研究与结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（7）珩磨缸套粗糙度和磨损预测及可靠性评估（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 缸套珩磨表面粗糙度评定参数介绍 |
| 1.3 国内外研究现状 |
| 1.3.1 表面粗糙度预测及多目标优化研究现状 |
| 1.3.2 磨损量预测研究现状 |
| 1.3.3 基于Wiener过程的可靠性评估研究现状 |
| 1.4 本文主要研究内容 |
| 2 基于BPNN和 GRNN的缸套珩磨表面粗糙度预测 |
| 2.1 试验设计及测量结果 |
| 2.2 表面粗糙度的BPNN预测模型建模及预测 |
| 2.2.1 建立BPNN预测模型 |
| 2.2.2 基于BPNN预测模型的粗糙度预测结果 |
| 2.3 表面粗糙度的GRNN预测模型建模及预测 |
| 2.3.1 建立GRNN预测模型 |
| 2.3.2 基于GRNN预测模型的粗糙度预测结果 |
| 2.4 结果讨论与分析 |
| 2.5 本章小结 |
| 3 缸套表面粗糙度响应面法分析及Pareto多目标协同优化 |
| 3.1 试验方案及测量结果 |
| 3.1.1 试验方案 |
| 3.1.2 测量结果 |
| 3.2 表面粗糙度的响应面法建模分析 |
| 3.3 表面粗糙度回归模型优化 |
| 3.4 基于Pareto最优解的多目标协同优化 |
| 3.4.1 多目标优化问题的概念 |
| 3.4.2 缸套表面粗糙度的多目标优化 |
| 3.5 本章小结 |
| 4 基于灰色系统理论的缸套磨损量预测 |
| 4.1 灰色预测模型及其精度检测方法简介 |
| 4.1.1 灰色预测模型简介 |
| 4.1.2 灰色预测模型精度检测方法 |
| 4.2 退化数据的获取及预处理 |
| 4.2.1 缸套磨损数据获取 |
| 4.2.2 数据预处理 |
| 4.3 磨损量的灰色预测模型 |
| 4.3.1 灰色模型原理 |
| 4.3.2 GM(1,1)模型检验 |
| 4.4 数据驱动的GM(1,1)模型 |
| 4.5 本章小结 |
| 5 基于Wiener过程的缸套服役可靠性评估 |
| 5.1 Wiener过程简介 |
| 5.2 不考虑漂移系数随机性的维纳退化过程建模 |
| 5.2.1 缸套服役可靠性建模 |
| 5.2.2 模型参数估计及可靠性预测 |
| 5.3 考虑漂移系数随机性的维纳退化过程建模 |
| 5.3.1 缸套服役可靠性建模 |
| 5.3.2 模型参数估计及可靠性预测 |
| 5.4 基于Wiener过程的模糊可靠性预测模型 |
| 5.4.1 模糊事件与模糊集合 |
| 5.4.2 模糊可靠性预测模型建模分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 |
| 攻读学位期间主要研究成果 |
（8）基于机器学习的径流预测方法及适应性预测机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题背景 |
| 1.1.3 研究目的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 径流预测 |
| 1.2.2 机器学习 |
| 1.3 存在的不足分析 |
| 1.4 主要研究内容 |
| 1.5 研究技术路线 |
| 1.6 研究区域与数据 |
| 2 响应变化与支撑决策的径流适应性预测机制研究 |
| 2.1 响应与支撑对象分析 |
| 2.1.1 变化环境对径流预测的影响分析 |
| 2.1.2 径流预测对水资源管理的决策支撑作用分析 |
| 2.1.3 对象及因素归类 |
| 2.2 径流适应性预测机制构建 |
| 2.2.1 响应环境变化的适应性机制构建 |
| 2.2.2 支撑决策的适应性机制构建 |
| 2.3 适应性机制实现技术方法构建 |
| 2.3.1 响应环境变化的适应性机制技术实现 |
| 2.3.2 支撑决策的适应性机制技术实现 |
