前言：中文期刊网精心挑选了祭奠烈士的寄语范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
祭奠烈士的寄语范文1
【关键词】时间序列法 电力系统 用电量Matlab
1 引言
随着社会对电力系统运行的安全性、稳定性以及经济性的要求越来越高，电力系统用电量预测的重要性也越来越凸显出来。本文依据时间序列法对其进行预测，时间序列法主要包括移动平均法、季节趋势预测法、指数平滑法、差分平滑法等具体方法，由于移动平均法只适合于近期且变化较小的情况、季节趋势预测法预测的是季节性变化趋势，但对2001到2013用电量数据研究，我们发现，数据并不符合以上两种情况，故这两种方法均不适用于电力系统用电量的预测，因而本文重点分析后两种方法。
本文以西北五省（区）用电量的预测为例，以2001-2012年用电量数据为基准推算2013年用电量，并与2013年实际用电量相互比较，从而判断方法的准确性和完整性。查阅中国统计年鉴可得西北五省（区）的用电量如表1：（单位：亿千瓦小时）。
2 指数平滑法预测电力系统用电量
根据电力系统用电量变化趋势的大体预测，本文采用三次指数平滑法，计算公式如下：、、，其中、、分别为一次指数、二次指数、三次指数的平滑值。
在实际计算中，α的取值与函数走向存在一定相关性，为了取得较小的误差，经过验证，本文中除新疆因用电量增长速度较快取α=0.6外，其余省份均取α=0.195，可以获得比较好的预测结果。
运用Matlab软件对西北五省（区）2001-2012年用电量进行编程预测2013年用电量可得以下数据：陕西、甘肃、青海、宁夏、新疆五省（区）2013年预测值分别为1130、1056、646、800、1470（单位：亿千瓦小时），与实际值比较得到误差分别为1.91%、1.58%、4.44%、1.36%、4.48%。
3 差分平滑法预测电力系统用电量
由于用电量增长并非稳定的直线增加，因此本文采用二阶差分指数平滑模型进行分析，计算公式及推导结果如下：、、、，其中，为差分记号，为二阶差分记号。
上式表示把经过二阶差分后的新序列的指数平滑预测值与变量当前一阶向后差分与变量当前实际值叠加，作为变量的下一预测值。对于这个公式的数学意义可作如下解释：
，所以用的估计值代替得到计算式。
在运算中，α的值是人为给定的。通过运算检验，若α取值较小时，误差相对较大，会对预测准确性带来不利影响，通过多次验证，得到α=0.4时，误差较小，对该预测而言相对较为合适。
运用Matlab编程对2001-2012年用电量进行编程预测2013年用电量可得以下数据：陕西、甘肃、青海、宁夏、新疆五省（区）2013年预测值分别为1140、1052、629、724、1552（单位：亿千瓦小时），与实际值相比较可得误差分别为1.04%、1.96%、6.95%、10.73%、0.84%。
4 分析结论
通过Matlab软件编程计算两种方法的误差平均值以及标准差，通过对两种方法的误差平均值以及标准差分析，可以得到以下数据，见表2。
由表2可以得出，指数平滑法误差平均值较小，而且标准差较小，预测相对稳定，因此从此角度上来说，指数平滑法在电力系统用电量预测方面具有更高的可靠性。
时间序列法是一种非常重要的预测方法，将其运用到电力系统用电量的预测中来，将大大增加电力系统用电量预测的准确性和可行性，为电力系统的可靠运行打下一个良好的基础。然而，时间序列法突出时间的重要性，却对外界影响考虑得相对较少，因此，时间序列法在外界情况发生较大改变时并不能准确地进行预测，这也是运用时间序列法进行电力系统用电量预测时值得注意的。其次，三次指数平滑法和二阶差分平滑法都存在加权系数的选择问题，以及只能逐期预测问题。总之，如果在合适的情况下运用时间序列法进行预测，结果是具有较高的准确性和参考性的。
参考文献
[1]司守奎，孙玺菁.数学建模算法与应用[M].北京：国防工业出版社，2011.
[2]李继成.数学实验用[M].北京：高等教育出版社，2006.
