关键词： 滑坡灾害   累计位移预测   变分模态分解   混合深度学习  

摘要： 滑坡灾害是最常见的地质灾害之一，在世界各地频繁发生，对可持续经济社会发展和人民生活造成严重威胁。滑坡变形过程具有复杂的非线性特征，对滑坡位移的准确预测提出了挑战。针对三峡库区滑坡位移过程复杂的问题，更好地实现滑坡位移的准确有效预测，本文提出了一种基于变分模态分解(VMD)与混合深度学习算法结合的滑坡位移预测模型。VMD用于将滑坡累计位移分解为趋势项、周期项和随机项位移，使用深度学习算法对各项位移分别进行预测，减少预测模型的拟合难度，提高预测的准确度。本文的主要成果如下:　　(1)对白水河滑坡的基本概况，包括外部地貌、地质特征等进行描述。从定性和定量的角度对白水河滑坡进行分析，发现白水河滑坡的累计位移曲线呈现阶梯式上升特征，从整体上看，白水河滑坡的变形主要集中在每年夏季，在其它季节滑坡变形缓慢。针对白水河滑坡累计位移曲线难以拟合的问题，选择VMD方法分离滑坡位移内部变化特征，得到具有滑坡总体单增趋势特征的趋势项位移、滑坡周期变化规律的周期项位移和滑坡受随机干扰因素特征的随机项位移。　　(2)从定性和定量的角度对白水河滑坡进行分析，滑坡的大幅变形跟降雨量的季节性增加和长江水位的周期性升降息息相关。考虑到诱发因素对滑坡的时滞影响，最终建立了白水河滑坡的九种相关诱发因素特征。通过VMD方法对这九种相关诱发因素分解，得出诱发因素周期项和随机项。为了充分挖掘外部诱发因素对于滑坡位移变形的关联信息，使用最大互信息理论，对这9种诱发因素序列与滑坡各项位移进行关联度分析计算，筛选出造成滑坡变形的重要诱发因素，降低了模型对滑坡位移预测的拟合难度。　　(3)针对单一深度学习模型对多诱因的滑坡位移预测问题上的局限性，提出时序卷积与长短时记忆网络(TemporalConvolutionalNetworkandLongShortTerm-MemoryNetwork,TCN-LSTM)混合深度学习模型对滑坡位移进行预测。TCN-LSTM混合模型结合了TCN模块以及LSTM模块两者各自的优点。TCN模块能够对滑坡位移数据以及诱发因素之间复杂特征关系进行提取，而LSTM模块拥有对时间序列数据高效的记忆能力。将TCN-LSTM模型应用于白水河滑坡监测点ZG93、ZG118和XD-01的滑坡位移预测中。与LSTM模型和TCN模型进行对比实验，实验结果表明，TCN-LSTM混合深度学习模型能够很好地拟合滑坡趋势项和周期项位移曲线，对随机项曲线进行大致的拟合。在四种模型评估指标中，TCN-LSTM模型的性能和精度都要高于其它四种模型。　　(4)将卷积块注意力模块(CBAM)嵌入到TCN-LSTM混合深度学习模型中，提出TCN-CBAM-LSTM模型，并将其应用于白水河滑坡位移预测任务中。CBAM模块是一种结合了通道注意机制和空间注意机制的注意力机制，注意力机制的使用允许神经网络集中在各项特征中最为重要的部分。位移预测结果表明，嵌入了CBAM的TCN-LSTM混合深度学习模型具有更好的滑坡位移预测性能，其预测的结果优于其它模型。

