基于SVM-GA模型的城市天然气长期负荷预测

天然气长期负荷预测能够解决城市燃气供需不平衡的问题,为城市燃气公司的管理运行提供帮助。为了提高天然气长期负荷的预测精度,提出了基于SVM-GA(SupportVectorMachines-GeneticAlgorithm)的天然气长期负荷预测模型。分析确定影响天然气用气量的相关因素,应用遗传算法和交叉验证方法分别对支持向量机模型的惩罚因子c 及核函数参数g 进行优化,以期提高支持向量机模型的预测精度,将优化后的参数输入支持向量机模型中,进行天然气长期负荷预测。以某省实际的样本数据为例,将SVM-GA模型的预测结果与SVM 和交叉验证法结合模型及BP(BackPropagation)神经网络模型的预测结果进行比较分析。结果表明,SVM-GA 预测模型分别比SVM 和交叉验证法结合预测模型和BP神经网络模型在衡量预测精度的相对均方误差、归一化均方误差、归一化绝对平方误差、归一化均方根误差、最大绝对误差五个指标分别高0.58%、3.98%、2.99%、4.58%、8.64%和6.13%、26.28%、19.71%、21.09%、31.48%。因此支持向量机与遗传算法相结合的模型能够较准确地预测天然气长期负荷。     

基于证据推理的航天继电器故障预测方法

针对航天继电器失效比例高、故障预测存在强不确定性等问题,以JRC-7M航天继电器为研究对象,选取吸合时间和超程时间为故障特征变量,提出一种基于证据推理(evidential reasoning, ER)融合多故障特征信息的航天继电器故障预测方法。该方法利用基于三阶Volterra滤波器的在线预测模型预测故障特征未来信息,采用变异系数法自适应求取融合权重,建立基于证据推理的融合框架融合多故障特征信息得到继电器的故障状态,并通过融合其历史、当前和未来状态信息得到继电器综合故障预测结果。利用STS2104A电磁继电器测试系统测试并采集数据,验证了所提方法的有效性。     

用于故障预测的BP网络模型及改进

针对常规ＢＰ网络在用于对汽轮机故障这类有确定性趋势随机时间序列预测中存在的问题，首先对现有对ＢＰ网络的改进进行分析，然后提出一种适用于汽轮机故障预测的递推合成ＢＰ网络模型，并将其与其它的各种改进ＢＰ网络模型的预测性能进行了比较。     

基于动态贝叶斯网络的设备故障预测方法研究

设备维修方式由事后维修和定期维修逐步向基于状态维修进行转变,而故障预测（剩余寿命预测）则是基于状态维修的关键。本文介绍了动态贝叶斯网络的基本原理,在此基础上提出了利用动态贝叶斯网络进行故障预测的方法和步骤,最后将本方法应用于流体控制器的故障预测,结果验证了本方法的有效性。     

基于ARMA模型的中国城乡收入差距的预测

随着我国经济快速增长,中国居民收入水平显著提高,但城乡收入差距水平也在不断加大,收入不均 状况日益严重,引起社会的广泛关注。以我国1978-2008年的城乡人均收入差距数据为基础,根据其趋势图进行曲 线拟合,然后对其残差序列建立时间序列的ARMA模型,并进行了模型参数的分析、识别、估计和检验,建立了适合 我国城乡人均收入差距预测的模型。建模过程表明ARMA模型具有简单快捷,预测精度高,适应实际需要的特点; 同时预测结果也说明我国城乡居民收入差距在不断扩大,国家应采取积极对策加以控制,加大农业投入,保障农民 权益,进而增加农民收入,维护社会稳定。     

基于自编码神经网络的电网故障预测算法

针对电力设备因素、人为因素与气象因素导致的电网故障问题,提出了一种基于自编码神经网络的电网故障预测算法.利用电网运维数据与气象数据来预训练自编码网络,以提取其特征及不同数据间的关联关系.基于多级别特征融合和预测网络来构建各影响因素与电网故障间的映射,根据当前电网环境得到电网故障类型,并使用稀疏正则项来增强网络的鲁棒性.仿真与算例分析结果表明,所提出的算法能够提取出丰富的气象特征,并准确预判电网在给定条件下是否会发生故障及发生故障的概率.     