祭奠烈士的寄语范文2
关键词：灰色时间序列；用电总量预测；误差分析
引言
全国电力年消耗总量作为重要的经济指标，对国内经济环境的反映具有重要作用。电力在传输、储存和远程调配等环节中损耗严重，从而要求了发电量必须与用电量相适应。基于以上两点，对未来全国电力年消耗总量进行准确预测，不仅能对发电工作进行提前指导，还能根据预测数据指导经济政策的制订。
目前，对全国电力年消耗量预测进行较少，多为专家定性预测，准确度得不到保障，而全国电力年消耗量影响因素众多，内部关系不明晰。针对此，本文利用灰色时间序列进行预测，所需数据量小，准确度高，预测结果更具有参考价值。
1 灰色r间序列
时间序列预测是将所需要预测的数据按照时间进行排列，形成一个数列，利用数列的内在规律，合理外推出未来时间相应节点所对应的数据。灰色预测用于数据内在关系不明确或不完全已知的情况，利用较少数据，进行准确度和可信度高的预测。灰色时间序列将以上两种方法相结合，所需数据少，预测准确，可信度高，特别适合类似于用电总量的预测分析。
灰色时间序列预测过程包括：数据预处理（累加数列），序列建立，参数求解，精度检验。
2 基于灰色时间序列的全国电力年消耗量预测
2.1 实验条件
（1）查询国家统计局有关数据，2007至2016年全国电力年消耗总量数据如表1所示。
（2）在MATLAB R2014a，利用MATLAB语言对相应程序进行了编写。
2.2 实验结果
利用灰色时间序列进行预测，预测2017年全国电力年消耗总量为6.4658万亿兆千瓦，全国电力年消耗量预测如图1所示。
2.3 误差分析
以2012～2016年全国电力年消耗总量作为预测目标，将预测值与实际值进行比较，误差分析结果见表2。
从预测误差表中可以看出，利用已知实际值和模型预测值进行比较，2012～2016年全国电力年消耗总量预测值与实际值差距最大为4.665%，最小为2.395%，5组验证均保证预测值与实际值差异小于5%，满足统计学的预测值具有95%的保证率的要求，预测精度高，预测结果可信，预测数据具有重要的现实意义。
3 结束语
综合全国电力年消耗总量符合时间序列规律以及数据量小，内部关系不完全清晰的特点，利用灰色时间序列得到预测模型，并对2017年全国电力年消耗总量进行了预测。预测方便，所需数据量小，通过误差分析发现，预测结果准确度高，具有重要的现实意义。预测2017年我国电力年消耗总量将达到6.4658万亿兆千瓦，继续呈现上升趋势，为保证电力供应，有关部门应及早进行准备，参考预测数据采取相应措施。
参考文献
[1]林添枝，吴卢荣，陈绩馨.基于时间序列与灰色拓扑的春节火灾损失预测[J].数学的实践与认识，2014（17）：176-183.
[2]杨月英，马萍.基于灰色时间序列预测中国汽车销量[J].湖州职业技术学院学报，2012（01）：5-7+11.
[3]肖勇，尹世洋，邵景力，等.灰色预测与时间序列分析在地下水位预测中的应用[J].灌溉排水学报.
[4]刘淼.基于灰色理论的时间序列交通事故预测[J].许昌学院学报，2014（02）：14-17.
[5]曹艳平.灰色时间序列理论及应用的研究[D].西安建筑科技大学，2005.
祭奠烈士的寄语范文3
关健词：特色花生品种森列尔黑花生特征特性营养品质微量元素施肥要点
一、黑花生的特征及产品特性
黑花生熟期适中，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，叶片绿色，茎浅绿色，单株平均分枝数35个，有效果枝数23-25个，果荚白色，果仁皮为黑色，果肉灰白色，果仁个大，百重180克，品质好，适口性好，营养丰富，据检测，含粗蛋白30.68%，膳食纤维4.28%，碳水化合物8.32%，每公斤果仁含维生素B13.42毫克，维生素B22.25毫克，维生素E42毫克，并富含钾、钠、镁、硒等微量元素及多种人体必需的氨基酸和脂肪酸，对人体有一定的保健和食疗作用，是制造保健食品和食疗产品的原料，目前市场黑花生产品十分短缺，产品供不应求，黑花生具有广阔的开发前景。
黑花生品种具有抗倒伏，抗干旱，抗叶斑病和病毒的特性，是适宜本地区种植的优良品种。
二、黑花生栽培技术要点
通过几年试验，示范种植黑花生情况看：黑花生生产要获得优质、高产、高效益，在栽培管理上必须抓好以下几项技术：地块选择：黑花生耐涝性略差，在地块选择上以砂壤土为好，在涝洼地、黄粘土地、旱垄道地禁止种植。
