融合 EMD 和 LSTM 的受热面积灰预测研究

针对锅炉受热面积灰将会降低传热效率和安全性,采用清洁因子作为健康指标来监测锅炉受热面健康状况,并且提出 融合经验模态分解(EMD)和长短期记忆网络(LSTM)的模型来预测未来锅炉积灰。 经验模态分解可以将时间序列分解为一系 列频域稳定的本征模态函数,长短期记忆网络拥有记忆功能,它能够通过学习来挖掘时间序列之间隐藏的长期依赖关系,二者 结合,增加了对于时间序列预测的准确度。 通过仿真软件验证,该模型对锅炉受热面积灰状况的预测有较为满意的精度,并与 两种常用模型进行对比发现,预测精度分别提升了 67. 7%与 59. 2%,验证了该模型的可行性与有效性。     

嵌入式存储器动态故障诊断数据压缩设计

在微纳米级工艺中,嵌入式存储器出现开路故障的概率增高,从而带来动态故障。当静态故障与动态故障同时存在时,传统的暂停导出内建自测试设计虽然可以将故障诊断数据正确输出,但存在诊断数据冗余的问题。因此,提出一种动态故障诊断数据压缩的内建自测试设计。在不影响诊断数据完好性的前提下,识别故障模式为行故障、列故障与单元故障,并对其诊断数据进行压缩解决诊断数据冗余的问题。仿真结果表明,该设计能够正确压缩动态故障诊断数据,大幅度提高输出效率,减少输出时间,并且面积开销较小。在8 K×16的存储器的面积开销为3.16%,20%行列故障与5%动态故障下诊断数据压缩比为3.96%。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

基于灰色关联分析的短期风速预测方法

针对建立短期风速预测统计模型时输入变量的类型难以确定的问题,提出了一种基于灰色关联分析的短期风速预测方法。该方法以风速为基准序列,对温度、压强、相对湿度、露点等气象因素进行灰色关联分析,按照关联系数大小对气象因素进行排序,并根据排序结果选择风速和关联系数较大的气象因素作为输入变量构建LSTM模型,最后通过模型计算出预测结果。基于实测数据对该方法的有效性进行验证,结果表明,所提出的方法具有较高的预测精度。     

多数据源输电线路选线系统的设计与实现

针对现有输电线路选线作业模式单一,专业之间协同不畅等诸多问题,为了满足输电线路三维设计和新兴招标模式要求,本文以不同技术特性的多数据源为基础,设计了一种具有多窗口交互和二三维联动功能的优化选线系统,实现了多维度、多视角协同选线,达到了多数据源集成化、信息共享化和成果精细化的选线目标。     

基于MIC-LSTM与CKDE的风电机组机舱温度区间预测

风电安全技术的发展在新能源生产安全中具有重要意义。风力发电机组机舱温度预测可提前发现机舱温度的异常变化,为监测和控制系统提供温度预警信号,从而保障内部设备安全稳定运行。提出基于最大信息系数（MIC）的变量筛选方法,选取与机舱温度相关性较高的变量作为输入变量,然后基于长短时记忆（LSTM）网络建立了多变量机舱温度单点预测模型,通过与其它3类预测模型的性能对比表明了所提方法精度更高;基于LSTM网络模型的预测结果及其误差数据集,采用条件核密度估计（CKDE）法建立了不同置信度下机舱温度预测值的波动区间,依据具体实例验证了不确定性区间预测模型的有效性和可靠性。     

基于长短期记忆网络的PMU不良数据检测方法

同步相量测量单元(Phasor Measurement Units, PMUs)因其同步性、快速性和准确性,已成为复杂电力系统状态感知的最有效工具之一。但是,现场的复杂环境导致PMU数据存在数据丢失、数据损坏、同步异常、噪声影响等质量问题,严重影响其在系统中的各类应用,甚至威胁电网安全稳定运行。提出了一种基于长短期记忆(Long Short-Term Memory,LSTM)网络的PMU不良数据检测方法。首先分析了LSTM在不良数据检测中的优势。然后基于LSTM网络对时间序列选择记忆的特性,构造了一种双层LSTM网络架构,提出了对原始数据的分解重构方法。在此基础上,定义了两种目标函数,以获得不同的误差特征。提出了一种基于决策树的不良数据阈值确定方法,实现了不良数据的有效检测。通过大量仿真与实测数据验证了该方法的可行性和准确性,可提高PMU数据质量,使其更好地应用于电力系统的各个方面。     

基于双向长短时记忆网络的母线负荷分解方法

目前在负荷分解领域的研究工作多以家庭住宅的总负荷分解为电器级别的负荷为主,对于中高电压等级的母线负荷分解研究较少,为解决这一问题,本文提出了一种基于双向长短时记忆网络(Bi-directional Long Short-Term Memory, Bi-LSTM)的中高电压等级母线负荷分解算法。首先在LSTM的基础上构建了Bi-LSTM,其次以母线负荷和其对应的外部信息源(如日期类型、天气等)作为Bi-LSTM的输入量,母线负荷的各下属建筑负荷作为输出量,对Bi-LSTM进行训练,最后以网络分解的母线负荷构成值与实际值间的平均相对误差作为评价指标,实验结果表明该方法可有效对构成成分未知的母线负荷进行分解。#$NL关键词：母线负荷;负荷分解;人工智能;双向长短时记忆网络#$NL中图分类号：TM769     

Parametric study of seismic performance of super-elastic shape memory alloy-reinforced bridge piers

One of the important measures of post-earthquake functionality of bridges after a major earthquake is residual displacement. In many recent major earthquakes, large residual displacements resulted in demolition of bridge piers due to the loss of functionality. Replacing the conventional longitudinal steel reinforcement in the plastic hinge regions of bridge piers with super-elastic shape memory alloy (SMA) could significantly reduce residual deformations. In this study, numerical investigations on the performance of SMA-reinforced concrete (RC) bridge bents to monotonic and seismic loadings are presented. Incremental dynamic analyses are conducted to compare the response of SMA RC bents with steel RC bents considering the peak and the residual deformations after seismic events. Numerical study on multiple prototype bridge bents with single and multiple piers reinforced with super-elastic SMA or conventional steel bars in plastic hinge regions is conducted. Effects of replacement of the steel rebar by SMA rebar on the performance of the bridge bents are studied. This paper presents results of the parametrical analyses on the effects of various design and geometric parameters, such as the number and geometry of piers and reinforcement ratio of the RC SMA bridge bents on its performance.     

记忆与遮蔽

人类通过记忆存储所有的信息。无论何时何地,当熟悉的场景出现在眼前时,就算是被长久遮蔽的、消逝的事物也会通过记忆浮现和再造。通过对日常生活场景和现象的描述,表达建筑设计过程中传统和记忆的印迹对设计思考的引导。通过记忆的轨迹,追寻传统材料和工艺在建筑设计中的实践,以体现传统与当代的包容而非背离。