基于仿射可调鲁棒优化的园区综合能源系统经济调度

新能源和负荷的不确定性给综合能源系统（integrated energy system,IES）运行带来挑战。首先,基于线性形式的能源集线器模型,对园区IES进行了建模。其次,构建了基于仿射可调鲁棒优化的园区IES两阶段经济调度模型,通过该模型可求得机组的启停及基准出力,以满足不考虑可再生能源出力的能量平衡要求,并求得机组的参与因子,使得调度方案对可再生能源出力不确定集下的任意场景均可行。最后,将该模型转化为混合整数线性规划模型（mixed integer linear programming,MILP）进行求解。算例分析结果表明：通过可调鲁棒优化的经济调度方法所求得的调度方案较经典鲁棒优化有更好的经济性与鲁棒性。     

考虑运行风险的含储能综合能源系统优化调度

为解决综合能源系统（integrated energy system,IES）中供需双侧不确定因素对运行调度带来的风险问题,提出了一种考虑运行风险的含储能IES优化调度模型。在目标函数中,用设备调整费用、失负荷惩罚费用和弃风弃光惩罚费用来量化系统运行风险。在约束条件中,区分了电能和热能的时间尺度差异,并计及储能的时间耦合性,建立了储能多时段耦合约束。然后提出了一种基于Benders分解的算法进行求解。最后通过算例分析了置信水平、储能功率及容量对IES运行费用及运行风险的影响。     

综合能源系统中热力子系统的稳态特性分析

综合能源系统（integrated energy system,IES）涵盖能源形式多样,涉及运行模式复杂,包含控制设备和耦合环节丰富,给其稳态建模和稳态潮流计算带来了挑战。为了获取综合能源系统中热力子系统的稳态特性,给出了典型综合能源系统的拓扑架构;分别建立了电力子系统、热力子系统、冷力子系统和分布式能源站的稳态模型,进而建立了混合潮流模型,并利用Newton-Raphson算法进行了混合潮流求解;分析了热力子系统的关键技术参数（包括源节点的供水温度、负荷节点的出水温度、热网管道的长度和直径、热负荷功率）变化对综合能源系统稳态潮流的影响。分析结果可支撑综合能源系统的规划、设计及优化运行。     

基于深度学习的短期负荷预测综述

负荷预测是电力系统中最重要的工作之一,准确的负荷预测可以帮助决策者合理地进行电网资源的调度,对保持电网高效、稳定、安全、经济地运行具有重要的作用。随着智能电网的发展,用户的用电数据呈指数增长,这促进了负荷预测研究的快速发展。特别是近年来负荷预测领域的技术已经发生了巨大的转变,很多传统的负荷预测方法逐渐被更加精确的基于数据驱动的深度学习方法所取代。本文综述了近年来深度学习方法在短期负荷预测领域的发展,并对深度学习在短期负荷预测中的最新成果进行了总结与深入分析,最后对短期负荷预测领域未来的发展进行了展望。     

基于多生理参数的飞行员任务负荷评估

目的 建立基于多生理参数的飞行员任务负荷评估模型，对飞行员任务负荷水平进行识别和评估方法 通过生理测量设备在模拟飞行实验中获取飞行员的心电和眼动数据，使用CRITIC法建立任务负荷量化模型，根据量化的客观综合评分建立样本数据集标签，避免了人为打标签的主观性，依据评分结果将任务负荷映射为六个等级(1-6),建立了1537个有效样本数据，构建随机森林模型进行训练测试。结果 模型的训练准确率达到了98.9%,测试准确率为94.3%,准确率均高于其他对比算法。使用该模型对飞行员的任务负荷进行预测，预测结果和主观NASA-TLX量表得分之间的相关系数值为0.836(P<0.01),呈现出较强的显著性。结论 基于随机森林模型的飞行员任务负荷评估模型具有较高的辨识精度，对减少飞行员任务负荷过高而引起飞行事故具有一定的现实意义。     

基于灰色理论的电力系统短期负荷预测

本文主要研究短期电力负荷预报的应用,在分析了目前短期电力负荷预测的现状及各种预报采用的数学模型基础上,结合黑龙江和电网实际负荷数据,在算法上采用了灰色预测中的GM（1,1）改进模型和应用matlab编程,通过对原始数据的平滑处理进行负荷预报,提高了预报准确度,验证了该方法的有效性和可行性。     

融合材料领域知识的数据准确性检测方法

材料数据由于小样本、高维度、噪音大等特性, 用于机器学习建模时常常会产生与领域专家认知不一致的结果。面向机器学习全流程, 开发材料领域知识嵌入的机器学习模型是解决这一问题的有效途径。材料数据的准确性直接影响了数据驱动的材料性能预测的可靠性。本研究针对机器学习应用过程中的数据预处理阶段, 提出了融合材料领域知识的数据准确性检测方法。该方法首先结合材料专家认知构建了材料领域知识库。然后, 将其与数据驱动的数据准确性检测方法结合, 从数据和领域知识两个角度对材料数据集进行基于描述符取值规则的单维度数据正确性检测、基于描述符相关性规则的多维度数据相关性检测以及基于多维相似样本识别策略的全维度数据可靠性检测。对于每一阶段识别出的异常数据, 结合材料领域知识进行修正, 并将领域知识融入到数据准确性检测方法的全过程以确保数据集从初始阶段就具有较高准确性。最后该方法在NASICON型固态电解质激活能预测数据集上的实验结果表明: 本研究提出的方法可以有效识别异常数据并进行合理修正。与原始数据集相比, 基于修正数据集的6种机器学习模型的预测精度都有不同程度的提升。其中, 在最优模型上R²提升了33%。     

