基于BIA的人体内脏脂肪面积预测云模型研究

人体内脏脂肪面积与人体腹部总阻抗和腹部皮下阻抗测量值存在着强非线性关系,采用小波神经网络云模型建立了人体内脏脂肪面积预测模型。采用八电极法并结合人体腹部形状特征和人群特征属性,构成预测模型输入量。对不同条件的输入量进行划分,建立对应各个输入量的隶属云并进行模糊推理;构建对应于输入量的以小波函数为基函数的网络,采用输入量隶属云模糊推理输出对小波神经网络输出加权平均,以预测人体内脏脂肪面积。对该模型的参数进行训练,并采用训练后的模型对人体内脏脂肪面积预测。实测结果表明,该模型具有较强的非线性函数逼近能力,对人体VFA的预测效果比统计回归模型有明显的改进。     

改进捕鱼算法及其在机组组合优化问题中的应用

合理安排机组组合方案是当前电力系统研究中的热点,根据机组优化组合问题的非线性特性,以降低机组发电成本为目标,提出一种改进捕鱼算法的机组组合优化算法。首先针对标准捕鱼算法易陷入局部最优的缺点,引入渔夫的认知能力判断鱼浓度的区域,提高其搜索效率和准确度;然后建立机组组合的目标函数,并采用改进捕鱼算法搜索目标函数的最优解,从而得到最优的机组组合方案;最后采用仿真实验测试其正确性。实验结果表明,改进捕鱼优化算法可以获得较理想的机组组合方案,降低了机组的发电成本,提高了总能源利用率,为机组组合优化问题提供了一种较好的解决途径。     

基于免疫原理的蚁群算法在配电网恢复中的应用

对配电网的故障恢复问题进行了描述,提出了结合实际的配电网故障恢复目标函数,并将蚁群优化算法引入其中,用来解决这个复杂的、多目标、多约束的组合优化问题。针对蚁群算法存在的易陷入局部最优和收敛难的问题,引入免疫机制,通过基于抗体浓度的选择机制和多样性策略来提高蚁群的全局搜索能力和停滞现象,并通过配电网恢复的具体实例验证该算法的快速有效性。     

基于免疫原理的蚁群算法在配电网恢复中的应用

对配电网的故障恢复问题进行了描述,提出了结合实际的配电网故障恢复目标函数,并将蚁群优化算法引入其中,用来解决这个复杂的、多目标、多约束的组合优化问题.针对蚁群算法存在的易陷入局部最优和收敛难的问题,引入免疫机制,通过基于抗体浓度的选择机制和多样性策略来提高蚁群的全局搜索能力和停滞现象,并通过配电网恢复的具体实例验证该算法的快速有效性.     

熵判别人工蜂群算法优化的风电功率组合预测模型

为了提高风电功率预测精度,文中提出一种熵判别人工蜂群算法优化的组合模型。该模型是以最小相对误差作为目标函数,通过熵判别人工蜂群算法选取最优折现因子,确定模型权重系数,进而提高模型性能;熵判别人工蜂群算法通过计算蜜蜂的熵值,调节种群的多样性,对蜂群的搜索进行动态权重调整,同时对部分适应度值较差的蜜蜂进行迁移,增强蜜蜂的动态搜索能力。实验表明:熵判别人工蜂群算法优化的组合模型,能够智能地确定权重系数,较其他常规组合模型其预测精度明显提高。     

改进GA-SVM的湿度传感器温度补偿研究

针对地面遥测自动气象站采用的HMP-45D湿度传感器测量准确度易受温度影响的问题,通过改进遗传算法(GA)的适应度函数、选择、交叉、变异操作优化支持向量机(SVM)的惩罚函数、径向基核函数、不敏感损失函数,利用不同温湿度条件下的多组实测数据,建立了温度补偿模型,并与传统的SVM回归模型补偿结果对比分析。实验结果表明,利用GA-SVM模型进行温度补偿最大误差绝对值为0.1367%,比传统SVM温度补偿模型提高了2.8351%,GA-SVM算法克服了传统SVM补偿算法补偿精度低、处理速度慢的问题,具有全局寻优能力强、收敛速度快、补偿精度高的特点,能够有效地对湿度传感器进行温度补偿。     