播种时间：黑花生芽势较弱应在5月1日～5日地温在到12℃时种植，保证花生发芽出土需要的土壤温度和湿度。
播种的密度：黑花生株高、分枝多、结果数多，最多单株果数可达到50个左右，一般平均单株果数25-30个。因此在播种时，适宜密度为一般田间为1.7×0.75尺，好的田块密度应达到0.8尺，穴播2粒，亩保苗4500-4700穴。
种植形式：采用地膜覆盖形式，采用1.2米或1.1米地膜，一次覆盖两垄，有利于保温保湿，疏松土壤，促进土壤有机质分解，防止肥料流失，增加肥效。
1、药剂除草
地膜覆盖栽培每亩用50%乙草胺0.3公斤兑水60公斤喷雾，施药后及时覆膜。
2、病虫害的防治
地下害虫防治：用毒土法每亩用辛硫磷乳油0.2公斤兑细潮土15-20公斤，或兑化肥沟施，防春季蛴螬危害。6月10日前后亩用辛硫磷乳油0.2公斤兑细潮土15-20公斤，施于花生墩上防秋季蛴螬危害荚果。
生长期间病虫害的防治：根据虫害发生情况用杀虫双、敌杀死防治食叶虫害，用吡虫啉防治花生蚜虫。
花生病害防治：灰霉病发病初期用50%多菌灵500-600倍或百菌清600-800倍防治2-3次；叶斑病于7月末8月初用多菌灵500-600倍或托布津700-800倍防治2-3次。
3、控制徒长
黑花生株高，分枝多，易徒长，除采取农艺措施控制外，如徒长可喷施多效唑100倍液控制。
4、及时收获
黑花生最佳收获期，田间植株表现为生长基本停止，上部叶转黄，中下部叶片开始脱落，茎色转黄既可收获。
三、黑花生的施肥方法与要点
森列尔黑花生引进我区试验、示范、推广栽培数年里，我们对该品种的试验示范栽培对比分析，总结出黑花生在需肥上与其它同种作物或非同种作物存在敏感差异。则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获得黑花生丰产丰收的重要保证。
1、施肥数量
一般情况下，中肥地块（全氮450-600mg/kg）应施有机肥4000-6000kg，纯N4-6kg，P2055-9kg，K206-12kg。在实际生产中，应根据地力条件，产量水平、品种特性灵活运用，适当增减。
2、施肥方法
春花生所用肥料，都应在播种前作为基肥施足，采用全层施肥，以深施为主。基肥的2/3（包括有机肥、氮肥、磷肥）及全部钾肥结合耕翻施入犁底层；1/3基肥结合春季浅耕或起垄作畦浅层包施，以满足生育前期和结果层的需要。若用磷酸钙或钙镁磷肥，最好与优质圈肥混合堆沤15-20天，再施入土壤。麦茬花生等，若基肥不足可使用种肥，但应注意肥料与种子隔离。基肥、种肥不足的，亦可在苗期至初花期追施。并于中后期叶面喷施1%～2%尿素溶液，2%～3%的过磷酸钙溶液或0.1%～0.2%的磷酸二氢溶液。
3、重视微肥施用
锌肥：当土壤pH>7或含磷过多时，易缺锌。主要锌肥为硫酸锌。做基肥时，每亩用量1-2kg；浸种是用0.03%-0.05%硫酸锌溶液浸种12小时；拌种时，每千克种子用4-6kg硫酸锌；叶面追施可用1%～2%硫酸锌溶液在花针期均匀喷洒叶面。
祭奠烈士的寄语范文4
关键词： 势态感知； 集合经验模态； 极限学习机； 混合人工鱼群； 多步时间序列预测
中图分类号： TN915.08?34； V249 文献标识码： A 文章编号： 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
电力信息系统的安全性往往关系到企业的核心利益，不断发展与变化的网络信息技术和网络入侵攻击技术越来越表现出不确定性、复杂性、多样性等特点。
目前，国内外学者在时间序列预测的研究中，采用的都是单步时间序列预测ARIMA、直接策略、迭代策略、经验模态分解等[1]，而目前还未能出现针对电力信息系统数据库的访问轨迹势态感知的多步时间序列预测方法。
本文基于集合经验模态分解EEMD技术引入极限学习机ELM模型，利用人工鱼群算法结合多模态函数优化算法建立了一个对访问轨迹的数据进行多步时间序列预测的模型。该算法在求解类似大规模访问轨迹数据的多步预测突破了传统算法策略的限制，具有更高的迭代效率和能力。以某信通公司信息系统数据库中20台分布式服务器的访问轨迹数据集为例，建立样本集的特征向量，对访问数据进行了多步时间序列预测，有效地提前发现是否存在入侵行为，提高了模型泛化能力。
1 EEMD?ELM时间序列预测方法
