基于BP神经网络的线损不良数据辨识及其预测

电能在输送过程中产生的大量损耗会大大提高电网的运营成本,同时海量的电网数据中往往包含错误数据,对线损计算及预测有严重影响。针对该问题,提出一种基于BP神经网络的不良数据辨识模型,可以有效辨别线路数据中的不良数据,并进行剔除。剔除不良数据后,再利用BP神经网络对线损进行预测。以宿迁市某变电站数据为例,验证了该模型的适用性。     

基于STM32的新型X荧光在线品位分析仪的研制与应用

矿浆品位的测量一直是选矿行业的研究重点与技术难点，其测量精度的实时在线反馈直接影响了选矿工艺流程自动化控制的效果。为实现对选矿工艺流程中矿浆元素品位更加准确的测量，在上一代有核在线品位分析仪的基础上改进研发了新一代无核X荧光在线品位分析仪。该新型X荧光在线品位分析仪基于STM32F407控制芯片，采用X光管与半导体探测器相结合的测量结构，其技术架构与分析原理是：X光管与半导体探测器组成测量单元，由X光管激发的X射线照射到需要测量的矿浆表面，同时半导体探测器接收矿浆中待测元素被激发出的X特征荧光；主控单元接收处理半导体探测器上传的数据信号，通过串口通讯将所测元素计数率发送给工控机上位软件；最终上位软件调用Matlab数学分析工具同时采用BP神经网络进行数据的建模分析并得出品位数值。绍兴某选矿厂现场工业试验结果表明，相比较于上一代有核品位分析仪，该新型X荧光在线品位分析仪的测量精度与运行稳定性等均有了显著的提高，各项参数均达到了设计要求。