基于故障树及贝叶斯网络的继电保护系统风险评估及故障定位方法

继电保护系统故障树是保护系统危险性辨识和评价的重要工具.针对故障树顶级事件发生率难以精确获取、故障树不能进行反向推理等不足,提出基于故障树和贝叶斯网络的继电保护故障风险评估方法:正向上,依据保护实时运行数据确定贝叶斯网络根节点(对应故障树基本事件)故障状态,结合贝叶斯网络推理给出贝叶斯网络叶节点(对应故障树顶级事件)的故障概率,实现保护系统的先验风险预测;反向上,由贝叶斯网络叶节点故障,结合贝叶斯条件概率公式,计算贝叶斯网络根节点的故障概率,实现故障原因的后验定位及溯源.所提方法为提高保护系统可靠性和进行故障诊断提供依据.     

改进UGM（1，1）模型在雷达故障预测中的应用

针对传统不等时距灰色模型(UGM(1,1))在背景值构造上的缺陷,从优化背景值构造和提高模型的预测精度及适用性出发,采用背景值加权和新陈代谢模型相结合的方式,提出了一种改进不等时距灰色模型一新陈代谢UGM(1,1,w)模型,用雷达故障预测实例进行了仿真及模型比较分析.结果表明,基于新陈代谢UGM(1,1,w)模型的雷达故障预测方法在预测精度和适用性上均优于传统UGM(1,1)模型.     

基于小波神经网络的风力发电机故障预测方法

针对风力发电场风力不可控、风况复杂和数据的非平稳性现状,利用风力发电场SCADA大数据,对风力发电机组进行分析,提出一种基于小波分析和神经网络的智能算法,通过分析风力发电机相关故障信号的特征,实现对风力发电机的故障诊断和预测。最后对大熊山风电场2MW 风力发电机组运行数据进行仿真和分析,仿真结果表明,小波神经网络是一种风力发电机故障诊断和预测的有效方法。     

故障信号随机发生的故障依赖检测方法

主要研究一类具有随机故障发生的离散时间系统的故障检测问题, 提出了一种故障依赖方法。首先构建一种数学模型来描述上述问题, 将故障信号的特征转化为含有不确定性的矩阵。通过构造一个故障检测滤波器作为残差发生器, 将故障检测与隔离问题转化为H_∞滤波问题。基于所建立的模型, 通过采用故障依赖的方法对 H_∞性能进行分析, 选用参数依赖的李雅普诺夫函数进行处理。在此基础上, 以线性矩阵不等式的形式给出故障检测滤波器的存在条件。最后通过实例验证理论结果的有效性和实用性。     

基于样本均衡与特征交互的通信网络故障预测方法

通信网络故障预测数据集样本不均衡,影响故障预测的准确性,对此,提出了基于样本均衡与特征交互的通信网络故障预测方法. 首先,将基于Wasserstein距离的梯度惩罚生成对抗网络(WGAN-GP)用于生成新的少数类样本,解决了告警数据集中存在的样本不均衡问题,并提出了嵌入记忆向量的特征生成卷积神经网络(M-FGCNN)模型. 利用多层感知器和卷积神经网络加强特征间的交互,将告警领域专家经验与因子分解机模型结合生成新的告警特征;在模型的嵌入矩阵中加入记忆向量并改进了模型的损失函数,增强了模型的记忆性. 在样本不均衡的公开数据集上进行实验的结果表明,引入WGAN-GP模型的方法比已有的样本均衡方法能生成质量更好的新数据. M-FGCNN模型比其他深度学习模型具有更好的通信网络故障预测性能.     