针对电力信息系统数据库的网络访问轨迹时间序列，采用EEMD混合模型技术进行不同特征尺度的分解，使用EEMD?ELM混合模型进行单步时间序列预测。
1.1 集合经验模态分解
经验模态分解（Empirical Mode Decomposition， EMD）[2]是一种实现数据局部特征自适应的分解技术。EMD通过对繁杂的网络入侵电力信息系统操作序列进行平稳化预处理，进而将复杂的入侵操作记录序列分解成一组性能较好，特征尺度差异较大的本征模函数（Intrinsic Mode Function，IMF）。详细的分解过程为：
（1） 确定入侵操作记录序列[P（t）]的所有极值点，用核密度函数拟合成全包络线，序列[P（t）]与上下包络线的平均值[m1]的差记为[h1。]
（2） 把[h1]视为新序列，重复以上过程，直到[h1]满足IMF的上述两个条件，则其成为从原始序列筛选出最高频的分量[c1，]其他剩余量可以表示为[r1=P（t）-c1。]
（3） 对[r1]继续上述分解，直到第[n]阶段的残余序列为单调函数或其值小于预先给定的值，分解结束。
网络入侵操作记录序列可以写为：
[p（t）=i=1nci（t）+rn（t）]
由于在EMD中存在一个IMF分量，包含了尺度差异较大的信号，针对这个问题采用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）[3]，通过在网络入侵操作记录序列中加入一系列低信噪比白噪声，进行上述经验模态分解，集合平均使得加入白噪声相互抵消，克服模式混合的问题。
1.2 极限学习机算法原理
本文采用的极限学习机神经网络（Extreme Learning Machine，ELM）是一N前馈神经网络学习算法[4]。
设[H]是隐含层的输出矩阵，ELM神经网络的输出公式就简化为：[H?β=ZT，]令[ε=YT-ZT]是逼近残差，那么隐含层和输出层间的连接权值[β]就可以通过求解以下方程组的最小二乘解获得[5]：
[minβHβ-YTβ=H+YT]
式中[H+]为隐含层输出矩阵[H]的广义逆。
2 混合鱼群MAFA优化算法
本文中网络入侵电力信息系统数据库访问规矩在本质上是一种时间序列，为了实现此时间序列多步预测，采用基于混合鱼群MAFA优化EEMD?ELM策略，该策略能够自适应优化调整输出向量的长度，有效地克服了现有多步预测策略中的限制条件，其体系结构如图1所示。
本文对模型全局搜索采用人工鱼群AFA（Artificial FishAlgorithm）[6]算法。状态为[X=x1，x2，…，xn，][xi]为寻优目标变量。
引入多模态函数优化算法（Multimodal Function Optimization，MFO）[7]实现人工鱼群算法AFA的动态策略调整。避免当寻优区域平坦，算法出现局部收敛、早熟等现象。
假设个体[i]与个体[j]间欧式距离以[dij]表示，调整后的个体适应度为：
[f′i=fimi]
式中：[mi]为多模态数目，[mi]为个体[i]与其他个体所得的共享函数[sh（dij）]之和。[sh（dij）]与[mi]的表达式如下：
[sh（dij）=1-dijσshλ，dij
式中：[λ]为共享程度；[σsh]为多模态半径；[n]为群体规模。
人工鱼群AFA算法结合多模态函数优化算法（MFO）的MAFA算法描述如图2所示。
3 访问轨迹的多步时间预测方法
3.1 访问轨迹势态感知的全局流程
本文首先将电力信息系统数据库的访问历史数据经过密度估计方程得到其安全范围包络线，并作为标准阈值范围。为了突破时间序列预测策略在多步预测的限制，本文提出多模态优化结合人工鱼群的EEMD?ELM算法，实现了多步时间序列预测。算法模型结合系统审计日志对数据库的访问数据进行实时数据收集与预测，根据其访问轨迹进行预测分析，如果预测发现有安全问题的存在，那么进行重点关注，一旦发现违反安全策略的行为，或者可能存在入侵行为，予以警告提醒。全局整体流程如图3所示。
3.2 特征向量的建立
访问轨迹信息是多维度数据，不能直接使用EEMD?ELM算法进行时间序列预测。可以先提取访问轨迹的统计特征，然后用一个特征向量表征访问轨迹后代入预测算法。
设包括有[n]个操作、[m]个数据点的访问轨迹为：
[X=X11X12…X1nX21X22…X2n????Xm1Xm2…Xmn]
为了消除不同访问操作数据间数量级上的差异，本文按照下式将操作数据归一化为-0.5～0.5。
