2种电能质量综合评估方法的分析比较

为提高电能质量综合量化评估的全面性和准确性,首先将暂态电能质量指标量化并将其考虑到综合评估指标中,然后将基于相似理论的智能评估方法引入电能质量综合评估,提出了2种新的评估方法,即基于粒子群优化（PSO）算法的Shepard相似插值（PSO-SSI）算法以及基于PSO算法的理想区间法（PSO-IIM）。实践证明,2种方法均能精确识别出一个电能质量等级之间的差别。同时,PSO-SSI算法较为直观、简便,但对样本具有依赖性;而PSO-IIM降低了对样本的依赖性,但评估过程稍显复杂。     

南昌工程学院科研项目介绍

国家自然科学基金资助项目结构化过完备稀疏性约束的超分辨率图像重建研究(项目编号:61162022)超分辨率借助信号估计理论,很好地解决了固有的传感器阵列排列密度限制引起的图像分辨率低的问题,弥补了传感器硬件方面的不足,在工业控制、医学成像、遥感、安全监控、视频信号传输等领域具     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,该文提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明:该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于小波变换的边际电价神经网络预测新模型

提出了一种基于小波变换和群智能演化的神经网络集成预测新模型，对日前交易边际电价进行预测。首先利用小波变换将历史边际电价序列分解为高频和低频部分，并分别构造学习样本作为神经网络集成的输入;然后将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题，其寻优过程采用粗 — 细二阶段学习算法。在第1阶段，采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子，通过粒子速度和位置更新方程进行粗学习，获得多个相对占优的神经网络结构和初始权重并构成神经网络集成单元;在第2阶段，采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习，并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。美国加州日前交易电力市场边际电价预测算例表明，该预测方法可以获得较高的预测精度，且优于BP神经网络方法和ARIMA预测方法。     

基于小波分析的最近邻抽样回归预报模型研究

〗为了提高水文中长期预报的精度,以屏山站1951～2005年年径流序列为例,应用小波分析技术对信号进行多尺度分析,将水文时间序列分解成若干个高频序列和低频序列,再将高频序列和低频序列分别应用最近邻抽样回归建立模型,然后应用小波重构技术将各序列进行重构,从而实现对原始序列的预测。结果表明：应用小波技术建立的组合模型,其精度明显高于单一的最近邻抽样回归模型,可以应用于生产实践中。     

基于遗传神经网络的城市用水量预测研究

介绍了BP(误差反向传播算法)和GA(遗传算法)及GA-BP 3种神经网络,并以此分别对城市用水量进行预测.实验结果表明,基于GA-BP算法的神经网络方法应用于城市用水量的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小.GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为未来短期城市用水量负荷的准确预测提供了新的思路与方法.     

计及风电不确定性的区域互联动态经济优化调度方法

结合含风电场的区域互联电力系统运行特点,考虑风电出力、负荷的不确定性因素以及电力系统安全运行约束,建立计及系统燃料费用、机组运行维护成本、风险成本的区域互联动态经济调度优化模型,并以一种融合拉丁超立方采样、场景缩减法和自学习差分算法的优化方法对所提模型进行求解。该方法根据风电和负荷预测误差采用拉丁超立方采样技术生成大量样本,并对所生成样本结合场景缩减法进行缩减,再由自学习差分算法进行全局寻优,得到各场景所对应的最优调度方案。结果表明:采用该方法既能模拟出风电、负荷的不确定性特点,又能避免建立过于复杂的随机性模型,降低了建模和求解的难度,同时所提自学习差分算法具有良好的收敛特性及鲁棒性。因此,所提优化方法对区域互联电力系统优化调度具有参考价值。     

基于小波变换的高光谱遥感影像光谱匹配技术研究

以中国的高光谱影像OMIS为例,研究了基于小波变换的高光谱遥感影像光谱匹配算法,然后将该方法用于遥感影像智能化解译。实验结果表明,该算法先对光谱曲线进行小波去噪,再对不同频率信号进行小波多分辨率分析,能够在匹配过程中拉大异类间的特征值距离,提高分类精度。     

