首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   4篇
  免费   1篇
  国内免费   2篇
电工技术   1篇
综合类   1篇
机械仪表   2篇
能源动力   1篇
自动化技术   2篇
  2023年   1篇
  2021年   1篇
  2019年   4篇
  2015年   1篇
排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
受风的间歇性和随机性影响风电机组运行状态频繁切换,导致设备状态异常检测误报和漏报情况严重,风电企业运维成本居高不下。为此,提出了基于动态特征矩阵的k近邻故障检测方法,该方法采用基于互信息的动态特征矩阵描述风电机组的动态特性,通过加权k近邻同时考虑动态特征矩阵中的特征贡献率与累计互信息的影响,利用动态阈值计算降低运行状态突变造成的误报。分别以美国可再生能源实验室5 MW海上风机基准模型的常见传感器和执行器故障以及SCADA数据中记录的变桨系统故障为例,将所提方法的故障检测结果分别与PCA、KPCA、FD-kNN以及PC-kNN故障检测方法进行对比,结果表明所提方法能够准确进行故障信息的检测,所提方法优于其他对比故障检测方法。  相似文献   
2.
为改善量子进化算法的早熟问题,提高算法搜索精度和收敛速度,提出了一种基于等位基因的实数编码量子进化算法。该算法以概率叠加的方式将实数变量按照等位基因进行编码,采用混合更新策略根据基因的"相对优良性"对等位基因进行变尺度变异,在全局搜索与局部搜索平衡的前提下提高搜索速度,之后引入Hε门更新等位基因对应的概率幅度。最后利用Markov链证明了其全局收敛性。数值算例将所提及算法与量子进化算法和基于双链编码的量子遗传算法进行比较,验证了算法的收敛速度和求解精度,并将该算法应用于纺织浆纱工艺参数的优化问题,获得了良好的优化效果。  相似文献   
3.
利用智能优化算法挖掘模糊分类规则能够解决模糊前件参数和无关项的组合优化问题,但也存在依赖初始规则以及更新过程无指导等缺陷,导致分类精度难以保证.为此,本文以二型模糊规则分类系统为框架,采用模糊聚类得到代表性样本并启发式的产生初始规则,以量子等位基因形式对规则进行编码生成多初始种群,根据基因的优良性,以变尺度变异操作实现等位基因的指导性进化.在此基础上,利用矛盾规则重构机制,提高模糊规则分类系统的精度.将所提出算法与FH–GBML–IVFS–Amp算法和GAGRAD算法进行了分类精度对比,并在不同噪声水平下,与C4.5算法、朴素贝叶斯分类器和BP神经网络进行分类鲁棒性比较,实验结果表明所提出算法具有较好分类精度与鲁棒性.  相似文献   
4.
针对采用传统智能优化算法挖掘分类规则时易出现分类精度不理想、噪声容忍度差等情况,提出一种基于双链量子遗传优化分类规则挖掘算法.采用双链量子位对分类规则进行实数编码,通过解空间变换将量子位概率幅映射到相应实数集,根据目标函数梯度变化确定量子旋转门转角,并利用量子非门进行个体变异.选取UCI数据库中9组分类数据集对所提出算法分类性能进行测试,结果表明,所提出算法具有较好的分类精度和噪声容忍度.  相似文献   
5.
风的随机性和间歇性导致了风电功率预测的不确定性,区间预测能量化不确定性引起的预测波动,可为缓解电网调峰压力、消纳弃风提供可靠信息,对电力系统经济运行具有重要意义。将风电功率预测误差分解为模型误差和数据噪声误差,利用Bootstrap重采样获得多个训练样本。采用极限学习机网络获得系统误差方差和数据噪声误差方差,通过风电功率预测值与预测误差值的叠加计算区间上下限,得出满足给定置信水平的风电功率预测区间。实验以新疆某风场历史运行数据为例,通过与Delta、Bayesian、LUBE方法对比,验证了所提方法的区间预测性能和计算效率。  相似文献   
6.
有混合数据输入的自适应模糊神经推理系统   总被引:1,自引:0,他引:1  
现有数据建模方法大多依赖于定量的数值信息,而对于数值与分类混合输入的数据建模问题往往根据分类变量组合建立多个子模型,当有多个分类变量输入时易出现子模型数据分布不均匀、训练耗时长等问题.针对上述问题,提出一种具有混合数据输入的自适应模糊神经推理系统模型,在自适应模糊推理系统的基础上,引入激励强度转移矩阵和结论影响矩阵,采用基于高氏距离的减法聚类辨识模型结构,通过混合学习算法训练模型参数,使数值与分类混合数据对模糊规则的前后件参数同时产生作用,共同影响模型输出.仿真实验分析了分类数据对模型规则后件的作用以及结构辨识算法对模糊规则数的影响,与其他几种混合数据建模方法对比表明本文所提出的模型具有较高的预测精度和计算效率.  相似文献   
7.
针对传统风电机组故障识别方法精度难以保证且缺乏解释性的问题,提出一种以模糊规则分类系统为框架的风电机组故障识别与解释性分析方案。离线阶段通过启发式学习生成代表性故障规则,采用多种群量子进化算法实现故障规则寻优,提高对故障的识别精度;在线阶段定义近邻规则竞争策略,在此基础上提出基于故障规则后处理策略的故障解释性分析方案,实现潜在故障概率排序以及解释性的关键异常征兆表达。以兆瓦级风电机组常见的10种故障数据进行仿真分析。结果表明,所提方法可有效提高故障识别精度,同时提供可靠的故障解释性结果。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号