应用禁忌搜索方法优化配电网的开关配置

基于FIU馈线自动化方式,提出了适合不同网络结构、不同分段开关类型的可靠性费用计算模型。针对分段开关优化配置是一种以可靠性费用最小为目标函数的组合优化问题,提出用禁忌搜索(TS)法优化开关位置和数量,TS法采取对搜索历史的灵活记忆方法,指导搜索过程避开局部最优解,并通过优选初始解使其有较快的收敛速度。实例证明该算法全局搜索能力强、收敛快。     

SVM在电网短期负荷预测中应用研究

支持向量机SVM(Support Vector Machines)是一种统计学习方法,将其引入电网短期负荷预测。首先,通过聚类筛选合理的历史数据构成训练样本,再将预测的平滑性和误差损失函数相结合构成问题的目标函数,采用LIBSVM算法将SVM的大规模优化问题转化为具有解析解的二次优化问题。编制了相应的软件,对某实际电网进行了短期负荷预测,取得了理想的结果。     

基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用

将支持向量机(SVM)理论与网格搜索及交叉验证相结合,应用于梯级水电系统隐随机优化调度中,实现径流不确定条件下的梯级实际优化运行。以系统结构风险最小为SVM训练目标,结合参数分布规律,采用指数划分的网格搜索对模型参数进行优选;将K-fold交叉验证技术引入到SVM训练性能评价中,降低了训练样本随机性对训练模型性能的干扰,提高了模型的泛化能力。建立VC_与MATLAB混合编程平台,对梯级水电系统隐随机优化调度运行进行仿真,结果表明基于采用最优参数SVM的隐随机优化调度在梯级系统发电量和发电过程方面取得了良好成果。     

长距离中压线路无功优化算法研究

针对已有算法在解决长距离中压线路无功优化问题中的不足,提出了在保证末端电压质量的情况下,以线路有功功率损耗最小为目标函数的数学模型。通过改进变尺度混沌优化算法中尺度变换系数和"二次搜索"调节系数,在保证当前最优解为中心的情况下,不断缩小优化变量的搜索范围加强局部细化搜索能力,从而提高了对目标函数的求解精度。通过实例分析可知,该算法在处理无功优化问题时其优化程度与线路的长度有一定关系,对于20 km以下的线路其优化效果较为明显,当线路长度约为10 km时结合遗传算法效果更佳。     

基于最优Morlet小波自适应包络解调的弱故障特征提取方法

为自适应实现Morlet小波与故障冲击特征成分的最优匹配,采用基于Shannon小波熵的方法优化带宽参数设计最优Morlet小波。针对最佳尺度求取的难题,利用谱峭度与小波熵均能敏感反映冲击性的特性,提出了基于峭熵比求取最佳尺度。基于此,提出基于最优Morlet小波自适应包络解调的弱故障特征提取方法,该方法首先对信号进行最优Morlet连续小波变换;然后,依据峭熵比自适应地求取最佳尺度并提取最佳尺度的小波系数;最后,对最佳尺度的小波系数取模即可实现对最优频带的包络解调,得到包络谱,从而实现微弱故障特征的提取。实例分析表明:该方法克服了传统包络解调需要人为设定带通滤波器参数的不足,能有效地从强噪背景中提取微弱故障特征。     

基于FCBF特征选择和XGBoost原则的油纸绝缘介电响应特征量优选研究

针对高维特征空间中存在的相关特征、冗余特征等导致变压器油纸绝缘综合诊断的特征空间提取存在平均误差大、分类正确率低等问题,提出一种基于快速过滤相关算法和极限梯度上升相结合的特征量优选策略。首先,根据变压器的介电响应实测数据,提取多种类别的时域介电特征量形成初始高维特征空间。其次,提出一种两级式时域特征选择方法,第一级采用快速相关过滤算法剔除低相关、高冗余的特征量,第二级依照极限梯度提升评估特征的重要度,从而确定最优特征空间。最后设置不同对照组对最优特征空间进行对比论证,有效验证了采取所提优选策略得到的最优特征空间的合理性及准确性。     