遮挡情况下水尺图像特征加权学习识别算法

考虑实际应用中水尺图像受遮挡较多,自动识别水位困难的问题,提出了一种遮挡情况下的水尺图像特征加权学习识别算法。针对现有稀疏表示算法通常对图像整体进行操作如字典训练等,致使图像中的特征信息无法突出的情况,提出在稀疏表示过程中对回归系数设置不同权值并在迭代过程中对权值更新学习。首先通过对特征权值的迭代学习以增加有效信息的权重,排除遮挡信息的干扰;其次,通过对图像分类残余值进行不同模型下的回归表示,提出采用更能表现出残余值重尾分布实际情况的逻辑分布模型。实验过程采用实际水尺图像,先通过边缘检测等预处理方式得到当前水位的刻度图像,进一步对该图像附加遮挡进行分类识别以验证实验结果,所附加遮挡用以模拟水尺刻度被水面遮挡等情况。实验结果表明,与常用的稀疏回归表示算法相比,该算法在多遮挡情况下的性能较优。图10幅。     

膨胀土分类的PCA-ELM模型及应用

为更合理确定膨胀土类别,将主成分分析(PCA)与极限学习机(ELM)相结合,提出一种膨胀土分类的PCA-ELM模型。选取能充分反映膨胀土类别的液限、塑性指数、<2 μm胶粒含量与自由膨胀率4项指标进行分析,运用主成分分析对各指标进行相关性处理,依据方差累计贡献率得出2个主成分。将70%的样本划分为训练集,30%划分为测试集,将训练集作为极限学习机输入,并采用十折交叉验证以优化模型参数,从而得到最优分类模型。然后将测试集作为最优模型输入,得到分类结果。最后,选用2个工程实例共32个样本对所建立模型进行验证,结果表明:该模型分类结果与实际较吻合;训练集与测试集分类精度分别达94.20%和79.00%,并具有较快的训练速度。PCA-ELM模型适用于大规模数据的分类预测。     

基于深度学习的大坝裂缝检测方法研究

大坝裂缝的智能化实时监测,对管控大坝风险具有重要意义.文章提出了一种基于深度学习的大坝裂缝检测方法,采用了基于SegNet的网络模型,对原网络模型算法进行了优化,使用权值衰减正则化方法及动量优化算法提高网络学习性能.为验证该方法的有效性,构建了标准的大坝裂缝数据集,利用网络模型对训练集数据进行特征学习,采用测试集数据对...     

基于AdaBoost算法和BP神经网络的咸潮模拟研究

为了研究上游来水和下游潮汐对咸潮入侵的影响,首先利用灰色关联分析法进行计算与排序,再将关联度较大的因子作为输入神经元输入到神经网络模型中,然后利用BP神经网络模型及AdaBoost-BP神经网络模型分别进行盐度模拟。结果表明:相对于BP神经网络模型,从逐日相对误差来看,AdaBoost-BP神经网络模型的模拟相对误差较小;从平均相对误差来看,用AdaBoost-BP神经网络模型进行模拟,训练集和测试集的平均相对误差分别优化了2.19%和1.46%;从相关系数R来看,用AdaBoost-BP神经网络模型进行模拟,训练集和测试集的相关系数R分别提高了2.91%和7.35%。因此,经AdaBoost算法集成的BP神经网络具有更好的模拟效果。     

基于IDE-OSVR-ABAQUS的岩土力学参数反演方法

提出引入自适应因子的改进型差分进化算法(IDE),并应用于优化在线支持回归机(OSVR)的核参数和惩罚参数,建立岩土体位移和岩土力学参数之间复杂非线性关系的动态最优IDE-OSVR模型,输入岩土体位移值直接输出岩土力学参数实现参数反演。通过均匀设计方法与ABAQUS正计算构建初始训练集,然后逐次反演并进行验算误差,将误差未达到预定阈值前的验算样本增添至训练集,使得IDE-OSVR模型不断在线学习,提高参数反演精度。将IDE-OSVR-ABAQUS反演方法应用于工程算例,并同几种典型方法对比。结果表明该方法的岩土力学参数反演速度很快,反演精度很高,是一种合理的岩土力学参数反演方法。     

基于图像处理和稀疏表示的水位识别研究

在水位智能识别系统中,采集到的水尺图像可能存在刻度模糊、局部缺失等情况,对水尺识别产生不利影响,针对这一问题提出了一种基于稀疏表示的水位识别方法。该方法利用多幅连续水尺图像对字典进行训练,通过重构残差的比较对样本水尺图像进行分类,根据分类结果计算出水位值。结果表明,该方法对光照变化和局部的遮挡、模糊等具有较强的鲁棒性,可以准确地对水尺兴趣目标图片分类并进行水位计算,计算出的水位与实际水位之间的误差不超过±1 cm。     

