基于 S 变换和 PSO-GRNN 的柔性直流输电线路故障测距方法

针对现有柔性直流输电线路接地故障的神经网络故障测距算法中,训练样本过多、训练时间较长、且未对鲁棒性提出有效验证的问题,提出一种基于S变换和粒子群(PSO)算法优化广义神经网络(GRNN)的线路故障测距算法。从故障行波能量谱的角度出发,采用S变换提取故障暂态电压信号能量谱,然后对表征各频率区间的能量进行求和,以实现对能量特征样本的准确提取;再将归一化处理后的能量样本输入神经网络进行训练,并采用PSO算法对GRNN的光滑因子进行优化,以提高网络收敛速度和训练精度。最后,通过电磁暂态仿真证明该方法定位精度高,不易受过渡电阻影响,在输入样本存在测量误差以及外界噪声干扰的情况下,最大误差仍低于1.5%,具有一定的工程运用价值。     

计及微电网黑启动的虚拟同步发电机调频策略

针对虚拟同步发电机(Virtual Synchronous Generator, VSG)控制策略应用到微电网调频过程中存在次振荡周期的问题,提出一种双阈值-全程自适应频率控制策略。该控制策略综合了自适应模型与负转动惯量的特性,建立了新的转动惯量函数模型,弱化了阻尼项的影响,在消除频率暂态过程次振荡周期的同时,简化了控制结构。为解决现有单一控制策略难以适用于微电网黑启动问题,在不影响微电网启动速度的前提下引入零起升压环节,将该控制策略的应用范围扩大到微电网黑启动过程。仿真和实验验证了所提控制策略的正确性和有效性。     

数据融合技术在综掘工作面瓦斯预测中的应用

利用多个传感器联合操作，测定综掘工作面瓦斯含量，采用数据融合技术实现综掘工作面上瓦斯的预测，为矿井工作面的安全、正常稳定的生产提供了保障。     

基于ICA和WVD的电力系统低频振荡参数辨识

为了提高电力系统中的低频振荡参数辨识的精度,提出一种基于独立分量分析ICA(independent compo?nent analysis)和Wigner-Ville分布WVD(Wigner-Ville distribution)相结合的在线辨识方法。以广域测量系统WAMS(wide area measurement system)监测到的数据为原始输入信号,采用ICA算法对信号进行降噪处理,再应用Wigner-Ville分布研究信号的频率、幅值及能量分布特点。仿真分析和应用实例研究表明,该方法相较于传统Prony辨识算法而言,具有较强的抗噪能力和较好的辨识结果,可以更好地反映电力系统中非平稳信号的局部特性,提高了电力系统低频振荡参数在线辨识的准确性。     

基于量子粒子群与深度学习的煤矿瓦斯涌出量软测量

针对现有的绝对瓦斯涌出量软测量方法普遍未考虑瓦斯涌出量自身历史数据的前后影响,提出一种基于深度学习中长短时记忆网络(LSTM)的瓦斯涌出量软测量模型,利用绝对瓦斯涌出量及其相关影响因素历史数据的时间序列进行预测。考虑到LSTM模型需特别注意控制学习率以防止因出现梯度问题从而影响结果,对LSTM单元结构做出调整,引入softsign函数,通过其变化相对缓和的一阶导数以更好的解决梯度问题,使网络更快收敛且更不容易出现饱和。针对LSTM中存在诸多超参数,结合量子粒子群算法(QPSO)对其优化,使绝对瓦斯涌出量软测量结果精度最优,并利用核主成分分析对测量指标降维,加快模型收敛速度。对比改进后的模型与初始模型,得到改进的模型具有更高的精度和效率,均方根误差、平均绝对百分比误差和拟合优度决定系数3种误差评价指标分别为0.080、0.82%和0.988。将提出的模型与ELM、PSO-SVM、PSO-BP以及GRU模型对比,可得到提出的模型误差更小,测量结果优于其他模型。实验结果表明,提出的瓦斯涌出量软测量模型具有更好的表现。     

嵌入式ARM在基于以太网的AUV控制系统中的应用

提出了一种基于星型以太网拓扑的水下自主航行器（AUV）分布式控制系统体系结构,并开发了以嵌入式ARM处理器为核心的运动控制单元。首先介绍了系统总体结构及各节点单元的功能,然后介绍了以ARM7处理器LPC2292为核心的运动控制单元硬件设计。选用以太网控制器CS8900A作为该单元网络通讯硬件,设计了其与ARM的接口电路。编写了硬件驱动以及网络通讯相关软件。实验证明在该处理器平台上成功实现了网络通讯及嵌入式WEB服务器的构建,因其良好的交互性,方便了前期的调试和日后的维护。     

基于PCA和PSO-ELM的煤与瓦斯突出软测量研究

针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO-ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输入权值和隐层阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。     

果蝇算法和改进D-S证据理论的四轴飞行器障碍辨识

针对四轴飞行器对障碍辨识效果差,精度低的问题,研究了四轴飞行器障碍辨识的方法. 采用超声波传感器、红外测距传感器以及激光雷达传感器的多传感器信息融合的方法, 通过果蝇算法对传感器原始数据证据权进行优化,得到最优权值,按照各个传感器的最优权值,采用改进的D-S证据理论算法对多传感器的数据进行融合, 提高四轴飞行器的障碍辨识精度. 通过分别对单一传感器以及和其他数据融合算法实验对比,研究结果表明: 在相同条件下,本文提出的方法对障碍物的识别准确率更高,对障碍物的响应更加迅速.     

基于相似日选择与改进Stacking 集成学习的短期负荷预测

单一机器学习算法进行短期负荷预测存在着泛化能力受限的问题,本文将Stacking 集成学习模型引入到短期负荷预测问题,对于在交叉验证下同一基学习器不同预测模型表现出预测准确度的差异性,根据预测精度对同一基学习器中不同预测结果进行赋权,考虑到不同环境下各影响因子对日负荷值影响程度不同,引入蚁狮算法(ALO)自适应的调整各个影响因子的权值,提高相似日选取方法的准确性,通过相似日选取方法筛选出的相似日集合样本训练改进的Stacking算法预测模型,利用中国北方某地区的负荷数据进行实际算例分析。实验结果表明,在面对负荷影响因素复杂且训练样本较多的情况下。本文所提的方法具有良好的鲁棒性、稳定性和预测精度。     

基于PSO的SVM的煤岩声发射源定位研究

为了准确的预测采空区煤矿煤岩破裂与失稳前岩石所释放出来的声发射信息的位置,并且根据山西焦煤的官地矿16403工作面获得的声发射事件的数据,因为该数据是一个非线性、高维的问题,提出了用PSO和SVM算法相结合的方法在煤矿煤岩声发射定位中的应用进行了研究。以往的方法只是单纯的收集煤岩或岩石声发射信息,以至于定位会出现失准、精度低和误差大的缺点。文章提出了“1+1=1”的定位方法,既收集同一位置的岩石和煤岩体的声发射信号,分析处理后,得到其位置。在煤岩失稳前两者都会发出强烈的信号。仿真结果表明：应用PSO和SVM理论结合的方法进行煤矿煤岩声发射定位的预测,在提高准确性和精确度的同时,也大大的提高了泛化的能力,该方法也大大减小定位失准的误差。