前言：中文期刊網精心挑選了祭奠烈士的寄語范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
祭奠烈士的寄語范文1
【關鍵詞】時間序列法 電力系統 用電量Matlab
1 引言
隨著社會對電力系統運行的安全性、穩定性以及經濟性的要求越來越高，電力系統用電量預測的重要性也越來越凸顯出來。本文依據時間序列法對其進行預測，時間序列法主要包括移動平均法、季節趨勢預測法、指數平滑法、差分平滑法等具體方法，由于移動平均法只適合于近期且變化較小的情況、季節趨勢預測法預測的是季節性變化趨勢，但對2001到2013用電量數據研究，我們發現，數據并不符合以上兩種情況，故這兩種方法均不適用于電力系統用電量的預測，因而本文重點分析后兩種方法。
本文以西北五?。▍^）用電量的預測為例，以2001-2012年用電量數據為基準推算2013年用電量，并與2013年實際用電量相互比較，從而判斷方法的準確性和完整性。查閱中國統計年鑒可得西北五?。▍^）的用電量如表1：（單位：億千瓦小時）。
2 指數平滑法預測電力系統用電量
根據電力系統用電量變化趨勢的大體預測，本文采用三次指數平滑法，計算公式如下：、、，其中、、分別為一次指數、二次指數、三次指數的平滑值。
在實際計算中，α的取值與函數走向存在一定相關性，為了取得較小的誤差，經過驗證，本文中除新疆因用電量增長速度較快取α=0.6外，其余省份均取α=0.195，可以獲得比較好的預測結果。
運用Matlab軟件對西北五省（區）2001-2012年用電量進行編程預測2013年用電量可得以下數據：陜西、甘肅、青海、寧夏、新疆五?。▍^）2013年預測值分別為1130、1056、646、800、1470（單位：億千瓦小時），與實際值比較得到誤差分別為1.91%、1.58%、4.44%、1.36%、4.48%。
3 差分平滑法預測電力系統用電量
由于用電量增長并非穩定的直線增加，因此本文采用二階差分指數平滑模型進行分析，計算公式及推導結果如下：、、、，其中，為差分記號，為二階差分記號。
上式表示把經過二階差分后的新序列的指數平滑預測值與變量當前一階向后差分與變量當前實際值疊加，作為變量的下一預測值。對于這個公式的數學意義可作如下解釋：
，所以用的估計值代替得到計算式。
在運算中，α的值是人為給定的。通過運算檢驗，若α取值較小時，誤差相對較大，會對預測準確性帶來不利影響，通過多次驗證，得到α=0.4時，誤差較小，對該預測而言相對較為合適。
運用Matlab編程對2001-2012年用電量進行編程預測2013年用電量可得以下數據：陜西、甘肅、青海、寧夏、新疆五?。▍^）2013年預測值分別為1140、1052、629、724、1552（單位：億千瓦小時），與實際值相比較可得誤差分別為1.04%、1.96%、6.95%、10.73%、0.84%。
4 分析結論
通過Matlab軟件編程計算兩種方法的誤差平均值以及標準差，通過對兩種方法的誤差平均值以及標準差分析，可以得到以下數據，見表2。
由表2可以得出，指數平滑法誤差平均值較小，而且標準差較小，預測相對穩定，因此從此角度上來說，指數平滑法在電力系統用電量預測方面具有更高的可靠性。
時間序列法是一種非常重要的預測方法，將其運用到電力系統用電量的預測中來，將大大增加電力系統用電量預測的準確性和可行性，為電力系統的可靠運行打下一個良好的基礎。然而，時間序列法突出時間的重要性，卻對外界影響考慮得相對較少，因此，時間序列法在外界情況發生較大改變時并不能準確地進行預測，這也是運用時間序列法進行電力系統用電量預測時值得注意的。其次，三次指數平滑法和二階差分平滑法都存在加權系數的選擇問題，以及只能逐期預測問題。總之，如果在合適的情況下運用時間序列法進行預測，結果是具有較高的準確性和參考性的。
參考文獻
[1]司守奎，孫璽菁.數學建模算法與應用[M].北京：國防工業出版社，2011.
[2]李繼成.數學實驗用[M].北京：高等教育出版社，2006.
