基于LASSO-RBFNN的采煤机液压系统故障诊断研究

针对采煤机液压系统故障诊断精度不高的问题,提出一种套索（LASSO）算法与径向基函数神经网络（RBFNN）相结合的故障诊断模型。首先利用LASSO算法去除液压系统中冗余特征,筛选关键故障特征,减少模型过拟合风险;故障特征筛选后确定RBFNN拓扑结构,将采煤机液压系统故障数据输入模型中,进行故障诊断;最后将LASSO-RBFNN模型诊断结果与RBFNN模型和BP神经网络模型诊断结果进行对比。试验结果表明,该模型可用更短的网络训练时间得到较高的故障诊断精度。     

基于模糊聚类径向基神经网络的煤质分析模型

为了实现煤炭指标的快速智能预测,建立了基于模糊聚类的径向基函数(RBF)神经网络预测模型,将已测定的收到基全水、收到基灰分、收到基挥发分和收到基全硫的含量作为分类指标进行模糊聚类,根据分类结果分别建立了基于径向基函数神经网络的定量分析模型,对干燥无灰基挥发分、空干基全硫、收到基低位发热量和空干基高位发热量进行了预测,并与直接使用径向基神经网络模型进行比较。结果表明,该分析模型不仅精度高,且泛化能力强,鲁棒性好。     

数据缺失的SOA-KELM岩爆倾向性预测

:为简化模型结构、解决迭代训练拖延问题，利用海鸥（SOA）算法进行核极限学习机（KELM）重要参数择优，建立基于数据插补和SOA-KELM的岩爆风险预测模型。综合岩爆预测过程中多因素影响，选取单轴抗压强度，单轴抗拉强度等6种指标作为岩爆风险评价指标，搜集93组岩爆实测样本。一方面采用随机过采样补充少数类别样本数据，一方面采用ELMAN神经网络进行缺失数据插补，构建高质量岩爆风险预测样本数据库。最终将预处理后的数据输入4种模型中进行分类预测。结果表明：数据插补后，各模型预测准确率提升5.56%~16.67%。不同情况下，SOA-KELM预测准确率均为最高数值，且数据随机过采样处理并未影响模型预测准确率，融合ELMAN神经网络和SOA-KELM的预测模型可有效应用于岩爆风险预测，为实际岩爆预测提供了新思路。     

基于粗糙径向基神经网络的刮板输送机负载预测方法研究

刮板输送机负载的准确预测对实现采煤机和刮板输送机的协同控制至关重要。刮板输送机短期负载受工作面环境、冲击载荷等不确定性因素的影响,具有很强的非线性和非平稳性,难以准确预测。针对此问题,本研究提出一种基于粗糙径向基神经网络的刮板输送机负载预测方法。该方法首先建立刮板输送机电流去噪模型,得到反映综采工作面刮板输送机真实负载的电流分量;然后针对刮板输送机负载电流波动大导致的神经网络预测模型训练误差增大、预测精度低的问题,引入表征负载变化波动的上下输入粗糙神经元,提出一种粗糙径向基神经网络(RRBFNN)模型;最后基于粗糙径向基神经网络建立刮板输送机短期负载预测模型,并进行仿真实验验证。结果表明：本研究提出的RRBFNN刮板输送机短期负载预测模型,比传统RBF模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)分别降低26.22%,25.39%和14.72%,该方法能有效提高刮板输送机负载的预测精度。     

径向基神经网络无偏灰色瓦斯涌出量预测

利用径向基神经网络纠正无偏灰色预测残差,构建了一种径向基无偏灰色组合模型,并利用该组合模型对某矿山瓦斯相对涌出量进行实验仿真。结果表明,该组合模型预测与无偏灰色模型相比,平均绝对误差比RBF神经网络增高,且不受数据波动性影响,能够更好地反映矿山瓦斯相对涌出量的规律,预测准确、可靠。     

辽宁煤炭需求的GM(1,3)多因素预测

选取主要影响因素（GDP增长率、煤炭占能源消费比例）建立辽宁省煤炭消费需求预测模型GM（1，3），GM（1，3）模型中包含了两个GM（1，1）子模型：GDP增长率预测模型和煤炭占能源消费比例预测模型。各模型的精度均为1级（好）。对2006～2010年辽宁省GDP、煤炭占能源消费比例和煤炭消费三项的预测结果合理。采用灰色系统理论进行建模，能够克服相关数据不足的缺陷和避免人为因素的影响，但用于长期预测有待进一步研究。     

