适用于各种极端天气的概念相机

设计师Mathias Mayrhofer设计了一款超强的数码相机:Extu Camera。它可以满足摄影发烧友在任何极端天气下使用。与一般相机不同,Extu Camera的外型相当特别,它不但拥有细长的机身,搭配上手提式的握把和大大的镜头,远看起来还特别像水中鱼雷。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机（ELM）随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法（SSA）优化极限学习机的组合预测模型（SSA-ELM）。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

基于分组遗传算法的集成多样性增强及其应用

为了解决复杂工业过程的概念漂移问题,提高集成学习模型的泛化性能,基于分组遗传算法,提出一种用于提升基学习器间多样性的建模方法.该方法以在线极限学习机作为基学习器,根据基学习器在滑动窗口上的性能对其进行分组,并执行进化操作,同时引入基因流概念,增加了基学习器间的多样性,提高了集成算法在处理概念漂移数据流时的预测性能.最后使用合成数据集和真实数据集验证了所提算法的合理性与有效性.     

基于CMIP6的中国主要地区极端气温/降水模拟能力评估及未来情景预估

基于耦合模式比较计划第6阶段(the coupled model intercomparison program in phase 6, CMIP6)的全球气候模式模拟数据,评估分析了全球气候模式对中国主要地区1979―2014年极端气温与极端降水特征的模拟能力。通过泰勒图及各种统计参数的对比表明,全球气候模式对中国各个地区的极端降水/气温的模拟存在显著差异,对中国地区极端气温与降水模拟最好的模式是EC-Earth3。对EC-Earth3在4种未来情景下的气温/降水数据进行偏差校正,并对中国地区未来时期极端降水/气温进行了预估。结果表明:2021―2100年,中国地区升温趋势和极端降水的增加趋势显著,4种情景下的极端气温指标和极端降水指标在21世纪50年代之前是相似的,但之后变化趋势差异增加;SSP1-2.6情景下,2021―2100年升温速率和极端降水速率增加趋势较为平缓;SSP2-4.5、SSP3-7.0、SSP5-8.5 3种情景下,升温速率和极端降水增加速率随着模式和时间增加逐渐增大。     

基于LSTM的阀冷系统入水温度及冷却裕度预测

为解决换流站阀冷系统状态缺乏智能预测手段和极端工况下冷却能力是否充裕难以评估的问题,提出基于长短期记忆网络(long short-term memory, LSTM)的换流阀冷却裕度预测方法。在阀冷系统冷却裕度指标量化评估的基础上,考虑多源影响因素,通过相关性强弱选择特征量并构建数据样本集,利用长短时记忆网络建立预测模型,并基于大量实际样本数据进行训练,对入水温度和冷却裕度发展趋势做出预测、提前预警,同时提供极端工况下冷却裕度的分析模型,为现场处理决策提供依据。通过穗东换流站的实例分析,验证了算法的有效性和可行性。     

基于量子粒子群优化极限学习机的频谱感知算法

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于量子粒子群优化极限学习机(E L M)算法的认知无线电网络频谱感知方法.针对极限学习机算法的特点通过量子粒子群算法(Q P S O)优化极限学习机参数,并构建引入结构风险思想的QPSO-ELM模型,降低算法的经验风险提高模型的泛化能力,提高算法的频谱感知性能.仿真实验表明,与人工神经网络(A N N)、支持向量机(S V M)和极限学习机(E L M)三种机器学习算法,在信噪比为-15 dB时的频谱感知性能进行比较,分别提高了16％、28％、9％,仿真证明所提算法在低信噪比情况下具有较高的性能,可有效地实现对主用户信号的频谱感知.     

基于改进云模型和Eclat算法的输电线路极端灾害风险评估

针对当前用于输电线路风险评估的云模型中量化等级依靠人为主观划分的不足,提出一种基于改进云模型和Eclat算法的输电线路极端灾害风险评估方法。首先,基于灾害特征信息选取灾害特征因子和典型极端灾害技术要素;通过FCM算法获取一维数据聚类中心,将聚类中心与传统主观云模型数字特征进行结合得到改进后的组合标准云;考虑灾害造成的停运时间、输电线路抗灾能力以及灾害风险的累积效应对数据进行动态修正后,在标准云中进行量化等级划分;最后,应用Eclat算法挖掘量化后的灾害特征因子与风险技术要素间的关联规则,得到风险评估预测模型。实例结果表明,改进后的模型正确率得到提高,获取到的关联规则能够对线路灾害风险进行预测评估。     

基于极限过程学习机的储层微观孔隙结构识别

准确分析储层岩石的微观孔隙结构特征是发挥油气层的产能和提高油气采收率的关键.构建一种具有过程式输入的极限学习机模型,并提出基于灰狼优化算法原理改进的混洗蛙跳算法对模型的网络隐层节点个数及网络权值进行优化,利用基于张量乘积矩阵的广义逆求解方法加速极限过程学习机模型的求解.实验结果表明:与5种改进混洗蛙跳算法对比,所提的算法无论在6个高维函数优化还是微观孔隙结构类型识别方面都取得了最好的优化效果,具有很好的实际应用价值.     

基于极限学习机的变压器热点温度实时预测方法研究

油浸式变压器的负载能力和运行寿命与其热点温度密切相关,准确预测变压器热点温度对监测变压器健康状态和制定动态增容决策有着重要意义.为了预测变压器热点温度,以变压器负载率、环境温度和顶层油温为特征值,采用BP神经网络、Elman神经网络和极限学习机(extreme learning machine,ELM)3种方法分别拟合变压器的热点温度,结果表明,ELM模型的拟合度更高,运算速度更快.通过温度、湿度、天气类型等7类变压器运行历史数据,构建基于支持向量回归(support vector regression,SVR)的电力负荷预测模型,将预测结果作为ELM模型的前置输入,提出一种基于极限学习机的变压器热点温度实时预测方法.以某220 kV油浸式变压器的运行数据为样本对该方法进行验证,发现预测值与真实值的误差在±1℃之内,表明该预测方法具有良好的预测精度.