基于压缩感知的电网传输线故障定位方法

文中提出了一种基于压缩感知稀疏重构技术的广域故障定位方法,用于准确定位传输网络中的单故障和双故障位置.与早期传统的故障定位方法不同,该方法只需要通过相量测量单元(PMU)在数量有限的节点中测量即可实现故障定位.测量得到的电压相量和电网的阻抗矩阵产生一个欠定方程组,可以通过压缩感知稀疏重构的方法求解.重构得到了一个稀疏故障电流矢量,通过其中的非零元素判断可能的故障区域.对于没有故障的区域,可以由PMU测量到的电流相量计算相邻节点的电压,然后用新计算的电压和PMU测量值确定故障线路.利用替代定理和最小二乘法计算发生故障前后的节点电压变化量和故障线路两端的电流变化量.文中针对几种典型的故障类型,基于压缩感知和改进的传输线方程精确估计故障位置,消除了复杂的数学迭代过程,进一步提高了故障定位精度.应用PSCAD仿真软件在IEEE39节点系统上进行算例仿真,对故障定位算法进行了测试研究,验证该算法可以实现常见故障的精确定位.     

基于分布参数模型的互联电力系统输电线路故障定位

提出了一种适用于含n母线的通用互联电力系统架空输电线路单端故障定位方法。对故障输电线路采用高精确度的分布参数模型，而对电力系统则采用考虑其内部连接特性的二端口戴维宁等效网络模型，从而实现较高的故障定位精度。利用MATLAB/simulink仿真平台模拟11母线互联电力系统，获得暂态故障数据并进行了测试。测试结果表明，对各种故障条件下的故障距离估计精度高，对近端母线阻抗误差敏感，而对远端母线阻抗误差不敏感。     

利用解二次方程法的故障测距仿真计算

分析利用电力系统正序阻抗、零序阻抗对由系统模型和由故障电流相位修正算法构造的二次方程进行仿真计算，并作了比较分析，在此基础上对于接地短路提出能够识别真根且具较高精度的测距算法。     

基于灰色支持向量机模型的滚动轴承故障诊断与预测方法

提出基于GM(1,1)-SVM的滚动轴承故障诊断及预测方法.首先,提取滚动轴承各类故障和正常状态下振动信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性.     

基于用户行为序列特征的位置预测模型

针对现有位置预测研究中忽略用户行为序列特性、预测精度提升受限的问题,提出了基于用户行为序列特征的位置预测模型.首先以人工提取的方式构建用户行为的序列特征,融合到位置预测模型中,构造了基于行为序列特征的循环神经网络模型（BCP-RNN）;借助RNN模型循环结构的特点,自动学习行为序列特征,并引入位置预测模型,构造了3层对称循环神经网络模型（TS-RNN）.实验结果证明,引入行为序列特征的BCP-RNN和TS-RNN模型,其预测性能均高于现有的位置预测模型,验证了行为序列特征对挖掘用户移动模式的重要性.相较于人工提取行为序列特征的BCP-RNN模型,TS-RNN不仅节省了人工特征提取的成本,还弥补了人工分析的片面性造成的偏差,具有更高的预测性能.     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

基于LAR和在线LS-SVR的非线性时间序列故障预报

针对非线性系统的故障预报,设计了一种在线最小二乘支持向量回归机(LS-SVR)算法,提出了一种基于在线LS-SVR和线性AR(LAR)混合预测的故障预报新方法.用LAR对非线性系统进行局部线性建模,用LS-SVR在线补偿局部线性模型的建模误差,实现了非线性时间序列的一步预测,并推广到N步预测.基于已知的正常时间序列数据,直接对当前N步预测值进行异常估计,实现故障预报,提高了实时性.同时方法的误检率和漏检率还可人为调整,对不同对象具有普遍性.仿真实验证明了方法的有效性.     

断层附近砂体精细预测方法研究

针对断层附近储层预测精度低的问题,将断层区域划分为“稳定区”和“复杂区”。通过精细解释断层“稳定区”层位,建立高精度三维地质模型,改变了传统断层附近“稳定区”层位平滑插值解释无法避免相邻层砂体窜层现象,保证了断层“稳定区”层位和远离断层区的层位一样精确。利用泥岩层的相干体属性确定断层“复杂区”的位置,通过振幅属性识别断层“复杂区”范围,采用反距离加权插值方法,实现了对断层破碎区的反演属性值的计算,从而减少了因断层对地震反演精度的影响。利用此方法,断层附近地震反演砂岩厚度预测精度由80.4%提高到91.3%,提高了10.9%。该方法提高了断层附近砂体的描述精度,对断层附件砂体精细刻画提供了一种新的思路和方法。