地源热泵+多联机温湿度独立调节系统能效分析

对地源热泵+水冷多联机温湿度独立调节系统和地源热泵+风冷多联机温湿度独立调节系统2种方案的间歇运行方式和连续运行方式的综合能效比进行分析与计算,结果表明:潜热和新风负荷越小,系统的综合能效比越高,随着潜热和新风负荷的增大,系统的综合能效比下降;地源热泵+水冷多联机温湿度独立调节系统间歇运行方式比连续运行方式的综合能效比更高;在实际工程中,常见的地源热泵+水冷多联机温湿度独立调节系统比地源热泵+风冷多联机温湿度独立调节系统的综合能效比高近1.4倍;地源热泵+风冷多联机温湿度独立调节系统中,当潜热和新风负荷超过40%后,不管是间歇运行方式还是连续运行方式,其综合能效比都较接近,说明该系统对运行方式要求不高。     

基于改进AP聚类与优化GRNN的非侵入式负荷分解研究

泛在电力物联网的提出推动了智慧用电、负荷监测等技术的大力发展,为解决传统非侵入式负荷监测与分解方法耗时长,辨识精度低等问题,文章提出了一种半监督学习聚类数据建立特征集并结合果蝇优化广义回归神经网络模型的负荷分解方法。首先,该方法利用输入的设备有功功率和电流数据采取半监督学习优化相似矩阵,以近邻传播聚类算法为基础挖掘出用电设备的运行状态特性以及功率信息,再使用数字编码方式将设备运行状态表示为分类标签,然后输入总有功功率、无功功率以及电流的时间序列数据和对应序列的分类标签矩阵,利用果蝇优化算法的寻优能力求得广义回归神经网络模型的最优Spread值完成模型优化和训练,随后输入测试时间序列数据,得到分类矩阵即各设备运行状态,并利用设备运行状态对应的功率信息进行总有功功率重构拟合,完成负荷分解。经仿真对比,此方法对所有用电设备运行状态辨识准确率达到86%左右,对单个用电设备运行状态辨识准确率达到96%左右,且耗时较短,显著提高了对负荷特性信息的挖掘能力和分解辨识能力。     

基于加权残差聚类的建筑负荷预测区间估计

提出基于加权残差聚类的建筑负荷预测区间估计方法,旨在对建筑负荷预测模型的不确定性进行定量评估. 使用Shapley additive explanations方法量化负荷预测模型的每个输入对输出的贡献程度. 基于得到的贡献程度对模型输入进行加权聚类,获得不同聚类簇中的模型历史残差分布. 根据不同聚类簇中的残差分布估计模型的预测区间. 在深圳某办公建筑1 a的冷负荷数据集上进行验证. 结果表明,与传统不对输入进行加权的方法相比,该方法可以显著提高预测区间的估计精度. 期望得到的预测区间与该方法得到的预测区间的平均覆盖误差为1.87%,而传统方法的平均覆盖误差为2.27%. 该方法可以用于估计任何数据驱动的建筑负荷预测模型的不确定性,从而为优化控制和故障诊断提供更可靠的负荷预测模型.     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

基于Voronoi图和改进K-means的扇区优化研究

扇区划分是空中交通管制的一项重要工作,合理的扇区划分能够提高空域的使用率,保障航空器的飞行安全。鉴于平峰时段的扇区划设不能很好适用于复杂空情的现状,提出一种基于Voronoi图和改进K-means的扇区优化方法。依据空情态势构建冲突网络,结合航空器速度障碍关系和复杂网络理论提出了扇区综合管制负荷计量方式。依据负荷值采用改进K-means聚类方法确定了合理的聚类中心作为Voronoi图的生成元,从而使用Voronoi图的划分方法生成合理边界来优化扇区。采集厦门空域管制扇区数据作为仿真场景进行了计算分析,结果表明,在繁忙时段,优化后的扇区管制负荷平均方差相比原扇区降低了66.04%,平峰时段降低了13.88%,达到了均衡扇区负荷的目的,验证了扇区优化方法的有效性,为现有的扇区划设工作提供了参考依据。     