关键词： 碳市场价格预测   滤波异构   极限学习机   多因素模型   机器学习  

摘要： 碳排放权交易是一种基于市场的现代化生态治理手段。碳市场存在较大的不确定性风险。由于地方的监管政策和供需不同,碳价格的波动水平和范围迥异。传统的定性研究难以自适应、自组织、自学习地把握价格变化趋势。碳价格预测对企业和投资者在探索与发展碳金融业务具有重要的启示。通过对国内外相关碳价研究进行全面综述后发现,多尺度分解集成框架和多源数据驱动框架是当前碳价格预测研究热点。本文围绕这两个框架并结合具备极限运算速度的极限学习机作为回归器展开了两方面研究,主要工作包括: 一是提出新型滤波异构预测模式和增量稀疏局部线性嵌入核极限学习机。针对传统组合异构预测模式中线性模型对含高噪声的碳价时序的线性模式识别障碍和多尺度-多频预测的分解冗余现象,本文采用简易的Hodrick–Prescott(HP)滤波器识别特定碳价格周围重复的上下结构特征,克服了串-并联组合异构预测问题中线性和非线性模式识别障碍,也避免了多频分量重构的合成错误。自适应噪声CEEMDAN用于HP滤波后的随机分量和非线性分量的残差分解,对滤波异构模型进行误差校正。这种混合滤波异构建模预测方式在多个碳市场场景比较和复杂度分析中被证实有效。它在带线性趋势和复杂噪声的时序问题可作为多尺度模型的替代,为开创新型的双层分解集成模型奠定了基础。此外,采用贝叶斯优化调整七种单隐层前馈神经网络(SLFNs)的结构和输入,并发现核极限学习机(KELM)方法预测性能较好且计算效率较高。本文更进一步地探讨KELM模型捕获HP滤波后的长期趋势分量的局部波动趋势的可能性。它将传统的局部学习思想拓展为局部流形假设,假定每日价格预测向量由其历史邻近样本的线性重组。本文将局部线性嵌入这一图正则化假设嵌入到KELM目标函数中,并推导了该问题的在线贯序求解方式。在碳价格实证研究发现,局部线性嵌入相比拉普拉斯映射流形更能捕捉HP滤波异构框架下的低维流形,考虑自适应邻域选择能更好地考虑到碳价格分布有偏、尖峰厚尾的特征,让少数类的碳价格样本由更少的历史邻近样本的线性重组。并且,基于二次规划的稀疏求解找到的全局稀疏近邻,是探索到的更为长期的局部近邻,维护了KELM模型的长期记忆性。 二是专门为深圳市本土的碳交易现货市场构建基于复杂ELM网络的混沌时序模型和多因素模型。首先,构建了深圳碳价格连续指数,解决了深圳单一碳履约期合约的数据样本不足和后期有效成交日较少的问题。其次,本文一方面采用互信息法、曹方法、李亚普诺指数、关联维数法、Kolmogorov熵刻画了深圳碳价指数的混沌结构,另一方面,采用格兰杰因果检验从能源、化工、宏观经济、金融市场、系统不确定风险、环境气候、相关碳市场、搜索指数的八个方面探索了与深圳碳价格具备显著关联的外部驱动因素。再次,采用联合Relief F和随机森林特征重要性和核主成分分析对非结构化互联网指数进行降维处理和重要性评定。接着,面临碳价格的交互关系强时变的建模挑战,本文提出了六种机制改进传统ELM模型,包括深度机制、鲁棒机制、在线机制、遗忘机制、误差补偿机制、多种群结构优化机制,从而提出了基于多种群粒子群优化的带残差补偿的动态遗忘鲁棒极限自编码器。其中本文强调了ELM堆叠的层归一化,p阶韦尔施鲁棒损失函数和动态遗忘中缓冲变量对时序预测的重要性。遗忘鲁棒残差补偿极限自编码器对比常见的机器学习方法具有长足的优势。此外,本文还提出了五种因素建模策略来解决高维高相关的异源输入问题,包括基于群智能的特征选择策略、线性向后筛选策略、降维处理策略、基于偏最小二乘的组合异构策略、多因素残差补偿策略。实证研究表明,组合异构策略和多因素残差补偿策略能较为完美地预测深圳碳价格指数,因为它们在避免多因素共线性的前提上,保证了初级预测模型的稳定性,使碳价的变化规律和层次特性更加清晰,降低了整体模型的优化难度。 总而言之,本文提出的组合异构建模范式、多因素建模策略和改进的ELM模型能为碳排放市场中交易决策的制定提供有效的参考,也为其他金融市场的研究提供了新的视角和基础框架。

