基于宽度学习系统的短期电力负荷预测方法研究

电力负荷预测已成为电力调度的一项重要工作,也是评估电力企业是否实现现代化的重要指标之一。精准可靠的电力负荷预测数据对合理安排电力企业发电机组启停、降低电力损失、保障社会用电安全和提高电力企业经济效益等方面具有重要意义。短期电力负荷预测是针对短期负荷变化、甚至实时负荷变化,但由于短期负荷变化较为突然,预测难度大。为了提高短期电力负荷预测精确度,本文提出了一种基于宽度学习系统的短期电力负荷预测方法,通过采用邻域粗糙集分类算法,对输入参数进行特征提取,然后采用宽度学习系统对电力负荷历史数据进行离线训练,利用已训练完成的模型实现24h短期负荷预测。研究结果表明,使用本方法可以有效降低MAPE和RMSE,也有效减少了训练时间,提高了模型训练速度,具有优异的预测能力。     

单双层混合绕组型低互感五相容错永磁电机的电磁问题研究

单双层混合绕组型多相容错永磁同步电机具备良好的相间物理隔离、热隔离和磁隔离能力,通过改变绕组跨距角可以改善定子磁动势谐波分布,在一定程度上降低转子涡流损耗,从而更好地兼顾容错能力和运行性能。该文针对单双层混合绕组型五相容错永磁电机展开研究,基于绕组因数分析,给出该类电机极槽配合选取原则和定子磁动势谐波分布规律,以及典型方案下的谐波比漏磁导系数随绕组跨距角的变化规律。进一步研究容错齿尺寸、模块间气隙宽度、槽口宽度等尺寸对磁动势谐波分布、转矩、互感和齿槽转矩的影响,给出高功率密度、低互感和低齿槽转矩设计原则。通过与传统单、双层分数槽集中绕组电机对比,证明了单双层混合绕组电机在磁隔离能力等方面的优势。研制了五相15槽12极单双层混合绕组电机样机,通过实验对理论分析结果进行了验证。     

计及Crowbar状态改进识别的双馈风电场等值建模方法

故障过程中双馈风机Crowbar投入与不投入的暂态响应特性差异明显,因而在风电场等值中场内机组Crowbar状态是一个良好的机群划分指标。然而,双馈风电场与单台机组间故障特性的差异性,使得现有采用单机模型来识别场内机组Crowbar状态的方法存在识别不准确的问题,从而降低风电场等值建模精度。为此,该文提出一种计及Crowbar状态改进识别的双馈风电场等值建模方法。通过分析风电场故障特性,构建Crowbar状态特征向量;收集风电场各工况下的样本数据,建立基于支持向量机(support vector machine,SVM)的识别模型。在新工况下,依次以Crowbar状态识别结果和输入风速为分群指标对场内机组进行机群划分,从而建立风电场等值模型。仿真算例结果表明,该文提出的基于SVM的Crowbar状态识别方法在各个故障场景下相较于传统方法均有较好的识别效果,所建立的等值模型与详细模型故障暂态特性十分吻合,等值方法合理有效。     

基于优化 ELM 的光纤连接器表面自识别降噪技术

光纤连接器的表面检测属于精密仪器检测,因此工厂环境中的大量灰尘会影响连接器表面的复原效果。然而现有的检测技术运行时间长,对于图像细节的保留能力差,并且难以克服实际工作环境中的干扰。因此提出一种优化超限学习机的自识别降噪技术。首先对于干涉数据进行降维处理;其次,采用AdaBoost算法优化超限学习机对噪声点进行定位;最后通过滤波算法对噪声点位置进行修复。实验得出,基于AdaBoost-Elm的自识别降噪算法具有较高的噪声识别能力,其平均噪声识别率达97.33%。此外,采用基于AdaBoost-Elm降噪算法得到BBS的平均值为131.14,NRIQAVR的平均值为2.61,降噪效果均优于全局滤波算法。最后,通过模拟工厂环境,采用基于AdaBoost-Elm的中值滤波算法在不同光强条件下对重度污染的光纤探头进行3D复原测试,其BBS达到130左右,NRIQAVR低于2.57,对比基于Elm的中值滤波算法具有明显优势。     

