基于深度确定性策略梯度与模糊PID的直流微电网VRB储能系统就地层功率控制

针对直流微电网全钒液流电池(vanadium redox flow battery, VRB)储能系统在实际运行时就地控制层中的功率控制器存在时滞、精度低及抗干扰能力差等问题,提出了一种基于深度确定性策略梯度与模糊PID的功率跟踪控制策略。首先,建立VRB的等效电路模型来描述功率传输特性,并设计了由模糊PID与深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法组成的复合控制器。将模糊PID作为主控制器对功率环进行控制,DDPG作为辅助控制器来补偿功率跟踪误差。然后,设计了VRB储能系统就地层功率跟踪控制器,采用麻雀搜索算法(sparrow search algorithm, SSA)对PID参数和模糊规则进行优化,并通过阶跃信号对优化后的系统输出响应进行测试。同时将分配指令功率与储能单元给定功率偏差作为数据集在DDPG中进行训练,以提高主控制器的响应速度和抗干扰能力。最后,通过在3种不同场景的算例下进行仿真,验证了控制策略的有效性及稳定性。结果表明：所提控制策略在电池充放电时,能够快速地跟踪到功率指令值;实时跟踪时,跟踪功率值与调度指令值偏差小于±2%;受到扰动时,能准确修正功率偏差,满足实际要求。     

基于Mashup的用户自定义空间态势可视化表达

当前空间态势可视化方案不能根据快速变化的数据和任务要求实现用户自定义表达。在Web应用领域,Mashup能够将多个不同来源的支持Web API的应用按照一定的模式进行糅合,产生新的Web应用,并利用从外部数据源检索到的内容来创建全新的服务。基于Mashup技术,设计用户自定义的空间态势可视化表达,实现内部Widget之间的数据交互;实现三维和二维态势信息可视化Widget,并能够同步显示空间态势信息;通过网络图层管理进行态势信息的显示管理,实现事件的订阅与发布。实验结果表明,基于Mashup技术的用户自定义空间态势可视化表达能够适应快速变化的任务和数据需求。     

灰色理论在煤与瓦斯突出的主控因素分析中的应用

首先分析了现有的煤与瓦斯突出的控制因素与评价方法，然后利用灰色理论创立了煤与瓦斯突出综合评价的加权灰色关联分析方法。并以某矿为例．应用该方法分析了煤与瓦斯突出控制因素，找出了主控因素并对影响因素进行了排序，分析计算结果符合实际情况综合灰色关联分析方法为煤与瓦斯突出预测准确性的提高提供了新的方法。     

煤矿井下探测搜救机器人地形感知系统及路径规划方法研究

针对常规机器人导航系统采用单一类型地形识别传感器,观察维度单一等问题,对煤矿井下探测搜救机器人地形感知系统进行研究,使用远近感知系统数据融合,提高机器人避障能力。由激光扫描仪采集的二维点云数据建立远距离地形信息,由Kinect相机采集的地形深度信息建立近距离地形信息。基于PCL模型,应用像素遍方法,实现观测信息的采集与云图像的构建。使用2.5维栅格地图构建方法得到近距离环境地形信息。使用Dijkstra算法进行了路径规划研究,建立了融合路径长度和地面危险度等级的目标函数。通过仿真研究验证了本文提出的最优路径减小机器人行走过程的俯仰角、侧倾角的波动幅度。     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的蚁群（ACO）粒子群（PSO）混合算法优化的最小二乘支持向量机（LS-SVM）,并用其预测非线性动态瓦斯涌出量。算法通过对LS-SVM的正则化参数C和高斯核参数σ进行寻优,建立了基于蚁群粒子群混合算法优化的瓦斯涌出量预测模型,并根据赵各庄矿矿井监测到的各项历史数据进行实例分析。实验结果表明：该预测模型预测的最大相对误差为1.05%,最小相对误差为0.28%,平均相对误差为0.75%。较其他预测模型拥有更强的泛化能力和更高的预测精度。     