关键词： 隧道口边坡   位移预测模型   变分模态分解   极限学习机   粒子群优化灰狼  

摘要： 边坡的位移情况是确保其稳定性的关键因素,位移预测的有效性与预测模型的性能紧密相关。由于影响高铁隧道口边坡位移变化的因素复杂,边坡位移监测数据具有非线性、非平稳性的特点,因此构建科学有效的预测模型,提高边坡位移预测模型的预测精度,具有一定的理论和现实意义。本文通过采用变分模态分解(VMD)、极限学习机(ELM)、灰狼优化算法(GWO)和粒子群算法(PSO),以哈牡客运专线利民隧道洞口段边坡为研究对象,对边坡位移预测模型进行研究。(1)首先,针对边坡位移监测数据的非线性和复杂性,为提高数据的平滑性以及提取数据的细节特征,采用VMD对边坡位移监测数据进行处理。通过EMD的自适应分解特点确定VMD的最佳分解个数k,得到趋势项、周期项和波动项位移,为后文建立位移预测模型作铺垫。(2)其次,针对传统的ELM模型存在输入权值和隐含层神经元阈值随机生成易导致预测精度不佳的问题,采用粒子群算法优化灰狼算法(PSOGWO)对ELM的参数进行寻优,结合PSO算法较好的全局搜索能力和GWO算法较好的局部搜索能力,改进ELM模型的输入权值和隐含层神经元阈值,建立基于PSOGWO-ELM的位移预测模型。(3)最后,将VMD与PSOGWO-ELM预测模型相结合,分别对经VMD分解后得到的各个子序列进行预测,再将各个子序列的预测结果相叠加,获得位移预测的最终结果。实例验证结果表明:VMD-PSOGWO-ELM模型的平均绝对误差为0.3011mm,均方根误差为0.3771mm,平均绝对百分比误差为0.9931%,拟合优度为0.9943,该模型具有更高的预测精度及泛化性能。

关键词： 滑坡位移预测   滑坡位移变化特征分析   深度学习   数据分解   优化组合预报  

摘要： 黄土滑坡的准确预测可以帮助人们提前识别和预防滑坡灾害的发生,从而避免人员伤亡和财产损失。因此对滑坡体位移进行监测和预测是非常有必要的。目前应用于滑坡位移预警模型算法有许多,但模型的适应条件和水平各不相同,所以依据滑坡位移时间序列特性,分析模型的适用条件,选择合适的模型进行预报具有非常重要的工程实践意义。本文以甘肃省临夏市积石山县癿藏村滑坡和方家村滑坡的北斗/GNSS监测站BZ01、BZ02、FJ01监测数据为研究对象,使用六种智能预报模型,以平均绝对误差(MAE),平均绝对百分比误差(MAPE)和均方误差(MSE)为评价指标,综合评价分析各智能模型预报的应用性能,以期找到合适的预报模型。主要研究内容和成果如下:1.利用Morlet小波变换、Hurst指数和M-K突变检验对比分析了BZ01、BZ02、FJ01监测站时序的周期性、趋势性和突变特征的演变规律。结果表明:BZ01、BZ02、FJ01监测站位移时序趋势呈递减的变化,周期性上也存在不同层次的规律转化;另外受观测环境、天气变化、地质条件、人类活动等因素的干扰,三测站位移时序突变时间也各有差异。综合三站时序分析结果有助于揭露滑坡体位移时间序列的演变机理与变形特性,为后续的滑坡位移预测研究提供强有力的基本理论支持。2.探讨了六种人工智能算法在滑坡预测中的适用性,分别是长短时记忆神经网络(LSTM)、门控循环单元(GRU)、时间卷积网络(TCN)、BP神经网络模型、支持向量机回归模型(SVR)和核极限学习机(KELM)。首先基于北斗/GNSS监测站BZ01、BZ01、FJ01监测数据,比较了各预测模型的性能,结果显示,门控循环单元和时间卷积网络深度学习算法的效率优于BP、SVR和KELM经典机器学习算法,GRU和TCN模型既能追踪到滑坡位移时间序列变化规律,又能精确迅速地预测滑坡位移时间序列趋势。其次通过纵向分析三测站监测数据,可以看出FJ01站比BZ01站和BZ02站数据特征差异大,FJ01监测数据预测难度相较于BZ01和BZ02小。3.由于滑坡位移时间序列具有非线性、非平稳性等特征,单一模型难以全局跟踪到滑坡位移时间序列的趋势变化,本文构建了联合变分模式分解(VMD)和深度学习预测组合模型。首先基于VMD分解技术对滑坡位移时间序列进行模态分解,然后使用分解得到的子信号输入深度学习模型,最后进行训练测试。结果表明,VMD耦合BP、SVR、KELM、LSTM、GRU和TCN模型的适应性更好,基于分解和深度学习算法的组合预测模型精度相较于单一模型预测结果更高。4.提出了联合麻雀搜索算法(SSA)、变分模态分解与GRU神经网络的混合预测模型。利用麻雀搜索算法获取到GRU最优初始参数,以解决深度学习初始参数的随机选取导致其收敛速度慢、容易陷入局部最优问题。该模型与GRU和VMD-GRU预测结果对比,VMD-SSA-GRU组合模型获得了更好的预测效果。