基于最优小波包的水轮发电机组振动信号特征提取方法

水轮发电机组振动信号的在线监测是实现机组状态检修方法的关键。在分析了水轮发电机的机组振动信号特征后,提出采用db1小波进行振动信号的特征提取,在信号分析中主要应用shannon熵。小波包的构造是基于函数空间的正交剖分;最佳小波包基的选择就是应用最优的分解方法和有效的算法寻找出最小熵标准;给出了机组振动信号特征提取的步骤。根据所构造的最优小波包对机组振动信号进行分解并运用能量特征提取分析方法对机组振动信号进行特征提取。     

基于混合微分演化算法的配电网架结构智能规划

应用地理信息系统(GIS)和改进的微分演化(DE)算法组成混合微分演化(GDE)算法来进行配电网架结构的智能规划.该算法首先利用配电网络的地理特征,分阶段过滤明显不适合的线路,得到初步规划网络,随后利用DE算法收敛快速、鲁棒性强的特点,将其应用到优化计算中.为避免早熟,对传统DE算法进行了改进,利用解群转移策略在给定的条件下对解群进行分散处理,以跳出局部最优点,得到全局最优解.并给出了某省会城市的城区高压配电网规划算例.     

基于核Fisher子空间特征提取的汽轮发电机组过程监控与故障诊断

提出了基于核Fisher子空间特征提取的汽轮发电机组过程监控和故障诊断新方法。该方法首先利用非线性核函数将数据从原始空间映射到高维特征空间，然后在高维特征空间中利用线性Fisher判别分析法提取数据最优的核Fisher特征矢量和判别矢量来实现过程监控。若系统出现故障，则根据当前的判别矢量与历史故障数据集中所含故障的最优核Fisher判别矢量的相似度进行故障诊断。该方法能有效地捕获过程变量之间的非线性关系，过程监控和故障诊断效果明显好于线性Fisher判别法。汽轮发电机组历史故障特征数据集仿真试验证明了该方法的有效性。     

智能用电用户行为分析的聚类优选策略

针对大数据背景下用户智能用电行为最佳聚类数目的选择问题,提出一种用户用电行为分析的聚类优选策略。在前期智能用电用户行为分析的特征优选策略研究的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行聚类分析;然后提出聚类数优选策略,通过综合考虑准确度评价指标和有效度评价指标确定最佳聚类数目。以国内外的用电数据为数据源,仿真验证了所述策略可以选择合理的聚类数目,有效提高用电行为分析的数据聚类效果。     

基于气象特征挖掘和改进深度学习模型的风电功率短期预测

为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。     

基于SLLE的电缆附件局部放电模式识别

为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发从而结合两种不同的方法对局放特征提取的优点。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值。然后,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明本文方法较好的提取出最优特征值,且能得到更准确的识别结果。     

Fault diagnosis of rotating machinery using Gaussian process and EEMD‐treelet

Fault detection of rotating machinery is very important for its performance degradation assessment. In this work, an effective feature learning and detecting method based on the ensemble empirical mode decomposition (EEMD) and Gaussian process classifier (GPC) is put forward. Compared with the traditional parameter optimization methods of GPC, this work proposed a bacterial foraging optimization as the optimal solution of the hyperparameters of GP model. To find a valid feature vector, this work also utilized EEMD to decompose the vibration signals and get some time‐frequency features. Then, treelet transform is proposed to reduce the feature dimension. The results of some applications indicate that the EEMD has stronger processing capability of the status signals of rotating machinery. Treelet can transform the high‐dimensional vector to low‐dimensional space, which is used as the input of the proposed BFO‐GP model. The proposed diagnosis method can identify not only the optimal feature vector but also the fault locations.