祭奠烈士的寄語范文2
關鍵詞：灰色時間序列；用電總量預測；誤差分析
引言
全國電力年消耗總量作為重要的經濟指標，對國內經濟環境的反映具有重要作用。電力在傳輸、儲存和遠程調配等環節中損耗嚴重，從而要求了發電量必須與用電量相適應。基于以上兩點，對未來全國電力年消耗總量進行準確預測，不僅能對發電工作進行提前指導，還能根據預測數據指導經濟政策的制訂。
目前，對全國電力年消耗量預測進行較少，多為專家定性預測，準確度得不到保障，而全國電力年消耗量影響因素眾多，內部關系不明晰。針對此，本文利用灰色時間序列進行預測，所需數據量小，準確度高，預測結果更具有參考價值。
1 灰色r間序列
時間序列預測是將所需要預測的數據按照時間進行排列，形成一個數列，利用數列的內在規律，合理外推出未來時間相應節點所對應的數據?；疑A測用于數據內在關系不明確或不完全已知的情況，利用較少數據，進行準確度和可信度高的預測?；疑珪r間序列將以上兩種方法相結合，所需數據少，預測準確，可信度高，特別適合類似于用電總量的預測分析。
灰色時間序列預測過程包括：數據預處理（累加數列），序列建立，參數求解，精度檢驗。
2 基于灰色時間序列的全國電力年消耗量預測
2.1 實驗條件
（1）查詢國家統計局有關數據，2007至2016年全國電力年消耗總量數據如表1所示。
（2）在MATLAB R2014a，利用MATLAB語言對相應程序進行了編寫。
2.2 實驗結果
利用灰色時間序列進行預測，預測2017年全國電力年消耗總量為6.4658萬億兆千瓦，全國電力年消耗量預測如圖1所示。
2.3 誤差分析
以2012～2016年全國電力年消耗總量作為預測目標，將預測值與實際值進行比較，誤差分析結果見表2。
從預測誤差表中可以看出，利用已知實際值和模型預測值進行比較，2012～2016年全國電力年消耗總量預測值與實際值差距最大為4.665%，最小為2.395%，5組驗證均保證預測值與實際值差異小于5%，滿足統計學的預測值具有95%的保證率的要求，預測精度高，預測結果可信，預測數據具有重要的現實意義。
3 結束語
綜合全國電力年消耗總量符合時間序列規律以及數據量小，內部關系不完全清晰的特點，利用灰色時間序列得到預測模型，并對2017年全國電力年消耗總量進行了預測。預測方便，所需數據量小，通過誤差分析發現，預測結果準確度高，具有重要的現實意義。預測2017年我國電力年消耗總量將達到6.4658萬億兆千瓦，繼續呈現上升趨勢，為保證電力供應，有關部門應及早進行準備，參考預測數據采取相應措施。
參考文獻
[1]林添枝，吳盧榮，陳績馨.基于時間序列與灰色拓撲的春節火災損失預測[J].數學的實踐與認識，2014（17）：176-183.
[2]楊月英，馬萍.基于灰色時間序列預測中國汽車銷量[J].湖州職業技術學院學報，2012（01）：5-7+11.
[3]肖勇，尹世洋，邵景力，等.灰色預測與時間序列分析在地下水位預測中的應用[J].灌溉排水學報.
[4]劉淼.基于灰色理論的時間序列交通事故預測[J].許昌學院學報，2014（02）：14-17.
[5]曹艷平.灰色時間序列理論及應用的研究[D].西安建筑科技大學，2005.
祭奠烈士的寄語范文3
關健詞：特色花生品種森列爾黑花生特征特性營養品質微量元素施肥要點
一、黑花生的特征及產品特性
黑花生熟期適中，生育期135天左右，株型半直立，株高45厘米，比普通花生高4-6厘米，葉片綠色，莖淺綠色，單株平均分枝數35個，有效果枝數23-25個，果莢白色，果仁皮為黑色，果肉灰白色，果仁個大，百重180克，品質好，適口性好，營養豐富，據檢測，含粗蛋白30.68%，膳食纖維4.28%，碳水化合物8.32%，每公斤果仁含維生素B13.42毫克，維生素B22.25毫克，維生素E42毫克，并富含鉀、鈉、鎂、硒等微量元素及多種人體必需的氨基酸和脂肪酸，對人體有一定的保健和食療作用，是制造保健食品和食療產品的原料，目前市場黑花生產品十分短缺，產品供不應求，黑花生具有廣闊的開發前景。
黑花生品種具有抗倒伏，抗干旱，抗葉斑病和病毒的特性，是適宜本地區種植的優良品種。
二、黑花生栽培技術要點
通過幾年試驗，示范種植黑花生情況看：黑花生生產要獲得優質、高產、高效益，在栽培管理上必須抓好以下幾項技術：地塊選擇：黑花生耐澇性略差，在地塊選擇上以砂壤土為好，在澇洼地、黃粘土地、旱壟道地禁止種植。
播種時間：黑花生芽勢較弱應在5月1日～5日地溫在到12℃時種植，保證花生發芽出土需要的土壤溫度和濕度。
播種的密度：黑花生株高、分枝多、結果數多，最多單株果數可達到50個左右，一般平均單株果數25-30個。因此在播種時，適宜密度為一般田間為1.7×0.75尺，好的田塊密度應達到0.8尺，穴播2粒，畝保苗4500-4700穴。
種植形式：采用地膜覆蓋形式，采用1.2米或1.1米地膜，一次覆蓋兩壟，有利于保溫保濕，疏松土壤，促進土壤有機質分解，防止肥料流失，增加肥效。
1、藥劑除草
地膜覆蓋栽培每畝用50%乙草胺0.3公斤兌水60公斤噴霧，施藥后及時覆膜。
2、病蟲害的防治
地下害蟲防治：用毒土法每畝用辛硫磷乳油0.2公斤兌細潮土15-20公斤，或兌化肥溝施，防春季蠐螬危害。6月10日前后畝用辛硫磷乳油0.2公斤兌細潮土15-20公斤，施于花生墩上防秋季蠐螬危害莢果。