[Xij=Xij-Xj，minXj，max-Xj，min-0.5]
分别计算操作数据归一化后的方差与均值：
[Xi=1mj=1mXij，i=1，2，…，n]
[Si=1mj=1mXij-Xi2，i=1，2，…，n]
最终构建的特征向量包括[2n]个元素。
[y=X1S1X2S2…XnSnT]
3.3 自适应的多步时间预测
文献[2]中归结出MISMO多步预测策略，预测步长和输出节点的个数应该相等。本文采用MAFA结合EEMD?ELM的算法实现，突破了MISMO的限制。
对于MAFA优化问题，每个人工鱼[P=p1，p2，…，pF-1]代表一个可能的可行解。[P=p1，p2，…，pF-1]中的[F-1]个成分是0或1，[pi]为0，则任务不会在[pi]进行分割；[pi=1，]则任务在[pi]进行分割，多步预测的编码结构如图4所示。
3.4 预测结果的评价
为了评价EEMD?ELM在访问轨迹时间序列单步预测的性能情况，本文选取均方根误差RMSE与平均绝对百分误差MAPE为指标。对于混合鱼群算法MAFA优化EEMD?ELM进行提前的多步预测，本文采用对称平均绝对百分比误差SMAPE[8]来评价整体预测性能效果：
[SMAPEh=1Mm=1MδmN+F-δmN+FδmN+F+δmN+F×100%]
式中：[δmN+F]表示时间序列[m]提前[F]步的预测值；[δmN+F]表示对应的实际值。
4 实例结果分析
为了验证本文MAFA优化的EEMD?ELM多步预测算法模型的性能，本文采用三个月时间内信通公司信息系统数据库中20台分布式服务器的访问轨迹数据，具体是把每台的网络连接和审计日志数据作为原始数据。将每台服务器的数据转化为特征向量后等分为A，B，C，D四组，选取A，B，C三组的数据作为测试数据集，D组的数据作为实际数据集。
将测试数据集代入EEMD?ELM模型网络后进行时间序列单步预测。把实际数据集作为标准值，与预测结果对比计算。
EEMD?ELM，ELMs和ARIMA算法对每台服务器上的访问数据做了单步预测，并以RMSE，MAPE作为评价性能指标，将三种算法结果进行对比，具体如图5，图6所示。
从图5和图6中可以明显看出本文提出的基于EEMD技术的ELM模型在单步时间序列的预测上相比ELMs，ARIMA模型误差较小，精度更高。
采用本文提出的MAFA优化的EEMD?ELM模型，将此算法用于自适应调整EEMD?ELM模型的多步预测步长，实现多步时间序列预测。将实际数据集划分为多步时间序列进行验证，并以SMAPE作为评价性能指标，得到算法的预测误差，具体如表1所示。
本文提出人工鱼群算法AFA结合多模态函数优化MFO算法的混合鱼群算法MAFA，进行测试函数的迭代计算，并与其他优化算法的效果进行对比，具体如图7所示。
从结果可以看出，本文提出的混合鱼群MAFA算法的迭代效率和收敛速度要明显优于其他优化算法。同时，利用MAFA自适应调整EEMD?ELM模型的多步预测步长，使多步时间序列预测的误差控制在4.5%以内，满足工程精度要求。
5 结 论
本文提出基于EEMD技术的电力信息安全的多步时间序列预测方法，该方法仅凭借电力信息系统数据库的当前访问轨迹数据，即可实现对访问轨迹时间序列多步预测，结合安全范围包络线，进而提前发现是否存在入侵行为。根据本文分析可以得到以下结论：
（1） 本文创新性地运用EEMD技术对复杂多样的访问轨迹时间序列数据进行分解，然后运用极限学习机ELM对分解得到的子时间序列实现分布式预测，从而实现对复杂多样的时间序列单步预测。
（2） 面对极限学习机ELM容易出现过拟合和局部收敛的现象，提出人工鱼群AFA结合多模态函数MFO优化算法，根据验证结果表明，该算法具有较好的迭代效率，并克服过拟合和局部收敛的问题。
（3） 本文提出MAFA优化EEMD?ELM模型的方法，能够有效地突破现有MISMO多步预测策略限制，自适应调整多步预测步长。根据验证结果表明，实现多步预测的误差控制在4.5%以内，满足工程精度要求。
参考文献
[1] 李瑞国，张宏立，范文慧，等.基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测[J].物理学报，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] 熊涛.基于EMD的时间序列预测混合建模技术及其应用研究[D].武汉：华中科技大学，2014.
