基于螺旋搜索机制的行星搜索算法

螺旋搜索机制的全局搜索能力强,广泛用于萤火虫算法及鲸鱼搜索算法,但其收敛速度慢,收敛精度低,局部搜索能力较差。通过改变收敛范围较小时的搜索模式,提出了局部螺旋搜索来提高其局部搜索能力,并引入变异操作提高其局部搜索能力,提出了行星搜索算法。通过对单峰及多峰值测试函数对该算法进行验证。结果表明行星搜索算法在收敛速度、搜索精度及局部搜索能力等方面较粒子群算法、萤火虫算法及鲸鱼搜索算法等有明显提升。     

基于ELMD-SVD和Prony的谐波间谐波检测方法

为了解决噪声干扰Prony算法提取谐波参数问题,提出了一种集成局部均值分解（ELMD）-奇异值分解（SVD）-Prony的谐波分析方法（ELMD-SVD-Prony）。首先采用ELMD分解含噪信号,对获得的一系列乘积函数（PF）采用K-L散度来确定含噪分量与有效分量之间的分界点,去除噪声分量并保留有效分量,对有效分量通过相空间重构Hankel矩阵,运用奇异值分解进行二次降噪并重构。最后将重构的信号与ELMD余项叠加得到去噪后的谐波信号,结合Prony算法检测谐波的频率、幅值与相位。仿真实验结果表明,该方法能有效降噪并提取谐波特征参数。     

条码识别技术的研究

首先阐述了条码识别技术的国内外现状,然后介绍了光电条码识别技术及图像式条码识别技术的原理,提出了图像式的条码识别技术存在的难点并给出了解决方案,最后文章指出了条码识别技术的发展趋势.     

基于行波时差矩阵算法的10kV电缆网络故障定位

城市电缆网络产生故障时,故障线路的精确辨识及故障点的准确定位有利于快速恢复供电。针对城市电缆多埋于地下、结构复杂、分支多、传统定位算法较为繁琐等问题,在有效分析电缆线路结构与行波传播路径的基础上,提出了一种基于行波时差矩阵算法的多分支电缆线路故障定位方法。该方法首先划分线路的各个区段,然后根据线路网络拓扑结构与行波传播路径构建故障判定矩阵,最终依据故障判定矩阵与双端行波定位原理准确定位故障点。PSCAD仿真结果表明,该方法能快速精确地判定故障分支并定位故障点。     

动态光散射测量超细颗粒实验系统仿真

由于进行动态光散射超细颗粒大小测量实验困难.为准确测量,利用多尺度的小波变换技术,提出了一种小波变换的动态光散射信号的模拟方法,建立了一个测量超细颗粒的实验仿真系统.首先,系统采用小波变换的信号模拟方法获取动态光散射信号,然后,利用AR模型谱估计方法对模拟信号进行功率谱计算,最终采用非线性最小二乘法对功率谱进行拟合反演出粒径,从而实现了颗粒测量实验系统的仿真.采用该系统,对100nm及500hm颗粒测量实验进行了仿真,仿真测量的粒径反演误差分别为1.22％及0.82％,满足国标误差要求.因此,改进系统用于动态光散射测量超细颗粒实验仿真是可行的,为动态光散射技术的研究提供了一种简易、便捷的实验方法.     

一种新的条码图像去噪方法

针对条码图像处理中去噪问题,提出一种新的基于边缘检测技术下的小波阈值去噪方法,在去除噪声同时考虑与高频噪声分量相似的条码边缘信息,不仅达到去噪的目的,而且可以有效地保存了条码的边缘信息.实验表明该方法达到令人满意的效果.     

基于逆推理论改进模糊均生函数的短期负荷预测

为提高短期电力负荷预测精度,针对电力负荷序列的周期性、随机波动性等特点,提出一种基于逆推理论改进模糊均生函数的短期负荷预测模型。该模型先将模糊均生函数算法引入负荷预测领域,同时应用逆推理论改进模糊均生函数的构造过程,然后将其与最优子集回归算法相结合,建立短期负荷预测模型,最后使用该模型进行预测。以山东电网某市的负荷数据为例,对该模型进行了验证,并与实际负荷数据及传统均生函数模型的预测结果进行对比。结果表明,所提模型能有效提高短期负荷预测的精度,具有很好的实用性。     

采用最优子集回归模型的风电场风速预测方法

风速的快速准确预报是电力系统短期调度计划的基础,为了进一步提高风速预测的精度和运算速度,针对短期风速样本数据兼具波动性和趋势性的特点,采用均生函数最优子集回归(MGF-OSR)方法建立预测模型。该模型引入了一阶、二阶差分序列拟合序列的高频部分,建立累加生成序列来拟合序列的趋势性,利用均值生成函数(MGF),对上述所有序列创建预测因子矩阵,根据双评分准则(CSC)进行粗选,剔除评分较低的因子,对其他预报因子进行寻优组合得到最优子集,并以此建立预测模型。实例分析表明,该模型预测的平均相对误差大大低于其他预测方法,预测精度优势明显。     

噪声动态光散射数据Tikhonov与截断奇异值正则化反演

Tikhonov与截断奇异(TSVD)正则化是动态光散射数据反演中的两种重要方法,不同的正则化方法会对噪声DLS数据测量结果产生不同的影响。分别采用二阶差分矩阵的Tikhonov与TSVD方法,在6种噪声水平下,对宽窄不同的单峰与双峰分布颗粒进行了反演研究。结果表明:Tikhonov具有较好的光滑性;对于单峰分布颗粒,TSVD峰值误差更小、对于窄分布以及强噪声宽分布颗粒系反演,其抗噪性能更强、反演误差更小;对于双峰分布颗粒,Tikhonov具有较小的反演误差、较强的双峰分辨能力与抗噪声能力;对于窄分布颗粒的反演,一般TSVD峰值误差更小。在同样噪声情况下,Tikhonov与TSVD的双峰分辨力与颗粒的粒径峰值比有关。Tikhonov双峰分辨力较强,能够分辨出峰值比较低的颗粒。对实测200nm单峰颗粒进行反演,Tikhonov、TSVD的反演峰值误差分别为3%和1.85%,TSVD峰值位置更准确,能够验证模拟数据的结论。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。首先,针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,然后,在蚁群算法改进粒子群算法(GPSO)中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。本文采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN方法提高了2.3626%。