关键词： 京津冀   碳排放量   时间序列因子模型   天鹰算法   极限学习机  

摘要： 当前,由温室效应引发的全球气候变暖问题愈发严重,大气环境因此受到破坏。世界各国开始逐步关注气候变暖问题,并倡导节能减排。为缓解气候变暖,实现绿色可持续发展,我国在国际上做出了2030年实现“碳达峰”,2060年实现“碳中和”的承诺。而京津冀地区是我国能源消费大、空气污染重的区域之一,碳减排形势严峻,其碳减排工作对实现我国的“双碳”目标具有重要意义。因此,本文旨在研究碳排放量预测方法的基础上,探究京津冀地区实现“碳达峰”“碳中和”的可能性,主要内容如下:(1)本文首先提出一种同时考虑能源消费、农业、水泥生产相关的碳排放量和森林、农业相关的碳汇量的碳排放量净值测算方法,运用碳排放量和碳汇量的差值测算出京津冀2003-2021年的历史碳排放量净值,使得测算更为科学合理。(2)在测算历史碳排放量净值的基础上,通过对文献分析总结,搜集整理了京津冀2003-2021年共41项碳排放量影响因素数据。首先对影响因素数据进行相关性分析,发现三地的影响因素数据均属于高维相关数据,一些相关性较高的影响因素可视为一个组。进而建立STIRPAT模型并运用lasso和迹lasso分别对京津冀三地的影响因素进行筛选。但lasso在对变量个数p大于样本个数n的数据进行变量筛选时,最多保留n个变量,且很不稳定。而迹lasso则不会导致最多保留n个变量,且具有分组效应,可将一组变量同时筛入或筛出,组间变量独立而组内变量相关,更有利于后续的影响因素分析,对比筛选结果后最终选用迹lasso的筛选结果。进而运用时间序列因子模型对筛选后的影响因素进行影响因素分析,提取京津冀三地影响因素的潜在公因子,并分析公因子的发展变化情况。(3)最后,在影响因素分析的基础上,运用天鹰算法优化极限学习机建立基于AO-ELM的碳排放量预测模型,通过MAPE、MAE、RMSE三种性能评估指标对比AO-ELM与BPNN、SVR、RF、XGB、ELM的性能,验证了AO-ELM性能的优越性。进而运用情景分析法根据京津冀三地潜在公因子的不同发展水平分别设定基准情景和多种扩展情景,对京津冀三地2022-2060年的碳排放量进行情景预测,预测结果表明:北京已于2010年实现“碳达峰”,未来应选择协调发展情景,将于2053年实现“碳中和”;天津未来应选择低碳技术情景,将于2025年实现“碳达峰”,并将于2055年实现“碳中和”;河北未来应选择协调发展情景,将于2036年实现“碳达峰”。最后根据情景分析的结果提出了建议。