基于综合能源计量大数据的中长期用电量预测

基于“双碳”目标,实现经济社会发展与能源电力工业发展的协调统一是当前的重要任务。文章以某区域综合能源计量平台为基础,基于区域负荷数据、工业企业数据及居民用电数据等多源异构数据源,采用多时间序列预测法进行中长期用电量预测的研究。主要从数据预处理、模型构建及样本筛选3个方面开展工作,通过建立中长期用电量预测指标体系,构建多时间序列建模方法和基于机器学习理论的模型参数优化方法,实现对该区域中长期用电量进行高效、高精度的预测。     

高温高压气井测试管柱井筒温压耦合预测分析

测试管柱入井之前对井底温度压力的预测是非常有必要的。该文根据动量、能量守恒定律以及传质传热学相关理论,对气体与管壁之间的摩擦生热以及气液两相流的影响因素进行了综合分析,建立测试管柱井筒温压耦合预测分析模型。利用四川某气田X井的实测数据对模型进行了验证分析,并将该结果、文献模型以及WellCat模型求解的结果分别与实测数据对比,同时对不同产量、不同气体密度和不同生产时间状况下井筒的温度压力分布进行敏感性分析。结果表明该文所提出的温压耦合模型的计算结果良好,精确度较高。     

基于灰色 Elman 神经网络的爆破飞石距离预测研究

针对单一神经网络预测方法存在一些不足,将建立灰色关联分析法与 Elman 神经网络的耦合模型,对爆破飞石最大飞散距离进行预测研究。首先,利用灰色关联分析方法对数据进行预处理,确定各影响因素与爆破飞石距离之间的关联度;然后,根据关联度的大小,选择关联度较大的影响因素作为 Elman 神经网络的输入层数据;最后,用神经网络的功能对数据进行训练和预测。研究结果表明：利用灰色关联分析方法确定主要影响因素作为输入层,比单一使用 Elman 神经网络的预测精度更高,达到95％以上。     

基于Stacking模型集成的LSTM网络短期负荷预测研究

为解决传统负荷预测方法存在的预测精度偏低的问题,通过分析短期负荷影响因素确定训练集,创建Stacking模型,并结合包括输入门、输出门与遗忘门在内的LSTM网络创建Stacking-LSTM混合模型,通过时间滑动窗口建立影响因素数据特征图,将其作为Stacking-LSTM混合模型的输入,经数据转换后得到特征类别更强的降维二级特征数据,输入到LSTM网络层实现短期负荷预测。该方法利用Stacking模型的集成作用和LSTM网络的强挖掘能力,增强降维后的数据类别特征,达到提升电力系统负荷动态平衡性的效果。仿真结果表明,该方法的负荷预测结果与实际值非常接近,具有较高的预测精准度。     

小波分析在应用中的两个问题研究

该文就小波分析中的能量泄漏和边界扭曲两个问题进行了深入研究,分析了能量泄漏的原因,讨论了滤波器性能和信号能量所在频段对能量泄漏的影响,以及在应用中的相应对策,对边界扭曲问题进行了分析讨论,提出了基于AR模型预测的边界延拓方法,并利用仿真和太阳黑子数据进行了对比研究。     

冷水机组多故障耦合研究

为了提高冷水机组的运行效率、设备可靠性和能源利用率,本研究将对冷水机组的多故障耦合进行检测和诊断。首先,本研究使用RP-1043(Research Promotion)项目的故障数据,对冷水机组几种典型故障数据进行分析对比。其次,本研究使用3种树模型对数据进行训练,发现随机森林在准确率和训练预测的效率上综合表现最好。使用随机森林模型,结合专家知识,对故障等级为1的冷水机组的运行数据进行特征选取,然后建立贝叶斯网络故障诊断模型。最后,使用该模型对实际故障案例进行诊断与分析,对比附加信息层对故障诊断的影响。结果表明,该模型仅使用故障特征节点便可以对故障进行有效的诊断,合理利用附加信息层可以进一步提高故障诊断的可靠性。     

基于FDA-LSTM的冷轧过程多源异构时序数据处理及颤振预测EI北大核心CSCD

冷连轧颤振诱发机理复杂多变,颤振问题的解决需要通过大数据驱动的信息挖掘对机理模型进行补充。该研究针对某冷连轧机现场采集的工艺参数及振动数据,通过函数型数据分析(functional data analysis,FDA)方法进行预处理,实现多源异构时序数据的频率协同;采用SelectKBest算法对影响颤振的多种工艺参数进行特征选择,筛选出与振动相关性较强的因素,构造样本空间;基于长短时记忆(long short-term memory,LSTM)神经网络建立振动能量值的预测模型,并与径向基函数(radial basis function,RBF)神经网络、循环神经网络(recurrent neural network,RNN)模型进行比较。结果表明,LSTM模型具有较高的预测精度,同时采用阈值法验证该模型能有效地预测颤振的发生。     

