对称极坐标牛顿法潮流的直角坐标解法

为综合利用极坐标牛顿法潮流方程数少、雅可比矩阵J元素少以及直角坐标牛顿法中没有三角函数计算的特点,并克服极坐标牛顿法潮流J阵元素的不对称使其计算速度不理想的情况,提出一种对称极坐标牛顿法潮流的直角坐标解法.主要内容为,建立结构不完全对称的子阵形式的极坐标J阵,通过子阵建立子阵元素间的对应关系;拆分J阵元素的计算,建立子阵元素的部分对称关系;对J阵元素等计算公式进行三角变换,并按"二行+二列"的对称方式计算J阵元素;用四角规则而不是消元计算公式对J阵元素消元;将取倒的对角元素作为规格化因子以减少除法计算.新方法不但可实现J阵元素的部分对称计算,还可大量减少三角函数的运算以及消元过程中的除法运算,且无需计算公式直接完成消元计算.以IEEE-118节点系统为例,新方法生成J阵速度可提高约90％以上,潮流计算速度可提高约30％,并极利于编程.     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

基于SVD和SSA-VMD降噪的轴承故障特征提取

针对强噪声背景下轴承故障特征提取困难的问题，提出一种基于奇异值分解和参数优化变分模态分解联合降噪的轴承故障特征提取方法(SSVMD)：首先，对原始信号进行奇异值分解(Singular Value Decomposition，SVD)处理，运用奇异值差分谱法选取有效奇异值并将原始信号重构得到初步降噪信号；其次，为防止故障信息丢失，将残余信号进行麻雀算法(Sparrow Search Algorithm，SSA)优化的变分模态分解(Variational Mode Decomposition，VMD）算法处理，得到最佳的模态个数K和惩罚参数α，选取峭度值最大、包络熵最小的IMF分量与初步降噪信号叠加得到最终降噪信号，并对信号进行包络分析；最后，通过仿真和试验数据分析得出，该方法能在信噪比很低的情况下降低噪声含量并提取轴承故障特征，为设备的状态监测和故障诊断提供理论依据。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

基于光谱尺度空间与管道滤波的红外目标检测

为了准确地从复杂干扰背景下检测出真实弱小目标，本文引入视觉显著性，设计了基于快速光谱尺度空间与动态管道滤波的红外目标检测算法。基于真实目标与背景内容之间的整体差异，引入快速光谱尺度空间与阈值分割技术，设计视觉显著性机制，对红外图像完成处理，输出全局显著性映射，以高效过滤干扰背景内容。考虑目标与背景的局部特征差异，构建自适应局部对比度增强机制，对粗检测结果实施处理，获取对应的局部显著性映射，改善视觉显著性区域内目标的对比度。引入高斯差分理论，通过估算每一帧红外图像中的目标像素直径，形成动态管道滤波，充分消除虚警，准确识别出弱小目标。多组实验数据显示：较已有的红外目标检测技术而言，在各种不同的复杂背景干扰下，所提算法呈现出更好的检测能力，拥有更理想的接收机工作特性ROC曲线。     

EMD算法发展及应用综述

经验模态分解算法在各个领域都有广泛的应用,在工业领域中,对机械设备故障的机理研究,有助于监测机械运行状态,在医学领域中,准确的检测出患者与正常人数据的差异有助于疾病的分析和诊断,由于经验模态分解算法在非线性非平稳信号分析中具有显著优势,多年来深受学者的关注。文章总结了经验模态分解算法近年来的发展改进及应用。     

—种基于特高压工程的图像识别算法研究

阐述提出一种基于特高压工程的图像识别算法，通过对原始图像高斯低通滤波、平滑、亮度拉伸以及增强预处理，降低原始图像噪声，并且使图像亮度增强，探讨选取色调、饱和度以及亮度作为图像特征向量，利用模糊数据自相关函数对特高压工程图像特征进行提取。在此基础上对将图像特征向量映射到图像上，并且对特高压工程图像特征进行匹配，识别到图像中的目标。     

性能数据驱动的机械产品关键设计参数识别方法

利用运行数据识别产品设计缺陷或薄弱环节是产品开发和更新换代的主要模式,也是保证产品服役性能稳定的重要途径.提出了一种性能数据驱动的产品关键设计参数(薄弱环节)识别方法.首先,利用极限学习机算法划分运行工况,提出了基于核主成分分析和高斯混合模型的多工况性能退化评估方法,消除了工况变化对性能退化评估的影响,得到性能退化严重的关键功能模块;其次,对性能监测数据进行聚类分析,识别出与模块性能退化密切相关的关键性能监测参数;最后,建立了“性能监测参数—性能参数—设计参数”三者之间的关联关系,识别出导致性能严重退化的关键设计参数.以某大吨位履带起重机作业机构为例,验证了方法的有效性.     

改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用

在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。