[4] 王萍，王迪，冯伟.基于流形正则化的在线半监督极限学习机[J].上海交通大学学报，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.
祭奠烈士的寄语范文5
关键词：电站；设备故障；时间序列；指数平滑
中图分类号：TP311 文献标识码：A 文章编号：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
根据麦肯锡（McKinsey）2011年5月的《大数据：创新、竞争和生产力的下一个新领域》报告，数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素。数据挖掘能够从大量的数据中通过算法发现隐藏于其中的信息，并已经成功应用于电子商务、银行、医药、气象等众多领域。近年来，数据挖掘在电力领域的研究也受到了较多的关注。文献[1-3]研究了分类和聚类算法在电力客户分类及电力负荷分类方面的应用。文献[4-9]研究了数据预测算法在电力负荷预测、风电功率预测、电价预测、风力预测、风速预测等方面中的应用。文献[10-13]研究了关联规则算法在电力负荷、电网脆弱性、电站凝汽器等方面的应用。本文基于大量的设备故障历史统计数据，运用指数平滑的时间序列预测方法对设备故障的发展趋势进行预测，从而为电站的运行维护、设备检修管理提供决策支持。2013年电力行业信息化年会的与会专家一致认为：电力大数据的信息挖掘和利用将给电力企业带来新一轮商业模式转变和价值创新。
2 数据描述
研究所基于的数据来自中国某大型发电集团从2008年到2014年的设备运行故障月度报告。报告有word和pdf两种格式，每份报告的主要内容有设备运行故障的统计概况、具体案例描述。经过数据整理后形成了设备运行异常情况表，具体内容如表1所示。
由于数据条目较多，在此仅列出每张表的少数几条数据。对于文字内容描述较多的字段，仅列出了一条较为完整的数据来说明问题，其他条目的内容用“略”来代替。表1中的的类别1到类别4是从粗到细分别描述了设备故障的类别，每条样本数据展现了不同类别的故障在特定时间所发生的项数和具体的原因描述。
由于数据条目较多，在此仅列出每张表的少数几条数据。对于文字内容描述较多的字段，仅列出了一条较为完整的数据来说明问题，其他条目的内容用“略”来代替。表1中的的类别1到类别4是从粗到细分别描述了设备故障的类别，每条样本数据展现了不同类别的故障在特定时间所发生的项数和具体的原因描述。其中类别3随时间的变化关系如图1所示。从图中可以看出，电站故障的主要类别是锅炉故障，其次是汽机故障，然后是电气故障。特别是锅炉故障，每个月发生的次数均高于其他故障类别。因此，本文主要针对锅炉故障的时间序列进行趋势预测。
4 结束语
本文从新的数据视角，基于电站的设备故障分析报告，研究了基于三次指数平滑的时间序列预测在电站设备故障分析中的应用。研究结论对电力企业的管理决策制定和设备故障的技术创新都有一定的帮助，但研究结果还有待进一步提高，研究手段还有待进一步丰富。下一步，将综合多种数据挖掘技术应用于电力数据分析中，充分挖掘电力大数据的价值，为社会生产提供更多服务。
参考文献：
[1] 冀明，孔凡伟.聚类分析在电力客户分类中的应用[J].硅谷，2012（7）：112-184.
[2] 窦全胜，史忠植，姜平，等.调和聚类-分类方法在电力负荷预测中的应用[J].计算机学报，2012（12）：2645-2651.
[3] 刘莉，王刚，翟登辉.k-means聚类算法在负荷曲线分类中的应用[J].电力系统保护与控制，2011（23）：65-68.
[4] 杨茂，熊昊，严干贵，等.基于数据挖掘和模糊聚类的风电功率实时预测研究[J].电力系统保护与控制，2013（1）：1-6.
[5] 刘学琴，吴耀华，崔宝华.基于扩展粗糙集的短期电力负荷预测模型[J].电力系统保护与控制，2010（5）：25-28.
[6] 崔F，顾洁.电力系统中长期负荷预测的改进决策树算法[J].上海交通大学学报，2004（8）：1246-1249.