生長期間病蟲害的防治：根據蟲害發生情況用殺蟲雙、敵殺死防治食葉蟲害，用吡蟲啉防治花生蚜蟲。
花生病害防治：灰霉病發病初期用50%多菌靈500-600倍或百菌清600-800倍防治2-3次；葉斑病于7月末8月初用多菌靈500-600倍或托布津700-800倍防治2-3次。
3、控制徒長
黑花生株高，分枝多，易徒長，除采取農藝措施控制外，如徒長可噴施多效唑100倍液控制。
4、及時收獲
黑花生最佳收獲期，田間植株表現為生長基本停止，上部葉轉黃，中下部葉片開始脫落，莖色轉黃既可收獲。
三、黑花生的施肥方法與要點
森列爾黑花生引進我區試驗、示范、推廣栽培數年里，我們對該品種的試驗示范栽培對比分析，總結出黑花生在需肥上與其它同種作物或非同種作物存在敏感差異。則在某些微量元素上所需量比其它作物多些。黑花生如何合理施肥做到不缺肥不缺素是獲得黑花生豐產豐收的重要保證。
1、施肥數量
一般情況下，中肥地塊（全氮450-600mg/kg）應施有機肥4000-6000kg，純N4-6kg，P2055-9kg，K206-12kg。在實際生產中，應根據地力條件，產量水平、品種特性靈活運用，適當增減。
2、施肥方法
春花生所用肥料，都應在播種前作為基肥施足，采用全層施肥，以深施為主?；实?/3（包括有機肥、氮肥、磷肥）及全部鉀肥結合耕翻施入犁底層；1/3基肥結合春季淺耕或起壟作畦淺層包施，以滿足生育前期和結果層的需要。若用磷酸鈣或鈣鎂磷肥，最好與優質圈肥混合堆漚15-20天，再施入土壤。麥茬花生等，若基肥不足可使用種肥，但應注意肥料與種子隔離?；省⒎N肥不足的，亦可在苗期至初花期追施。并于中后期葉面噴施1%～2%尿素溶液，2%～3%的過磷酸鈣溶液或0.1%～0.2%的磷酸二氫溶液。
3、重視微肥施用
鋅肥：當土壤pH>7或含磷過多時，易缺鋅。主要鋅肥為硫酸鋅。做基肥時，每畝用量1-2kg；浸種是用0.03%-0.05%硫酸鋅溶液浸種12小時；拌種時，每千克種子用4-6kg硫酸鋅；葉面追施可用1%～2%硫酸鋅溶液在花針期均勻噴灑葉面。
祭奠烈士的寄語范文4
關鍵詞： 勢態感知； 集合經驗模態； 極限學習機； 混合人工魚群； 多步時間序列預測
中圖分類號： TN915.08?34； V249 文獻標識碼： A 文章編號： 1004?373X（2017）07?0159?04
Multi?step time series prediction method based on EEMD technology
in electric power information security
YU Ye， CHAI Yufeng， KANG Le， GUO Jingwei， ZHANG Bo
（Information and Communication Company， State Grid Ningxia Electric Power Company， Yinchuan 750000， China）
Abstract： According to the data characteristics of the user access path， a multi?step time series prediction model based on ensemble empirical mode decomposition （EEMD） technology is proposed. The model uses the EEMD combining with the extreme learning machine （ELM） model， and optimization method of the hybrid artificial fish swarm algorithm to overcome the constraint problems of the over?fitting and multi?step time series prediction strategy existing in the algorithm. The time series multi?step prediction of the access path was implemented with the model， and the intrusion behavior can be found in advance in combination with the envelope line of the safety range. The verification results show that the optimized EEMD?ELM model has higher iteration rate and accuracy than those of the traditional time series prediction methods， its generalization ability is enhanced， and the effectiveness and feasibility of this method was illustrated.