基于LSTM+MIDAS深度学习模型的电力需求预测

为了准确预测不同用电设施的电力需求模式,设计了一种基于长短期记忆网络（LSTM）深度学习方法的自定义电力需求预测模型。利用混合数据抽样（MIDAS）方法对自回归分布滞后（ARDL）进行改进,提出了LSTM+MIDAS模型的电力需求预测方法。通过每天以5 min的频率收集住宅、市政厅、医院、工业等4类设施的用电数据,采用短期、长期、季节性预测3种方法进行了对比试验,通过测试验证了预测模型的误差率,分析了实际用电需求监测系统中电力模式的季节性波动规律,并预测各设施的用电需求。实验结果表明,利用所提出的LSTM+MIDAS模型进行电力需求预测的总体误差率均有所降低,并且可以有效检测电力需求波动性。     

数控切削加工表面粗糙度RBF神经网络预测模型

针对数控切削加工表面粗糙度存在预测精度不高的问题,采用径向基(RBF)神经网络技术,以多组实际加工试验数据作为样本,建立了以转速n、进给速度vf、背吃力量ap为自变量的切削表面粗糙度预测模型。试验及预测结果表明:切削表面粗糙度RBF神经网络预测模型的预测相对误差小于2.7%,而回归分析预测值的相对误差在7.1%～14.0%变动。充分说明数控切削加工表面粗糙度RBF神经网络预测模型的预测精度高,可满足数控切削加工表面粗糙度实时在线预测的要求。     

基于SA-WNN模型的油价预测研究

原油价格不仅受到传统供需面因素的影响,在短期内更容易受到战争、金融危机、自然灾害、政治事件等非常规性因素的影响。为了更加准确地刻画国际油价走势,完善油价预测理论体系,论文首先运用情感分析（SA）方法对反映非常规影响因素的文本数据进行预处理,然后根据文本计算市场趋势项,再将该项作为小波神经网络(WNN)的输入数据,构建基于情感分析的小波神经网络预测模型（SA-WNN）。预测的结果显示,相对于传统BP神经网络模型和基于独立源分析的小波神经网络（ICA-WNN）模型,SA-WNN模型能够准确判断油价的方向性走势,是一种更加优秀的预测模型。     

基于RBF神经网络瓦斯水合物生成压力预测研究

瓦斯水合物生成是复杂的结晶过程,不同组分和浓度瓦斯生成水合物时压力等热力学参数的获取对水合物技术的应用具有非常重要的意义。鉴于此,利用径向基神经网络方法对瓦斯水合物生成压力进行了预测。针对瓦斯水合物生成边界条件,确定了RBF神经网络的输入、输出向量,建立了RBF神经网络瓦斯水合物生成压力计算及预测模型,并用实验数据进行了验证。结果表明,该模型对瓦斯水合物生成压力的拟合和预测具有计算精度高、速度快等优点。RBF神经网络研究为瓦斯水合物生成压力预测提供了一种新途径。     

基于组态软件的电能计量装置误差校验系统设计

由于传统的误差校验系统未在设计过程中加入组态软件,导致其误差校验结果不理想。为此,基于组态软件设计了一种新的电能计量装置误差校验系统。系统的硬件部分主要包括电能计量装置校验、压降测试以及综合误差统计等。在此基础上,结合组态软件分析电能计量装置中的初始数据,然后通过BP神经网络对电能计量装置误差进行预测,再通过预测结果选取满足需求的优化模型,结合优化模型对电能计量装置误差进行校验。实验结果表明:该系统能够以较高的准确性完成误差校验,证明其实现了设计预期。     

基于GCN-GRU的短期时空负荷预测方法

随着城市的快速发展,城市配电系统也进行了快速的扩展。空间负荷预测研究可以指导电力系统的管理与调度,并且其准确性会影响到方案的合理性。首先分析并总结了常用空间负荷预测方法的特点,然后提出了GCN-GRU时空负荷预测模型。GCN-GRU模型充分利用图神经网络在网络拓扑数据方面的优势以及GRU在时间序列建模方面的优势,对电网进行建模,考虑了负荷的空间特性和时间特性,并将影响负荷的因素转换为特征向量进行算法训练,提高了负荷预测的准确度。最后以湖北省某市区电网为研究对象,证明了该方法的有效性。     

考虑风电出力的电力系统短期负荷自动预测方法

利用目前方法预测电力系统短期负荷时，存在电力负荷预测误差大的问题，为此提出了考虑风电出力的电力系统短期负荷自动预测方法。由于风电出力具有不稳定性，所以该方法在预测负荷前先分析了风电出力特性，以此提升不同风电出力情况下的电力负荷预测效果。基于分析结果采集负荷数据，对相同时间下的负荷采集数据进行归类，以此为输入构建BP神经网络预测模型，利用预测模型对归类数据进行处理，最终利用该模型实现电力系统短期负荷的预测。实验结果表明，所提方法的短期负荷预测有效性强、预测精度高。     