基于多变量加权一阶局域混沌预测模型优化及应用

鉴于实际应用中多变量因素对混沌预测的影响,提出了多变量时间序列相空间重构方法,以此为基础建立多变量加权一阶局域混沌预测模型。引入等概率符号化极大联合熵求取延迟时间、最小香农熵法求取嵌入维数,实现多变量混沌预测模型子序列重构;对实际序列采用区间邻近点法确定预测中心点的邻近点,避免产生伪邻近点;最后用关联分析确定观测变量。将该模型应用于短期电力负荷预测,分析气温等影响因素与电力负荷的相关程度,引入气温时间序列作为另一观测变量,实验证明相对于单变量预测方法提高了预测精度。     

粒子群算法在气力输送管道压降预测中的应用

管道压降是气力输送系统设计的一个重要参数,传统的求解方法比较复杂.本文提出了以气体流速、颗粒浓度、混合比等作为神经网络输入,建立管道压降网络模型的方法.为进一步提高管道压降预测准确度,以预测误差作为适应度值,采用粒子群算法对网络权值和阈值寻优,优化神经网络,并利用样本数据训练出了有效的压降预测网络.通过将预测数据和粉料气力输送实验装置的实测数据相比较,结果表明,该方法预测误差小,准确度高,有较高的实用价值.     

复合材料自动铺丝工艺参数对应力波传播特征的作用机制

利用应力波特征能够有效识别材料结构中内部缺陷及其分布形式,为了将工艺载荷作为应力波激励源对预成型体内部缺陷进行识别,应首先研究铺丝过程中工艺参数对应力波传播特征的影响,以确定应力传感器的放置位置。本文采用有限元方法构建了铺丝过程热力耦合模型,分析了应力波特征参数与工艺参数之间的关系,并进行了实验验证。为了从微观能量角度解释工艺参数对应力波特征的影响规律,采用分子动力学方法,建立了预浸丝界面的分子模型,并计算出总能量、纤维表面能、基体内能等能量参数,识别和评价了不同工艺参数作用下的应力波驱动能量及其贡献比,以揭示工艺参数对应力波特征的能量作用机制。结果表明,以基体内能作为驱动能量的侧向应力波与工艺参数的关系明显,在不同工艺参数施载下,内部缺陷的形成对该波形的作用易于识别,该结论可作为应力传感器放置位置的参考依据。      

基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测研究

针对球磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于CEEMDAN-云模型特征熵和LSSVM的磨机负荷预测方法,用完整集成经验分解算法(CEEMDAN)对不同负荷的磨机振动信号进行分解,由相关系数法选取敏感模态分量重构信号,利用逆向云发生器计算重构信号的云模型特征熵作为信号的特征参数,运用正向云发生器生成云模型特征向量的云滴图,结果表明,欠负荷、正常负荷、过负荷之间的熵值差异很大,可以较好地区分和识别磨机负荷状态;将云模型特征向量作为最小二乘支持向量机(LSSVM)的输入,料球比、充填率为输出,建立磨机负荷预测模型;通过磨矿实验验证了该方法的有效性,模型能够准确预测磨机负荷状态。     

卡尔曼滤波器与神经网络串行的轮胎载荷识别模型

轮胎载荷是车辆设计和安全性评估的基础数据,对轮胎进行高精度的载荷识别具有重要意义。针对轮胎载荷直接测量昂贵、复杂的现状以及基于纯物理驱动与纯数据驱动的载荷识别方法的局限性,提出一种物理-数据联合驱动的载荷识别模型。该模型由卡尔曼滤波器与神经网络修正模型串行组成,卡尔曼滤波器对载荷进行初步识别,修正模型通过卷积神经网络和长短期记忆网络提取信号的空间和时间特征,预测卡尔曼滤波器的偏差并对识别结果予以修正。以APM300胶轮车辆为例进行载荷识别,结果表明,该串行模式载荷识别模型通过将物理驱动与数据驱动方法有机结合,综合整个系统的规则与经验,有效地克制了参数扰动的影响,提升了载荷识别精度,具有较强的泛化性能,具备一定的工程应用价值。     

考虑源-荷-储多能互补的冷-热-电综合能源系统优化运行研究

综合能源系统（integrated energy system,IES）以多能互补和能量阶梯利用为核心,将大大提高系统的能量利用率,实现多种能流互补优化。通过建立冷-热-电综合能源系统,以系统总运行成本最低为目标函数,考虑设备模型约束和功率平衡约束,采用日前负荷模拟综合能源系统经济优化运行;同时考虑到系统在冬、夏季运行工况差异较大,采用分季调节运行模式,利用分支界定（branch and bound,B-a-B）算法求解优化模型。仿真结果表明,系统能量供给平衡,"源-荷-储"互补搭配性强,系统运行灵活、经济高效,同时,系统污染气体排放量少,有利于环境保护。