Keywords： situation awareness； ensemble empirical mode； extreme learning machine； hybrid artificial fish swarm； multi?step time series prediction
0 引 言
電力信息系統的安全性往往關系到企業的核心利益，不斷發展與變化的網絡信息技術和網絡入侵攻擊技術越來越表現出不確定性、復雜性、多樣性等特點。
目前，國內外學者在時間序列預測的研究中，采用的都是單步時間序列預測ARIMA、直接策略、迭代策略、經驗模態分解等[1]，而目前還未能出現針對電力信息系統數據庫的訪問軌跡勢態感知的多步時間序列預測方法。
本文基于集合經驗模態分解EEMD技術引入極限學習機ELM模型，利用人工魚群算法結合多模態函數優化算法建立了一個對訪問軌跡的數據進行多步時間序列預測的模型。該算法在求解類似大規模訪問軌跡數據的多步預測突破了傳統算法策略的限制，具有更高的迭代效率和能力。以某信通公司信息系統數據庫中20臺分布式服務器的訪問軌跡數據集為例，建立樣本集的特征向量，對訪問數據進行了多步時間序列預測，有效地提前發現是否存在入侵行為，提高了模型泛化能力。
1 EEMD?ELM時間序列預測方法
針對電力信息系統數據庫的網絡訪問軌跡時間序列，采用EEMD混合模型技術進行不同特征尺度的分解，使用EEMD?ELM混合模型進行單步時間序列預測。
1.1 集合經驗模態分解
經驗模態分解（Empirical Mode Decomposition， EMD）[2]是一種實現數據局部特征自適應的分解技術。EMD通過對繁雜的網絡入侵電力信息系統操作序列進行平穩化預處理，進而將復雜的入侵操作記錄序列分解成一組性能較好，特征尺度差異較大的本征模函數（Intrinsic Mode Function，IMF）。詳細的分解過程為：
（1） 確定入侵操作記錄序列[P（t）]的所有極值點，用核密度函數擬合成全包絡線，序列[P（t）]與上下包絡線的平均值[m1]的差記為[h1。]
（2） 把[h1]視為新序列，重復以上過程，直到[h1]滿足IMF的上述兩個條件，則其成為從原始序列篩選出最高頻的分量[c1，]其他剩余量可以表示為[r1=P（t）-c1。]
（3） 對[r1]繼續上述分解，直到第[n]階段的殘余序列為單調函數或其值小于預先給定的值，分解結束。
網絡入侵操作記錄序列可以寫為：
[p（t）=i=1nci（t）+rn（t）]
由于在EMD中存在一個IMF分量，包含了尺度差異較大的信號，針對這個問題采用集合經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）[3]，通過在網絡入侵操作記錄序列中加入一系列低信噪比白噪聲，進行上述經驗模態分解，集合平均使得加入白噪聲相互抵消，克服模式混合的問題。
1.2 極限學習機算法原理
本文采用的極限學習機神經網絡（Extreme Learning Machine，ELM）是一N前饋神經網絡學習算法[4]。
設[H]是隱含層的輸出矩陣，ELM神經網絡的輸出公式就簡化為：[H?β=ZT，]令[ε=YT-ZT]是逼近殘差，那么隱含層和輸出層間的連接權值[β]就可以通過求解以下方程組的最小二乘解獲得[5]：
[minβHβ-YTβ=H+YT]
式中[H+]為隱含層輸出矩陣[H]的廣義逆。
2 混合魚群MAFA優化算法
本文中網絡入侵電力信息系統數據庫訪問規矩在本質上是一種時間序列，為了實現此時間序列多步預測，采用基于混合魚群MAFA優化EEMD?ELM策略，該策略能夠自適應優化調整輸出向量的長度，有效地克服了現有多步預測策略中的限制條件，其體系結構如圖1所示。
本文對模型全局搜索采用人工魚群AFA（Artificial FishAlgorithm）[6]算法。狀態為[X=x1，x2，…，xn，][xi]為尋優目標變量。
引入多模態函數優化算法（Multimodal Function Optimization，MFO）[7]實現人工魚群算法AFA的動態策略調整。避免當尋優區域平坦，算法出現局部收斂、早熟等現象。
假設個體[i]與個體[j]間歐式距離以[dij]表示，調整后的個體適應度為：
[f′i=fimi]
式中：[mi]為多模態數目，[mi]為個體[i]與其他個體所得的共享函數[sh（dij）]之和。[sh（dij）]與[mi]的表達式如下：
[sh（dij）=1-dijσshλ，dij
式中：[λ]為共享程度；[σsh]為多模態半徑；[n]為群體規模。
人工魚群AFA算法結合多模態函數優化算法（MFO）的MAFA算法描述如圖2所示。
3 訪問軌跡的多步時間預測方法
3.1 訪問軌跡勢態感知的全局流程
本文首先將電力信息系統數據庫的訪問歷史數據經過密度估計方程得到其安全范圍包絡線，并作為標準閾值范圍。為了突破時間序列預測策略在多步預測的限制，本文提出多模態優化結合人工魚群的EEMD?ELM算法，實現了多步時間序列預測。算法模型結合系統審計日志對數據庫的訪問數據進行實時數據收集與預測，根據其訪問軌跡進行預測分析，如果預測發現有安全問題的存在，那么進行重點關注，一旦發現違反安全策略的行為，或者可能存在入侵行為，予以警告提醒。全局整體流程如圖3所示。
3.2 特征向量的建立