| 2.4 适应性机制图谱化集成实现方式 |
| 2.4.1 适应性机制实现的关键支撑平台及技术 |
| 2.4.2 基于知识图的径流预测图谱构建 |
| 2.4.3 基于预测图谱的适应性机制集成 |
| 2.5 本章小结 |
| 3 基于大数据分析的径流驱动因子挖掘研究 |
| 3.1 径流预测特征因子预处理 |
| 3.1.1 特征因子提取 |
| 3.1.2 特征因子缺失值处理 |
| 3.1.3 复杂非线性特征因子分解 |
| 3.1.4 特征因子清洗 |
| 3.2 特征因子对径流变化的驱动关系构建 |
| 3.2.1 特征因子滞后时段选择 |
| 3.2.2 驱动关系构建方式 |
| 3.3 基于成因贡献分析的驱动因子提取 |
| 3.3.1 径流成因贡献分析 |
| 3.3.2 关键驱动因子提取 |
| 3.4 径流预测样本集构建 |
| 3.4.1 基于统计规律的径流预测样本 |
| 3.4.2 基于成因规律的径流预测样本 |
| 3.5 本章小结 |
| 4 基于机器学习的径流预测模型构建方法 |
| 4.1 径流预测样本预处理 |
| 4.1.1 样本集划分 |
| 4.1.2 样本集归一化 |
| 4.2 径流预测机器学习模型构建 |
| 4.2.1 支持向量回归机 |
| 4.2.2 梯度增强决策回归树 |
| 4.2.3 长短期记忆神经网络 |
| 4.3 径流预测机器学习模型优化 |
| 4.3.1 模型性能评价 |
| 4.3.2 模型超参数优化 |
| 4.4 径流预测机器学习模型解释 |
| 4.4.1 解释对象确定 |
| 4.4.2 解释需求分析 |
| 4.4.3 解释方法梳理 |
| 4.5 本章小结 |
| 5 基于统计规律的径流预测机器学习模型研究 |
| 5.1 基于统计规律的径流预测框架 |
| 5.2 径流预测实例验证与对比评价 |
| 5.2.1 TSDF模型中边界效应的减少 |
| 5.2.2 直接法与多分量法效果对比 |
| 5.2.3 TSDF模型的过拟合程度 |
| 5.2.4 不同预见期TSDF预测效果 |
| 5.2.5 不同分解算法及预测框架的效果 |
| 5.2.6 径流预测与径流回测的差距 |
| 5.3 本章小结 |
| 6 基于成因规律的径流预测机器学习模型研究 |
| 6.1 基于成因规律的径流预测框架 |
| 6.2 径流预测实例验证与对比评价 |
| 6.2.1 不同驱动因子筛选阈值对比 |
| 6.2.2 气象与ERA5L要素的预测效果对比 |
| 6.2.3 降维与线性相关重构的预测效果对比 |
| 6.2.4 径流序列降噪对预测效果的提升 |
| 6.2.5 不同预见期多模型对比 |
| 6.3 本章小结 |
| 7 径流适应性预测系统研究与集成实现 |
| 7.1 径流适应性预测系统设计 |
| 7.2 径流预测主题知识图构建 |
| 7.2.1 径流预测业务主题划分 |
| 7.2.2 径流预测主题知识图绘制 |
| 7.3 径流预测模型方法组件库构建 |
| 7.3.1 径流预测模型方法组件化 |
| 7.3.2 径流预测组件定制 |
| 7.4 径流适应性预测系统构建 |
| 7.4.1 预测图谱与组件耦合集成 |
| 7.4.2 径流预测图谱集成运行 |
| 7.5 径流适应性预测系统应用 |
| 7.5.1 径流预测数据集管理 |
| 7.5.2 径流驱动因子挖掘 |
| 7.5.3 径流预测模型构建 |
| 7.5.4 径流预测结果应用 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 主要研究成果 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 建模工具、程序及模型性能评价 |
| 参考文献 |
| 攻读博士学位期间主要研究成果 |
（9）基于多测点模型的面板堆石坝沉降变形预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常规模型 |
| 1.2.2 机器学习模型 |
| 1.2.3 多测点模型 |