[7] 刘庆彪，张步涵，王凯，等. 电价预测的自适应支持向量机方法研究[J].电力系统保护与控制，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] 马瑞，周谢，彭舟，等.考虑气温因素的负荷特性统计指标关联特征数据挖掘[J].中国电机工程学报，2015（1）：43-51.
[11] 颜宏文，谢启龙.基于多维关联规则的电网脆弱性识别研究[J].计算机应用与软件，2015（11）：36-40.
祭奠烈士的寄语范文6
关键词：精装商品房；大体积混凝土；施工技术；防裂措施
中图分类号：TU37 文献标识码：A 文章编号：
大体积混凝土是最小断面尺寸大于1m以上的混凝土结构，其尺寸已经大到必须采用相应的技术措施妥善处理温度差值，合理解决温度应力并控制裂缝开展的混凝土结构。其主要应用在诸如精装商品房等大型设施建筑的主体部分。在建筑规模不断扩大的同时，各种现代化建筑蜂涌而出，混凝土凭借着其施工方便、物美价廉、承载力大，以及装饰性强的特点受到了社会的高度认可。但是，在混凝土广泛应用的过程中，也出现了诸如裂缝等问题，严重影响了建筑物的质量。因此，针对大体积混凝土施工技术的特点，采取切实有效的裂缝防治措施是非常有必要的。
一、大体积混凝土的施工技术特点
大体积混凝土是结构断面最小厚度在80cm以上，同时水化热引起混凝土内部的最高温度与外界气温相差预计超过25℃的混凝土。大体积混凝土主要有以下几个特点：第一，施工技术高，水泥水化热较大，易使构物产生变形；第二，工程条件复杂；第三，结构厚实，混凝土量大；第四，大体积混凝土除了对最小断面和内外温度有限制以外，对平面尺寸也有严格的要求，因为平面尺寸过大，约束作用产生的温度力也越大；第五，当结构混凝土拆模时，混凝土的温度不能超过20℃，其温差应包括表面温度，中心温度，外界气温之间的温差。
二、大体积混凝土施工出现裂缝的原因
（一）混凝土干缩裂缝
混凝土在进行凝固的过程中，其水分会随着时间的延长加剧蒸发的程度，而且在水分蒸发的过程中其自身体积会逐渐减小，这种情况就被称为干缩。探究出现干缩裂缝的主要原因就是混凝土在凝固的过程中内外水分蒸发程度不同造成的，而混凝土表面干缩变形受到了其内部的约束影响，最终产生应力导致裂缝情况。一般情况混凝土干缩裂缝主要呈现为表面性的线状或网状浅细裂缝，主要发生的时间在混凝土进行浇注的7天左右。
（二）混凝土温度裂缝
混凝土的温度裂缝主要体现在两个方面：首先，由于水和水泥的水化作用，混凝土在硬化时会释放出一定量的热量，导致混凝土内外硬化速度不一致，内部的热量挥发困难，不断膨胀，当对外部产生的拉应力达到一定程度时，混凝土表面就会有裂缝产生。其次，由于外部环境的气候、温度的变化，混凝土结构会随之产生热胀冷缩的现象。在建筑工程中，混凝土和钢筋是成对出现的，通常情况下，钢筋的膨胀系数要比混凝土的膨胀系数大，当温差较大时，钢筋的膨胀程度超过混凝土的膨胀程度，混凝土就会受到钢筋拉应力的影响，导致裂缝产生。
（三）塑性收缩裂缝
塑性收缩是指混凝土在进行凝结之前水泥由于受到水化反应，最终出现的水分急剧增加的情况，最终所引起的混凝土失水收缩状况，则被称为混凝土塑性收缩。塑性收缩，水泥的活性大，加上混凝土的温度高，或者是在水灰比较低的条件下会加剧引开裂缝。表面的水分会随着蒸发不能及时得到补充，凝土尚处于塑性状态，稍稍接受一些外力，混凝土就会出现分布不均匀的的裂缝。
三、大体积混凝土裂缝的处理方法
（一）选择优质的原材料