訪問軌跡信息是多維度數據，不能直接使用EEMD?ELM算法進行時間序列預測?？梢韵忍崛≡L問軌跡的統計特征，然后用一個特征向量表征訪問軌跡后代入預測算法。
設包括有[n]個操作、[m]個數據點的訪問軌跡為：
[X=X11X12…X1nX21X22…X2n????Xm1Xm2…Xmn]
為了消除不同訪問操作數據間數量級上的差異，本文按照下式將操作數據歸一化為-0.5～0.5。
[Xij=Xij-Xj，minXj，max-Xj，min-0.5]
分別計算操作數據歸一化后的方差與均值：
[Xi=1mj=1mXij，i=1，2，…，n]
[Si=1mj=1mXij-Xi2，i=1，2，…，n]
最終構建的特征向量包括[2n]個元素。
[y=X1S1X2S2…XnSnT]
3.3 自適應的多步時間預測
文獻[2]中歸結出MISMO多步預測策略，預測步長和輸出節點的個數應該相等。本文采用MAFA結合EEMD?ELM的算法實現，突破了MISMO的限制。
對于MAFA優化問題，每個人工魚[P=p1，p2，…，pF-1]代表一個可能的可行解。[P=p1，p2，…，pF-1]中的[F-1]個成分是0或1，[pi]為0，則任務不會在[pi]進行分割；[pi=1，]則任務在[pi]進行分割，多步預測的編碼結構如圖4所示。
3.4 預測結果的評價
為了評價EEMD?ELM在訪問軌跡時間序列單步預測的性能情況，本文選取均方根誤差RMSE與平均絕對百分誤差MAPE為指標。對于混合魚群算法MAFA優化EEMD?ELM進行提前的多步預測，本文采用對稱平均絕對百分比誤差SMAPE[8]來評價整體預測性能效果：
[SMAPEh=1Mm=1MδmN+F-δmN+FδmN+F+δmN+F×100%]
式中：[δmN+F]表示時間序列[m]提前[F]步的預測值；[δmN+F]表示對應的實際值。
4 實例結果分析
為了驗證本文MAFA優化的EEMD?ELM多步預測算法模型的性能，本文采用三個月時間內信通公司信息系統數據庫中20臺分布式服務器的訪問軌跡數據，具體是把每臺的網絡連接和審計日志數據作為原始數據。將每臺服務器的數據轉化為特征向量后等分為A，B，C，D四組，選取A，B，C三組的數據作為測試數據集，D組的數據作為實際數據集。
將測試數據集代入EEMD?ELM模型網絡后進行時間序列單步預測。把實際數據集作為標準值，與預測結果對比計算。
EEMD?ELM，ELMs和ARIMA算法對每臺服務器上的訪問數據做了單步預測，并以RMSE，MAPE作為評價性能指標，將三種算法結果進行對比，具體如圖5，圖6所示。
從圖5和圖6中可以明顯看出本文提出的基于EEMD技術的ELM模型在單步時間序列的預測上相比ELMs，ARIMA模型誤差較小，精度更高。
采用本文提出的MAFA優化的EEMD?ELM模型，將此算法用于自適應調整EEMD?ELM模型的多步預測步長，實現多步時間序列預測。將實際數據集劃分為多步時間序列進行驗證，并以SMAPE作為評價性能指標，得到算法的預測誤差，具體如表1所示。
本文提出人工魚群算法AFA結合多模態函數優化MFO算法的混合魚群算法MAFA，進行測試函數的迭代計算，并與其他優化算法的效果進行對比，具體如圖7所示。
從結果可以看出，本文提出的混合魚群MAFA算法的迭代效率和收斂速度要明顯優于其他優化算法。同時，利用MAFA自適應調整EEMD?ELM模型的多步預測步長，使多步時間序列預測的誤差控制在4.5%以內，滿足工程精度要求。
5 結 論
本文提出基于EEMD技術的電力信息安全的多步時間序列預測方法，該方法僅憑借電力信息系統數據庫的當前訪問軌跡數據，即可實現對訪問軌跡時間序列多步預測，結合安全范圍包絡線，進而提前發現是否存在入侵行為。根據本文分析可以得到以下結論：
（1） 本文創新性地運用EEMD技術對復雜多樣的訪問軌跡時間序列數據進行分解，然后運用極限學習機ELM對分解得到的子時間序列實現分布式預測，從而實現對復雜多樣的時間序列單步預測。
（2） 面對極限學習機ELM容易出現過擬合和局部收斂的現象，提出人工魚群AFA結合多模態函數MFO優化算法，根據驗證結果表明，該算法具有較好的迭代效率，并克服過擬合和局部收斂的問題。
（3） 本文提出MAFA優化EEMD?ELM模型的方法，能夠有效地突破現有MISMO多步預測策略限制，自適應調整多步預測步長。根據驗證結果表明，實現多步預測的誤差控制在4.5%以內，滿足工程精度要求。
參考文獻
[1] 李瑞國，張宏立，范文慧，等.基于改進教學優化算法的Hermite正交基神經網絡混沌時間序列預測[J].物理學報，2015（20）：104?116.
[2] SANG Y F， WANG Z， LIU C. Comparison of the MK test and EMD method for trend identification in hydrological time series [J]. Journal of hydrology， 2014， 510： 293?298.
[3] 熊濤.基于EMD的時間序列預測混合建模技術及其應用研究[D].武漢：華中科技大學，2014.
[4] 王萍，王迪，馮偉.基于流形正則化的在線半監督極限學習機[J].上海交通大學學報，2015，49（8）：1153?1158.