| 1.3 本文研究的主要内容及技术路线图 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线图 |
| 2 大坝沉降变形统计模型及机器学习模型 |
| 2.1 大坝沉降变形统计模型 |
| 2.2 基于改进PSO-SVM算法的面板堆石坝沉降预测模型 |
| 2.2.1 支持向量机原理 |
| 2.2.2 PSO算法原理 |
| 2.2.3 常见粒子群算法改进方法 |
| 2.3 基于XGBoost算法的面板堆石坝沉降预测模型 |
| 2.3.1 XGBoost算法预测模型原理 |
| 2.3.2 基于XGBoost方法的变量重要性估计 |
| 2.4 本章小结 |
| 3 不同测点和影响因子选取方案下多测点模型性能分析 |
| 3.1 多测点模型简介 |
| 3.2 多测点模型影响因子筛选 |
| 3.2.1 多测点模型影响因子 |
| 3.2.2 逐步线性回归法 |
| 3.3 多测点模型测点选取 |
| 3.3.1 工程概况 |
| 3.3.2 实验方案设计 |
| 3.3.3 多测点机器学习模型构建 |
| 3.3.4 方案结果对比分析 |
| 3.4 本章小结 |
| 4 基于面板数据聚类分析和多测点模型的失效点数据预测 |
| 4.1 监测数据的面板数据聚类分析 |
| 4.1.1 面板数据定义 |
| 4.1.2 沉降监测数据的标准化分析 |
| 4.2 面板数据聚类分析 |
| 4.2.1 聚类分析含义 |
| 4.2.2 相似性度量方法 |
| 4.2.3 Ward聚类方法 |
| 4.3 工程实例分析 |
| 4.3.1 工程概况 |
| 4.3.2 聚类时段划分 |
| 4.3.3 聚类结果分析 |
| 4.3.4 多测点预测模型构建 |
| 4.4 模型性能测试 |
| 4.4.1 不同的预测模型 |
| 4.4.2 不同的聚类分组 |
| 4.4.3 不同的监测数据数 |
| 4.5 本章小结 |
| 5 面板堆石坝运行期多测点预测模型研究 |
| 5.1 多因素作用下堆石坝运行期的多测点模型 |
| 5.2 模型性能测试 |
| 5.2.1 工程概况 |
| 5.2.2 新多测点XGBoost模型构建 |
| 5.2.3 全断面测点变形预测 |
| 5.3 特征贡献性分析 |
| 5.3.1 基于XGBoost算法的特征重要性排序 |
| 5.3.2 基于SHAP函数的特征重要性可视化分析 |
| 5.3.3 新多测点模型的特征重要性分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
四、Some Experiments with Multivariate Objective Analysis Scheme of Heights and Winds Using Optimum Interpolation（论文参考文献）
- [1]基于生态系统服务权衡的农地格局与利用决策研究[D]. 陈莎. 浙江大学, 2021(01)
- [2]基于耦合因子的变温变湿干燥谷物品质特性及窗口控制方法研究[D]. 陈俊轶. 吉林大学, 2021(01)
- [3]风电功率时空不确定性预测方法研究[D]. 张浩. 华北电力大学(北京), 2021
- [4]高铁新能源微电网规划定容及调度优化研究[D]. 田立霞. 华北电力大学(北京), 2021(01)
- [5]大跨屋盖结构多目标等效静风荷载研究[D]. 胡善津. 哈尔滨工业大学, 2021
- [6]分布式延时工业系统软测量建模与应用[D]. 陈庞. 西安理工大学, 2021(01)
- [7]珩磨缸套粗糙度和磨损预测及可靠性评估[D]. 李杰. 西安理工大学, 2021
- [8]基于机器学习的径流预测方法及适应性预测机制研究[D]. 左岗岗. 西安理工大学, 2021
- [9]基于多测点模型的面板堆石坝沉降变形预测研究[D]. 闵恺艺. 西安理工大学, 2021(01)
- [10]面向城市三维形态分析的城市高程模型多态表达方法研究[D]. 蒋尚婧. 南京师范大学, 2021