水下地形超声图像提取与重建

水下地形的测量对研究河流运动与泥沙冲淤具有重要的实际意义。应用B超仪可以采集到水下地形的实时图像,该文据此提出了一种基于B超图像的水下地形边界提取与重建的方法。该方法利用地形的连续性以及B超图像中地形亮带灰度和梯度的变化特征,实现了图像中地形边界线的提取与重建,适应性较好。然后通过曲线拟合和样条插值,重新构建了水下三维地形。研究结果表明:重建后的三维地形与实际水下地形吻合较好,直观可视,再现了水下地形原貌。     

基于WA-LSTM-ARIMA的混凝土坝变形组合预测模型

针对混凝土坝变形实测数据序列的不规律性和预测精度欠佳等问题,基于复合建模思想提出一种基于WA-LSTM-ARIMA的大坝变形组合预测模型。首先通过小波多分辨率分析对原始监测序列进行多尺度分解,从中提取高频周期性分量、低频趋势性分量和高频随机性分量;然后将去噪处理后的随机分量与高频周期性分量融合得到综合高频序列,并使用LSTM进行建模预测,对于低频趋势性分量则应用ARIMA模型进行预测,将两组预测结果叠加后即可得到最终的坝体变形预测结果;最后通过工程实例证明该模型所得预测值与实测值拟合较好,与传统的静态模型预测结果对比表明,该模型的预测精度更高。     

基于多分辨率小波变换的砂岩累积疲劳损伤识别

频谱分析是判别岩石(体)结构损伤程度的一种有效手段。应用电液伺服系统对砂岩进行循环荷载下的疲劳加载,同步进行超声波速测量;利用小波变换的多分辨率理论对不同循环次数下的岩石超声波信号分解变换,实现不同频带分量的独立分析,提取随损伤敏感变化的波谱参数。研究结果表明:对比传统傅立叶变换(FFT),小波分析能从分解出的高频段有效跟踪到频域参数(主频、幅值、谱面积)的敏感变化。随循环次数比的增大,主频呈逐渐衰减的趋势,高频向低频漂移;频谱幅值与谱面积随循环变化出现一个明显的三阶段性特征,第一阶段岩石内部初始微裂纹调整阶段,第二阶段总体呈现上升趋势,第三阶段幅值与谱面积参数突然下降,伴随裂纹的贯通,高频成分大幅度衰减。更多还原     

基于光栅图特征提取的鱼道内过鱼计数和种类识别系统的研究

针对国内各个大坝和水闸上已经建成的鱼道大都无法进行有效观测的现状,提出了一种对于鱼道内过鱼进行实时计数和种类识别的新型系统,其原理是基于水下光栅仪和摄像机进行过鱼计数,并捕获过鱼成像和视频,在训练阶段可基于视频对过鱼图像进行人工分类,然后在累积的样本上基于图像距进行鱼种类建模,从而将得到的模型用于在线的实时过鱼种类判别。实验证明,该系统实现了鱼道过鱼的可靠自动化监测和统计。     

基于粒子群最优化下BP神经网络的短期电价预测(英文)

根据电力市场的相关历史数据准确地预测出未来的市场出清电价,对于市场中的各个参与者都具有十分重要的意义.在建立了一种粒子群优化(PSO)下的BP神经网络电价短期预测模型的基础上,采用PSO进化算法,反复抽取训练子集样本,通过对应的验证样本预测误差寻找近似最有代表性的训练子集,解决了模型的训练样本参数难以设置的问题.实验验证了该预测模型的有效性,结果表明处理好预测模型样本参数的选择问题,能够提高模型的稳定性及预测精度.     

基于ROI块累计的SF6气体泄漏区域检测算法(英文)

为了及早地发现监控区域的SF6毒气泄漏的问题,提出了基于ROI块累计思想的区域检测算法.针对SF6面临成像微弱,难以检测的特点,先对采集到红外视频图像序列进行运动帧间差提取ROI块,然后对本底图像做自适应算子去噪处理,提取背景,最后在一定的时间窗内,对提取的运动区域做块运动累计,增强目标区域位置.试验结果表明,该算法可以很好地检测出SF6气体泄露区域和位置.