基于无线声发射传感器系统的活立木含水率 诊断方法研究

水分在活立木的生长代谢过程中起着至关重要的作用,实时准确的含水率测量对于立木培育及林木经营具有关键指导意义。以无损检测活立木树干含水率为主要目标,设计并实现了一套基于无线声发射传感器网络(WASN)的木材含水率诊断系统。首先WASN节点高速采样树干表皮的声发射信号,接着计算其特征参数并无线传输至网关,然后采用最大相关最小冗余(mRMR)判据从中筛选出最优特征组合,并经由麻雀算法优化的支持向量机(SSA-SVM)建立含水率辨识模型,最后即可进行在线实时的长期监测诊断。分别在水杉、杨树、松树和山毛榉四类树种上进行了实测,结果表明,诊断准确率最低为95.5%,所设计WASN完全具备长期部署观测树木蒸腾作用的功能。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

一种铁路隧道衬砌掉块声音检测方法

针对传统铁路隧道衬砌掉块检测方法耗时长、成本高的问题,在声信号识别技术的基础上,提出了基于遗传算法优化支持向量机(GA-SVM)模型的铁路隧道衬砌掉块声音检测方法。通过提取铁路隧道内衬砌掉块与其他事件声音的梅尔频率倒谱系数(MFCC)特征系数矩阵,利用遗传算法的寻优能力对支持向量机中影响预测模型精度的两个参数C和σ进行优化,构建铁路隧道衬砌掉块检测模型。实验结果表明,在少量训练样本的基础上,GA-SVM模型对比传统的SVM模型和粒子群算法(PSO)优化的SVM模型,能更够准确地检测出衬砌掉块的大小,检测精度达到了96.67%,验证了声信号识别技术应用于铁路隧道衬砌掉块检测的可行性。     

基于奇异谱分析的长时交通流混合预测模型

长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据。 针对时序预测 中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交 通流序列预测的精度与效率。 首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回 归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOSELM)预测,最后叠加两部分得到预测结果。 以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为 215. 15,均方根误差为 278. 51。 整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经 验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇 异谱分析在时间序列分解中的有效性。     

结合高光谱和机器学习的无线充电金属异物检测

金属异物侵入会造成无线充电系统效率和稳定性降低,并且可能引发安全事故,因此必须进行金属异物检测。 针对现 有技术存在检测盲区以及无法检测微小异物的问题,提出一种深度学习目标分割与机器学习目标分类相结合的金属异物检测 方法。 首先采用 YOLO v3 网络对充电区域 RGB 图像进行异物目标分割,然后通过支持向量机对各个目标区域对应的高光谱图 像进行分类,最后搭建实验平台验证方法的有效性。 结果表明,该方法不仅能够检测螺母和回形针等微小金属异物,而且具有 检测包裹金属异物的潜能;与仅采用支持向量机进行逐像素检测相比,该方法的检测速度提升了约 38. 9%。     

基于田口法的内置式双层永磁体转子结构的设计与优化

采用多层永磁体转子结构的内置式永磁同步电机具有较大的凸极比,可以充分利用转子的磁阻转矩,在电动汽车等领域得到了越来越广泛的应用。内置式多层永磁体转子结构的参数较多,组合灵活,其设计和优化是电机设计的一个难题。本文针对某180kW调速永磁同步电机的转子设计,选用"V一"型双层永磁体转子结构,引入田口法,选取合适的磁路参数和目标优化参数,建立田口实验正交表,然后利用有限元方法分析不同磁路参数组合下的电机性能。在此基础上,评估各磁路参数对各目标优化参数的影响,进而确定了转子结构方案。本方法对双层永磁体转子结构设计具有一定的指导意义。