[5] BAI Z， HUANG G B， WANG D， et al. Sparse extreme lear?ning machine for classification [J]. IEEE transactions on cybernetics， 2014， 44（10）： 1858?1870.
[6] ROCHA A M， COSTA M F， FERNANDES E M. A filter?based artificial fish swarm algorithm for constrained global optimization： theoretical and practical issues [J]. Journal of global optimization， 2014， 60（2）： 239?263.
祭奠烈士的寄語范文5
關鍵詞：電站；設備故障；時間序列；指數平滑
中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）26-0243-03
Research on the Time Series Prediction of Power Plants' Equipment Faults with Exponential Smoothing Method
WANG Shuang， ZHAO Hui-yang
（School of Information Engineering， Xuchang University， Xuchang 461000， China）
Abstract： It is an important basic security work for social development and people's life that power plants can run normally and efficiently. If we use data prediction techniques to analyze the trend of power plants' equipment faults， the useful information hidden in the data will be found. It is helpful for managers to establish a more effective management strategy of power plant and carry out the reform and innovation. According to the equipment fault statistics report of a certain power group， the paper uses a method of time series prediction named exponential smoothing to predict the trend of power plants' equipment faults. The result of experiments is reasonable and can be a reference for other studies on equipment faults.
Key words： Power Plants； Equipment Faults； Time Series； Linear Regression
1 引言
根據麥肯錫（McKinsey）2011年5月的《大數據：創新、競爭和生產力的下一個新領域》報告，數據已經滲透到每一個行業和業務職能領域，逐漸成為重要的生產因素。數據挖掘能夠從大量的數據中通過算法發現隱藏于其中的信息，并已經成功應用于電子商務、銀行、醫藥、氣象等眾多領域。近年來，數據挖掘在電力領域的研究也受到了較多的關注。文獻[1-3]研究了分類和聚類算法在電力客戶分類及電力負荷分類方面的應用。文獻[4-9]研究了數據預測算法在電力負荷預測、風電功率預測、電價預測、風力預測、風速預測等方面中的應用。文獻[10-13]研究了關聯規則算法在電力負荷、電網脆弱性、電站凝汽器等方面的應用。本文基于大量的設備故障歷史統計數據，運用指數平滑的時間序列預測方法對設備故障的發展趨勢進行預測，從而為電站的運行維護、設備檢修管理提供決策支持。2013年電力行業信息化年會的與會專家一致認為：電力大數據的信息挖掘和利用將給電力企業帶來新一輪商業模式轉變和價值創新。
2 數據描述
研究所基于的數據來自中國某大型發電集團從2008年到2014年的設備運行故障月度報告。報告有word和pdf兩種格式，每份報告的主要內容有設備運行故障的統計概況、具體案例描述。經過數據整理后形成了設備運行異常情況表，具體內容如表1所示。
由于數據條目較多，在此僅列出每張表的少數幾條數據。對于文字內容描述較多的字段，僅列出了一條較為完整的數據來說明問題，其他條目的內容用“略”來代替。表1中的的類別1到類別4是從粗到細分別描述了設備故障的類別，每條樣本數據展現了不同類別的故障在特定時間所發生的項數和具體的原因描述。
由于數據條目較多，在此僅列出每張表的少數幾條數據。對于文字內容描述較多的字段，僅列出了一條較為完整的數據來說明問題，其他條目的內容用“略”來代替。表1中的的類別1到類別4是從粗到細分別描述了設備故障的類別，每條樣本數據展現了不同類別的故障在特定時間所發生的項數和具體的原因描述。其中類別3隨時間的變化關系如圖1所示。從圖中可以看出，電站故障的主要類別是鍋爐故障，其次是汽機故障，然后是電氣故障。特別是鍋爐故障，每個月發生的次數均高于其他故障類別。因此，本文主要針對鍋爐故障的時間序列進行趨勢預測。
4 結束語
本文從新的數據視角，基于電站的設備故障分析報告，研究了基于三次指數平滑的時間序列預測在電站設備故障分析中的應用。研究結論對電力企業的管理決策制定和設備故障的技術創新都有一定的幫助，但研究結果還有待進一步提高，研究手段還有待進一步豐富。下一步，將綜合多種數據挖掘技術應用于電力數據分析中，充分挖掘電力大數據的價值，為社會生產提供更多服務。
參考文獻：
[1] 冀明，孔凡偉.聚類分析在電力客戶分類中的應用[J].硅谷，2012（7）：112-184.
[2] 竇全勝，史忠植，姜平，等.調和聚類-分類方法在電力負荷預測中的應用[J].計算機學報，2012（12）：2645-2651.
[3] 劉莉，王剛，翟登輝.k-means聚類算法在負荷曲線分類中的應用[J].電力系統保護與控制，2011（23）：65-68.
[4] 楊茂，熊昊，嚴干貴，等.基于數據挖掘和模糊聚類的風電功率實時預測研究[J].電力系統保護與控制，2013（1）：1-6.