基于多因素融合与ARIMA的电力物资预测

当电力系统发生突发性事故，或者地区电网建设规模不断扩大时，电力物资的保障起到非常重要的作用，但由于灾害的突发性和破坏程度的不可预测性，使得电力物资储备的品种、数量短缺或重复冗余，导致整体保障系数下降及资金浪费。目前对电力物资的预测大多依靠经验以及一些统计方法，这些方法多是依据实际状况对电力物资的主观估计，缺乏科学的预测方法。从电力物资的影响因素入手，构建多因素融合的电力物资需求影响特征，进而利用ARIMA模型对不同影响因素主体下的电力物资进行预测。最后，运用实际算例来验证预测模型的有效性。     

新能源配电网故障修复时间分析与预测研究

风能、太阳能、潮汐能等新能源作为可再生能源,具有节能、环保的优势性,以其为应用发展的新能源电源并网运行,可缓解煤炭、石油等发电的高能耗、高污染问题,促使电网趋向绿色生态发展。为提高电力服务质量,及时告知停电用户故障修复及停电恢复时间,提出了MCNNs模型,将停电原因、电路编号和天气事件等离散数据及连续数据进行二进制编码,代入深度神经网络进行训练,采用正则化和非线性激活优化训练过程,从而提高故障修复及停电恢复时间预测准确率。在仿真阶段,将所提方法与VGG16、ResNet和多层感知器模型进行比较,故障修复时间的预测模型优于停电恢复时间的预测模型,停电恢复时间MAE为118.20 min,比故障修复时间MAE高约90 min。     

基于人工神经网络的电网负荷数据分类方法

当前的电网负荷数据分类方法忽略了对负荷数据训练集的设计,导致分类结果存在较高的信噪比,冗余数据也较多。为此,基于人工神经网络设计电网负荷数据分类方法。提取离群点数据,利用人工神经网络算法设计训练集,逼近优化电网负荷数据,生成冗余数据周期性筛查模型,完成电网负荷数据分类。实验结果表明,该方法信噪比高于常规方法,对冗余数据的清除更彻底,且与当前方法相比,准确率、精度以召回率更高,应用性能更理想。     

基于相似日和人工神经网络的风电功率短期预测研究

随着地球上的化石燃料的不断消耗,风能作为清洁、安全的能源正在改变着全球能源结构,由于自然风具有随机性、波动性和不可控制性,造成风电场在发电时,发电功率产生巨大的波动,为了提高风电功率预测精度,采用人工神经网络和相似日的方法,以云南某电场风电场发电功率的数据为例,建立模型对风电功率进行了短期预测,研究得出:该方法能够有效地对风电场功率进行预测;与传统BP神经网络相比而言,基于人工神经网络和相似日的方法具有很强的非线性学习的能力,对提高高精度风电场输出功率的预测很有帮助;基于人工神经网络和相似日的方法预测误差概率,误差概率分布符合正态分布,可以作为风电场发电功率误差的置信区间估计和预测的依据,研究为风电功率的预测提供了一定的借鉴意义。     

SOA架构电力主网调度自动化图模数一体化系统研究

为了提高电力主网调度自动化水平,提出基于SOA构架的电力主网调度自动化图模数一体化系统设计方法。构建电力主网调度自动化图模数一体化系统的功率因素和功耗参数解析模型,结合输电控制的载荷测量方法进行电力主网调度自动化图模数估计,采用传感器进行电力主网调度自动化图模数一体化系统的阻抗比与振荡阻尼特征参数采集,构建电力主网调度的算法模型,运用SOA架构建立电力主网调度自动化图模数一体化系统的底层数据模块,构建物联网ZigBee组网协议,实现对电力主网调度自动化图模数一体化组网控制,通过差异性特征检测,实现对电力主网调度自动化图模数融合数据的聚类处理,完成SOA架构电力主网调度。测试结果表明,采用该方法进行电力主网调度的自动化图模数一体化融合性能较好,电力主网调度的输出增益较高,系统可靠性较强。     

基于相似日原理和CPSO-Elman模型的光伏电站短期功率预测

为了提高光伏电站短期预测功率的精度,提出一种基于相似日原理和改进CPSO-Elman神经网络模型的光伏电站短期功率预测方法。将历史运行数据按照时长划分不同季节,采用欧式距离对天气类型进行处理并建立天气类型系数,通过灰色关联分析法和余弦相似度指标结合选取相似日。由于粒子群算法搜索速度慢且存在易早熟等缺陷,采用改进混沌粒子群（CPSO）来优化Elman神经网络的权值和阈值,对夏季不同天气类型条件下的短期功率分别预测。选用南疆某光伏电站2020年运行数据进行分析,结果表明:CPSO-Elman在非晴天条件下也具有较高的预测精度。