基于SVM-GA模型的城市天然气长期负荷预测

天然气长期负荷预测能够解决城市燃气供需不平衡的问题,为城市燃气公司的管理运行提供帮助。为了提高天然气长期负荷的预测精度,提出了基于SVM-GA(SupportVectorMachines-GeneticAlgorithm)的天然气长期负荷预测模型。分析确定影响天然气用气量的相关因素,应用遗传算法和交叉验证方法分别对支持向量机模型的惩罚因子c 及核函数参数g 进行优化,以期提高支持向量机模型的预测精度,将优化后的参数输入支持向量机模型中,进行天然气长期负荷预测。以某省实际的样本数据为例,将SVM-GA模型的预测结果与SVM 和交叉验证法结合模型及BP(BackPropagation)神经网络模型的预测结果进行比较分析。结果表明,SVM-GA 预测模型分别比SVM 和交叉验证法结合预测模型和BP神经网络模型在衡量预测精度的相对均方误差、归一化均方误差、归一化绝对平方误差、归一化均方根误差、最大绝对误差五个指标分别高0.58%、3.98%、2.99%、4.58%、8.64%和6.13%、26.28%、19.71%、21.09%、31.48%。因此支持向量机与遗传算法相结合的模型能够较准确地预测天然气长期负荷。     

基于鲁棒极限学习机的居民空调负荷能耗预测方法

为实现高精度的居民空调负荷能耗预测，基于鲁棒极限学习机提出了一种新的居民空调负荷能耗预测方法.以归一化的方式处理空调负荷能耗数据集，优化预测用户工作日样本数据集，采用鲁棒极限学习机构建负荷能耗激活函数预测模型.引入拉格朗日算子约束优化模型，以迭代求解的方式完成居民空调负荷能耗预测.仿真测试结果表明，在迭代次数为250次、过度补偿为1.5%时，该方法的收敛速度为0.2 ms,平均预测精度为96.7%,具有较强的预测性能.     

X波段GaN高效率连续B类功率放大器芯片设计

为有效地提升功率放大器的工作带宽和效率,基于0.25μm GaN HEMT工艺,利用末级管芯输入、输出二次谐波调谐技术,设计了一款X波段GaN高效率连续B类功率放大器微波单片集成电路.末级管芯输出二次谐波调谐技术将晶体管的输出电容并入LC并联调谐电路中,简化了电路结构,并且优化并联LC调谐电路,将宽工作频带内各频点二次谐波负载阻抗与基波负载阻抗实现逐点对应,有效匹配支持宽高效率带宽的连续B类工作模式,并进一步结合二次谐波源阻抗牵引技术,采用输入二次谐波调谐技术,在末级晶体管输入端插入串联LC调谐电路.通过优化串联LC调谐电路,将工作频带内的二次谐波源阻抗点均移入各频点的高效率区域,实现功率放大器宽工作频带内输出效率的整体提升.实测结果表明,该功率放大器芯片在8.0～10.5 GHz工作频带内,饱和输出功率增益为40.8～42.2 dBm,饱和输出效率可达51%～59%,功率增益为19.8～21.2 dB,小信号增益为23.6～25.6 dB,输入回波损耗小于-10 dB.芯片尺寸面积为3.2 mm×2.4 mm.本研究提出的电路结构为提高功率放大器芯片的输出效率和带宽提供了一种可行的思路.     

基于多目标优化模型的电动汽车充电调度策略

针对电动汽车充电带来的配网系统负荷峰谷差过大的问题,基于配网系统负荷变化基本情况,提出了动态多目标优化模型的电动汽车充电调度控制策略.构建了动态多目标优化模型,并提出了控制充电功率和控制起始充电时间两种优化调度控制策略,采用动态粒子群算法对模型进行了求解.仿真结果表明,优化控制方案能够起到削减负荷峰值的作用,和优化前相比负荷峰值下降约20%,节约充电成本40%～55%.     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法．利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络．针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路．利用改进的蚁群算法学习神经网络．为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点．应用实例表明了该方法的有效性。提高了机器人逆运动学求解的速度和精度．