关键词： NOx   数据预处理   特征简约   极限学习机   粒子群   分区预测  

摘要： 随着我国发展水平与环保理念的不断提升,大气污染物防治逐渐成为火电升级要点。NOx污染性强,排放量大,是燃煤电站的防治重点。本文将建立SCR入口 NOx预测模型。从数据智能学习的角度模拟NOx质量浓度变化规律,有利于电站系统对NOx浓度的精准控制。模型基于某660 MW四角切圆燃煤机组。首先从风、粉、炉三个方面选择5大类,共125个与NOx质量浓度相关的特征变量。根据电站数据不均匀的特点,采用分段三次Hermite插值作为时序规格化方法,在保证数据连续性的基础上统一数据时序。通过拉依达准则与箱线图筛选异常数据,提升数据质量。基于滑动窗格法区分数据所在的机组状态。经时序规格化、数据清洗与稳态提取等预处理步骤后,形成的数据具有规范的格式,显著提高了数据质量。形成的规范数据集以125个变量为1组,共259200组数据。基于灰色关联分析与CRAT回归树的计算结果表明,在传统坐标系下采用敏感性分析方法,无法准确判断各参数与NOx浓度的关联程度大小。并且各算法得出的关联系数集的内部差异性较小,无法有效提取出低关联性变量。基于主成分分析法(PCA)对当前坐标系进行线性变换。特征集包含50个主成分时,包含信息量已达到原始数集的99.24%。因此基于PCA虽然损失了部分信息,但将NOx质量浓度预测集由122个变量缩减至50个主成分,极大地缩减了模型计算量。根据计算结果最终形成了包含物理机理简约、过滤式简约和PCA降维的特征集简约策略。采用极限学习机(ELM)作为训练算法,降低了搜索空间的同时,仍具有较强的泛化能力。结合粒子群算法(PSO)进一步提升ELM精度。最终,建立了基于PCA-PSO-ELM的SCR入口 NOx质量浓度预测模型。根据Rastrigrin函数预调试PSO算法的关键参数。在维持PSO的局部收敛率的同时,PSO的收敛代数降低为29.96。对比其它单隐层神经网络,PCA-PSO-ELM的拟合优度(R2)达到了 0.8957。在保证训练精度的同时,训练时间相比于其它方法至少缩短了 72.85%。采用PCA-PSO-ELM对不同机组状态的数据进行预测,模型对于变负荷的预测精度达到了稳定负荷的98.43%、99.14%。模型能够适应变工况对数据的影响,具有良好的鲁棒性与普适性。根据不同氧量、负荷建立分区进行预测,富氧燃烧区与低NOx燃烧区的预测精度相比于全负荷预测分别提升了 1.76%、4.66%。基于PCA-PSO-ELM的分区预测方法能够快捷、高效、准确地预测NOx质量浓度并且适应不同的机组状态,有利于指导复杂工况下SCR系统的精准喷氨。

关键词： 动态多目标优化   非线性变化模式   核极限学习机   预测器  

摘要： 多目标问题(Multi-objective problems,MOPs)广泛存在于工程实践和科学研究中。动态多目标优化问题(Dynamic multi-objective optimization problems,DMOPs)是指目标函数、约束条件和参数随时间变化的一类MOPs,相比静态多目标问题具有更高的复杂度和普适性。因此,研究动态多目标优化问题在实际生活和生产中具有重要的应用价值。现有动态多目标进化优化算法通常会将DMOPs的动态过程建模为简单的线性相关模型,进而采用线性预测模型对问题进行求解。然而,在实际场景中,该建模过程往往难以满足,可能导致相关算法失效。因此,为提升算法的鲁棒性和适用范围,本文提出基于核极限学习机预测的动态多目标进化方法,利用核极限学习机对非线性模型快速高效的拟合能力,提升算法在面对非线性变化模式DMOPs时的预测精度和求解性能。具体研究内容如下:1.本文设计了基于分解的时间序列构建方法。首先,通过在目标空间构建参考点和参考向量,实现目标空间分解;其次,计算先前时刻最优解集个体与不同参考向量间的投影距离,并将个体与距离其最近的参考向量进行关联;最后,将关联到每个参考向量上的历史个体构建为一个时间序列,依据参考向量数量,输出多重时间序列。基于此可知,关联到同一个参考向量上的历史解集个体具有较强的时间相关性,可用来提取和拟合问题的动态变化模式。2.设计了基于核极限学习机预测的动态多目标算法。核极限学习机是一种单隐藏层前馈神经网络,输出层权重可通过矩阵求逆或伪逆的方法直接计算得出,因此其具有快速高效的非线性学习能力;同时,核函数的引入可将多重非线性时间序列从低维度空间映射到高维度空间,在高维空间实现非线性时间序列的线性回归。本文将构建的多重时间序列作为训练样本和输入,利用核极限学习机对历史解集中隐含的动态变化模式进行拟合和学习,最终实现对新环境下种群个体位置的准确预测,生成预测初始种群,再利用基于分解的多目标进化算法得到新环境下的最优解集。3.通过在14个动态多目标基准测试问题上的仿真实验,验证了所研究算法的有效性。在保证公平的前提下,在14个DF系列基准问题上选取了三个评价指标将所提出的方法与六种流行的动态多目标优化算法进行性能对比和结果分析,实验结果表明所提算法能够快速响应环境变化,表现出较好的预测和求解性能。此外,通过对核极限学习机预测器的超参数和时间序列长度的灵敏度实验分析,验证了所提算法的鲁棒性和参数选择依据。实验结果证明,提出的核极限学习机预测器结合进化多目标优化解决DMOPs在跟踪帕累托最优解方面具有高效和准确性。基于核极限学习机的预测器在面对非线性变化模式时,能够快速高效的预测出新环境下最优解集的位置,提升了算法对于复杂动态多目标问题的自适应能力和求解性能。