我国的水泥品种品类很多，所具有的用途和性能也是有区别的。一般在建筑工程中大多数会选通用水泥，包括普通硅酸盐水泥，火山灰质硅酸盐水泥，矿渣硅酸盐水泥以及粉煤硅酸盐水泥。要明确水泥的品种的强度等级，在施工中要选择散装的水泥，但是不能将不同品种或批号的水泥混装。在运输过程中要注意防潮通风，以便保存和使用。大体积混凝土施工中骨料等掺合物的质量控制,其中要选中粗砂为宜，使砂率控制在43%以内。同时必须严格控制碎石针片状颗粒。掺加原状或磨细粉煤灰能够降低混凝土中水泥水化热，影响混凝土的温度变化。此外，科学合理的混凝土配比是避免建筑施工中混凝土裂缝的关键。混凝土的配比工作人员要深入到建筑施工现场，根据施工现场的操作水平等情况，对混凝土的配比进行合理的设计。同时，要针对施工现场的石料质量等情况进行配比的调整，与现场的养护工作协调一致。
（二）强化混凝土结构设计和施工控制工作
想要最大限度地对混凝土裂缝情况进行预防，强化结构设计以及施工方面的控制工作也很重要。在进行结构设计时要将具体的荷载情况列入到计算范围内，避免可能由于漏算所带来的结构计算偏差情况，在选择力学模型时要保证其能够与实际问题相符。结构设计的首要因素是要满足构造的要求情况，有效的避免可能由于构造的钢筋过少所带来的门窗、边框的斜裂缝状态。同时要保证施工方面的科学合理性状态，在展开施工之前要对结构设计的图纸以及所用的材料情况进行严格全面的审查工作，对于使用到的钢筋要做好验收工作，在进行水泥的使用之前要对水泥的性能以及骨料的强度进行相应的检验工作；对混凝土的具体配合比情况进行审查，尽量控制水泥的使用量状态，保证满足承载力的具体要求以及准备工作的充足性。
（三）科学使用混凝土添加剂
增加添加剂的使用是防止大体积混凝土裂缝的措施之一。例如，合理使用减水防裂剂是防止和控制混凝土裂缝的有效措施。使用减水防裂剂不仅可以减少混凝土的用水量，提高混凝土的收缩功能，而且可以使水泥浆的稠度得到改善，减少混凝土的沉缩变形。同时，减水防裂剂还可以增加混凝土的抗拉强度，大力提高混凝土的抗裂性能。有的添加剂还能够改善混凝土的密实性，使混凝土的抗碳化性提高。贯穿性混凝土裂缝是建筑施工中严重的裂缝问题，要想得到有效改善，就必须认真做好防止和控制工作，提高混凝土的性能，特别是抗裂能力，保证混凝土的质量，进而保证建筑工程的质量。
（四）强化对混凝土的养护工作
大体积混凝土的养护是指混凝土在浇筑的初期，在凝结硬化的过程当中进行的温度和湿度的控制，以利于大体积混凝土获得设计时需要的物理力学性能，在浇灌的时期，水分可以充分满足需要时的量，但是由于蒸发所导致的水分流失，从而推迟或妨碍水泥的水化，这对混凝土的表面影响是非常大的。在具体的土木工程施工中，混凝土的浇灌最初几天是最关键的时期，所以在施工中必须重视起来。其中措施有：1对于大体积混凝土可以采取蓄水方法进行养护，定时，定点，定人来操作控制。2在比较寒冷的冬天可以采用加工骨料和水的方法来进行加温，已达到需要预定的初始温度，但是不可以直接加热或者放入暖棚里存放。其中加热骨料的温度在20~40℃，而水的加热温度在60~80℃，混凝土的储罐温度不能超过25℃。3浇水的频率应保持大体积混凝土的湿润。4在混凝土表面振捣抹平后应该及时地覆盖草帘或者是湿麻袋进行养护，避免水分的蒸发流失，混凝土终凝后应该持续浇水14天。5在进行混凝土的浇灌时最好选用晴朗的天气，避免雨天对混凝土施工质量的影响。但是必须将防雨设备准备齐全。6在浇灌厚度大于3m时，最好应在其内部安置冷却水循环降温措施。
总结：
随着社会经济的飞速发展，商品房建设已经成为城市发展的标志之一。大体积混凝土的裂缝问题作为混凝土施工的关键性问题，必须要得到良好的解决。当前，精装商品房建设面临的大体积混凝土施工问题已经成为社会各界高度关注的问题。要想保证商品房的建设质量，就必须要对大体积混凝土的施工问题进行科学全面的分析研究，进而采取行之有效的问题解决措施，保证商品房的建设质量，促进建筑业的健康发展。
参考文献：
[1]石小忠. 大体积混凝土结构裂缝成因及预防措施[J]. 科技情报开发与经济.2006.(19).
[2]王铁梦.工程结构裂缝控制[M].北京.中国建筑工业出版社.2009.