[5] 劉學琴，吳耀華，崔寶華.基于擴展粗糙集的短期電力負荷預測模型[J].電力系統保護與控制，2010（5）：25-28.
[6] 崔F，顧潔.電力系統中長期負荷預測的改進決策樹算法[J].上海交通大學學報，2004（8）：1246-1249.
[7] 劉慶彪，張步涵，王凱，等. 電價預測的自適應支持向量機方法研究[J].電力系統保護與控制，2008（22）：34-39.
[8] ?zkan M B， Kü?ük D， Terciyanl? E， et al. A Data Mining-Based Wind Power Forecasting Method： Results for Wind Power Plants in Turkey[M]. Springer Berlin Heidelberg， 2013.
[9] Colak I， Sagiroglu S， Demirtas M， et al. A data mining approach： Analyzing wind speed and insolation period data in Turkey for installations of wind and solar power plants[J].Energy Conversion & Management，2013，65（1）：185-197.
[10] 馬瑞，周謝，彭舟，等.考慮氣溫因素的負荷特性統計指標關聯特征數據挖掘[J].中國電機工程學報，2015（1）：43-51.
[11] 顏宏文，謝啟龍.基于多維關聯規則的電網脆弱性識別研究[J].計算機應用與軟件，2015（11）：36-40.
祭奠烈士的寄語范文6
關鍵詞：精裝商品房；大體積混凝土；施工技術；防裂措施
中圖分類號：TU37 文獻標識碼：A 文章編號：
大體積混凝土是最小斷面尺寸大于1m以上的混凝土結構，其尺寸已經大到必須采用相應的技術措施妥善處理溫度差值，合理解決溫度應力并控制裂縫開展的混凝土結構。其主要應用在諸如精裝商品房等大型設施建筑的主體部分。在建筑規模不斷擴大的同時，各種現代化建筑蜂涌而出，混凝土憑借著其施工方便、物美價廉、承載力大，以及裝飾性強的特點受到了社會的高度認可。但是，在混凝土廣泛應用的過程中，也出現了諸如裂縫等問題，嚴重影響了建筑物的質量。因此，針對大體積混凝土施工技術的特點，采取切實有效的裂縫防治措施是非常有必要的。
一、大體積混凝土的施工技術特點
大體積混凝土是結構斷面最小厚度在80cm以上，同時水化熱引起混凝土內部的最高溫度與外界氣溫相差預計超過25℃的混凝土。大體積混凝土主要有以下幾個特點：第一，施工技術高，水泥水化熱較大，易使構物產生變形；第二，工程條件復雜；第三，結構厚實，混凝土量大；第四，大體積混凝土除了對最小斷面和內外溫度有限制以外，對平面尺寸也有嚴格的要求，因為平面尺寸過大，約束作用產生的溫度力也越大；第五，當結構混凝土拆模時，混凝土的溫度不能超過20℃，其溫差應包括表面溫度，中心溫度，外界氣溫之間的溫差。
二、大體積混凝土施工出現裂縫的原因
（一）混凝土干縮裂縫
混凝土在進行凝固的過程中，其水分會隨著時間的延長加劇蒸發的程度，而且在水分蒸發的過程中其自身體積會逐漸減小，這種情況就被稱為干縮。探究出現干縮裂縫的主要原因就是混凝土在凝固的過程中內外水分蒸發程度不同造成的，而混凝土表面干縮變形受到了其內部的約束影響，最終產生應力導致裂縫情況。一般情況混凝土干縮裂縫主要呈現為表面性的線狀或網狀淺細裂縫，主要發生的時間在混凝土進行澆注的7天左右。
（二）混凝土溫度裂縫
混凝土的溫度裂縫主要體現在兩個方面：首先，由于水和水泥的水化作用，混凝土在硬化時會釋放出一定量的熱量，導致混凝土內外硬化速度不一致，內部的熱量揮發困難，不斷膨脹，當對外部產生的拉應力達到一定程度時，混凝土表面就會有裂縫產生。其次，由于外部環境的氣候、溫度的變化，混凝土結構會隨之產生熱脹冷縮的現象。在建筑工程中，混凝土和鋼筋是成對出現的，通常情況下，鋼筋的膨脹系數要比混凝土的膨脹系數大，當溫差較大時，鋼筋的膨脹程度超過混凝土的膨脹程度，混凝土就會受到鋼筋拉應力的影響，導致裂縫產生。
（三）塑性收縮裂縫
塑性收縮是指混凝土在進行凝結之前水泥由于受到水化反應，最終出現的水分急劇增加的情況，最終所引起的混凝土失水收縮狀況，則被稱為混凝土塑性收縮。塑性收縮，水泥的活性大，加上混凝土的溫度高，或者是在水灰比較低的條件下會加劇引開裂縫。表面的水分會隨著蒸發不能及時得到補充，凝土尚處于塑性狀態，稍稍接受一些外力，混凝土就會出現分布不均勻的的裂縫。