关键词： 短期电力负荷预测   铁岭电网负荷特性   改进飞蝇优化算法   GFOA-KELM模型  

摘要： 电能被称为现代社会工业和经济发展的血液,是社会正常运转的基础,而随着技术的进步和产业的升级,负荷预测的难度在逐渐增大,尤其是短期负荷预测的难度在增高,若不解决短期负荷预测准确率问题,会反过来制约经济的持续发展。基于此,本文为解决铁岭电网实际问题,提出一种使用飞蝇优化算法(Fruit fly Optimization Algorithm with Adaptive Step Size Reduction,GFOA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)的负荷预测模型,以该地区真实数据作为实例对其短期负荷开展负荷预测方法研究。本文主要研究工作如下:(1)结合铁岭电网负荷特性,依据历史负荷数据对该地区负荷特性与负荷预测的基本理论开展研究。首先分析了电力负荷的特性,包含周期特性和影响电力负荷的因素,采用实际数据分析周期特性的相似性和差异性,重点对影响电力负荷的因素进行了研究;其次对短期电力负荷预测数据预处理方法进行研究,采用皮尔逊相关系数对负荷预测的影响因素进行筛选,得到负荷预测模型相关输入变量。(2)提出了一种极限学习机(Extreme Learning Machine,ELM)负荷预测模型,传统的ELM模型具有结构简单,实现便捷的特点,但由于其在配置层级间权重时具有一定的随机性,本文在传统ELM基础上引入核函数,以进一步提升了ELM的性能。本文综合考虑天气、日期、温度等环境因素,建立了基于KELM的铁岭电网短期负荷预测模型,通过仿真表明采用KELM的负荷预测精度较ELM方法具有很大的提升。(3)为进一步提升负荷预测精度,构建了基于GFOA-KELM的铁岭电网短期负荷预测模型。传统的蝇算法(Fruit Fly Optimization Algorithm,FOA)能够实现对解空间的群体迭代搜索,然而在寻优的过程中仍存在易陷入局部最优解,并在迭代后期存在着种群多样性缺失问题。为此本文引入sign函数对候选解做变换处理,以弥补传统飞蝇算法只能求解非负值解的不足,并采用新的搜索步长计算公式以及柯西变异策略,提出自适应缩小步长的GFOA算法,并对KELM中关键核参数和惩罚参数开展优化研究,建立GFOA-KELM的铁岭电网短期负荷预测模型。(4)应用GFOA-KELM模型在铁岭地区连续两个工作日、连续两个休息日、工作日与休息日、晴天与暴雨、夏小冬大运行方式、连续三天以及连续两年节假日等多种场景下开展负荷预测,通过MAPE和RMSE两个误差指标作为评价标准,将结果与SVM、KELM模型作对比,通过仿真研究表明,在不同季节、不同天气类型和典型工作日场景下GFOA-KELM模型比其他两种模型具有更高的预测精度。这为指导铁岭电网短期负荷预测工作具有一定的理论价值和现实指导意义。