基于HCOAG算法优化KELM的全钒液流电池SOC估计

针对直流微电网储能系统中全钒液流电池SOC难以精确估计的问题,提出一种基于郊狼算法(coyote optimization algorithm, COA)与灰狼算法(grey wolf optimization, GWO)的混合算法(hybrid COA with gwo, HCOAG)优化核极限学习机(kernel extreme learning machine, KELM)的全钒液流电池SOC估计方法。首先将改进的郊狼算法(improved COA, ICOA)与简化操作的灰狼算法(simplified GWO, SGWO)采用正弦交叉策略融合组成HCOAG算法,利用HCOAG算法对KELM模型的参数进行寻优。然后利用基准函数对HCOAG算法进行测试,并与其他智能算法对比寻优能力。最后通过CEC-VRB-5?kW型号电池进行仿真和实验,验证了该估计方法的准确性与可行性。结果表明,所提HCOAG-KELM方法估计精度优于GWO-KELM、ICOA-KELM、KELM、扩展卡尔曼滤波(extended kalman filter, EKF)和无迹卡尔曼滤波(unscented kalman filter, UKF)算法模型,同时估计误差在2%之内,满足实际需求。     

基于量子粒子群与深度学习的煤矿瓦斯涌出量软测量

针对现有的绝对瓦斯涌出量软测量方法普遍未考虑瓦斯涌出量自身历史数据的前后影响,提出一种基于深度学习中长短时记忆网络(LSTM)的瓦斯涌出量软测量模型,利用绝对瓦斯涌出量及其相关影响因素历史数据的时间序列进行预测。考虑到LSTM模型需特别注意控制学习率以防止因出现梯度问题从而影响结果,对LSTM单元结构做出调整,引入softsign函数,通过其变化相对缓和的一阶导数以更好的解决梯度问题,使网络更快收敛且更不容易出现饱和。针对LSTM中存在诸多超参数,结合量子粒子群算法(QPSO)对其优化,使绝对瓦斯涌出量软测量结果精度最优,并利用核主成分分析对测量指标降维,加快模型收敛速度。对比改进后的模型与初始模型,得到改进的模型具有更高的精度和效率,均方根误差、平均绝对百分比误差和拟合优度决定系数3种误差评价指标分别为0.080、0.82%和0.988。将提出的模型与ELM、PSO-SVM、PSO-BP以及GRU模型对比,可得到提出的模型误差更小,测量结果优于其他模型。实验结果表明,提出的瓦斯涌出量软测量模型具有更好的表现。     

CAN总线技术在煤与瓦斯突出预测系统中的应用

根据煤矿特殊生产环境需要,采用CAN总线技术的技术设计了一种三层结构的煤与瓦斯突出预测系统,取代了以往的模拟信号系统,可实现矿井煤与瓦斯突出环境监测、突出预测系统的数字化和网络化。     

基于深度学习算法的矿用巡检机器人设备识别

为了实现矿用巡检机器人对煤矿井下设备的识别与匹配,通过基于卷积神经网络的深度学习算法建立了煤矿设备类型识别模型,分别在明亮环境下、昏暗环境下以及设备重叠情况下采集大量待识别设备图像样本,再对识别模型进行训练,实现巡检机器人对煤矿设备的精确识别与分类。使用基于粒子群优化的SVM（support vector machine,支持向量机）建立了煤矿设备匹配模型,将巡检机器人相对于煤矿坐标系的三轴位置信息、三自由度角度和视觉相机转角作为匹配模型的输入量,将相机视野中设备序号作为输出量,实现煤矿设备类型识别模型识别出的设备与已知设备序号一一对应。实验结果表明基于深度学习算法的煤矿设备类型识别模型对外界的干扰不敏感,识别准确率高;基于SVM的煤矿设备匹配模型的匹配准确率达到了93.2%,在匹配准确率的训练和测试效率上均优于基于BP（back propagation,反向传播）神经网络的匹配模型。研究结果可为煤矿井下巡检机器人的研制提供参考。