三、大體積混凝土裂縫的處理方法
（一）選擇優質的原材料
我國的水泥品種品類很多，所具有的用途和性能也是有區別的。一般在建筑工程中大多數會選通用水泥，包括普通硅酸鹽水泥，火山灰質硅酸鹽水泥，礦渣硅酸鹽水泥以及粉煤硅酸鹽水泥。要明確水泥的品種的強度等級，在施工中要選擇散裝的水泥，但是不能將不同品種或批號的水泥混裝。在運輸過程中要注意防潮通風，以便保存和使用。大體積混凝土施工中骨料等摻合物的質量控制,其中要選中粗砂為宜，使砂率控制在43%以內。同時必須嚴格控制碎石針片狀顆粒。摻加原狀或磨細粉煤灰能夠降低混凝土中水泥水化熱，影響混凝土的溫度變化。此外，科學合理的混凝土配比是避免建筑施工中混凝土裂縫的關鍵。混凝土的配比工作人員要深入到建筑施工現場，根據施工現場的操作水平等情況，對混凝土的配比進行合理的設計。同時，要針對施工現場的石料質量等情況進行配比的調整，與現場的養護工作協調一致。
（二）強化混凝土結構設計和施工控制工作
想要最大限度地對混凝土裂縫情況進行預防，強化結構設計以及施工方面的控制工作也很重要。在進行結構設計時要將具體的荷載情況列入到計算范圍內，避免可能由于漏算所帶來的結構計算偏差情況，在選擇力學模型時要保證其能夠與實際問題相符。結構設計的首要因素是要滿足構造的要求情況，有效的避免可能由于構造的鋼筋過少所帶來的門窗、邊框的斜裂縫狀態。同時要保證施工方面的科學合理性狀態，在展開施工之前要對結構設計的圖紙以及所用的材料情況進行嚴格全面的審查工作，對于使用到的鋼筋要做好驗收工作，在進行水泥的使用之前要對水泥的性能以及骨料的強度進行相應的檢驗工作；對混凝土的具體配合比情況進行審查，盡量控制水泥的使用量狀態，保證滿足承載力的具體要求以及準備工作的充足性。
（三）科學使用混凝土添加劑
增加添加劑的使用是防止大體積混凝土裂縫的措施之一。例如，合理使用減水防裂劑是防止和控制混凝土裂縫的有效措施。使用減水防裂劑不僅可以減少混凝土的用水量，提高混凝土的收縮功能，而且可以使水泥漿的稠度得到改善，減少混凝土的沉縮變形。同時，減水防裂劑還可以增加混凝土的抗拉強度，大力提高混凝土的抗裂性能。有的添加劑還能夠改善混凝土的密實性，使混凝土的抗碳化性提高。貫穿性混凝土裂縫是建筑施工中嚴重的裂縫問題，要想得到有效改善，就必須認真做好防止和控制工作，提高混凝土的性能，特別是抗裂能力，保證混凝土的質量，進而保證建筑工程的質量。
（四）強化對混凝土的養護工作
大體積混凝土的養護是指混凝土在澆筑的初期，在凝結硬化的過程當中進行的溫度和濕度的控制，以利于大體積混凝土獲得設計時需要的物理力學性能，在澆灌的時期，水分可以充分滿足需要時的量，但是由于蒸發所導致的水分流失，從而推遲或妨礙水泥的水化，這對混凝土的表面影響是非常大的。在具體的土木工程施工中，混凝土的澆灌最初幾天是最關鍵的時期，所以在施工中必須重視起來。其中措施有：1對于大體積混凝土可以采取蓄水方法進行養護，定時，定點，定人來操作控制。2在比較寒冷的冬天可以采用加工骨料和水的方法來進行加溫，已達到需要預定的初始溫度，但是不可以直接加熱或者放入暖棚里存放。其中加熱骨料的溫度在20~40℃，而水的加熱溫度在60~80℃，混凝土的儲罐溫度不能超過25℃。3澆水的頻率應保持大體積混凝土的濕潤。4在混凝土表面振搗抹平后應該及時地覆蓋草簾或者是濕麻袋進行養護，避免水分的蒸發流失，混凝土終凝后應該持續澆水14天。5在進行混凝土的澆灌時最好選用晴朗的天氣，避免雨天對混凝土施工質量的影響。但是必須將防雨設備準備齊全。6在澆灌厚度大于3m時，最好應在其內部安置冷卻水循環降溫措施。
總結：
隨著社會經濟的飛速發展，商品房建設已經成為城市發展的標志之一。大體積混凝土的裂縫問題作為混凝土施工的關鍵性問題，必須要得到良好的解決。當前，精裝商品房建設面臨的大體積混凝土施工問題已經成為社會各界高度關注的問題。要想保證商品房的建設質量，就必須要對大體積混凝土的施工問題進行科學全面的分析研究，進而采取行之有效的問題解決措施，保證商品房的建設質量，促進建筑業的健康發展。
參考文獻：
[1]石小忠. 大體積混凝土結構裂縫成因及預防措施[J]. 科技情報開發與經濟.2006.(19).
[2]王鐵夢.工程結構裂縫控制[M].北京.中國建筑工業出版社.2009.