对影响液压阀响应特性的因素进行研究

以某型号液压阀为研究对象,运用AMESim中的HCD模块对其建立仿真模型并进行仿真;将仿真数据与实现数据进行对比,验证了HCD模型的正确性;借助HCD仿真模型,对影响液压阀响应特性的因素进行分析,从而为液压阀的设计和故障诊断提供参考.     

基于油色谱时频域信息和残差注意网络的变压器故障诊断方法

提出了一种基于油色谱时频域数据和残差注意力的变电站故障分类模型。对收集到的油色谱数据,计算其频域分量和时频域分量的特征比值,将所有数据作为网络的输入来训练网络;残差注意力网络通过跨层连接的方式来堆叠注意力模块,以降低网络的过拟合影响并提升模型训练速度,同时注意力模块能够重点关注对结果影响大的信息,进一步提高对变电站故障分类的准确度。通过实际数据验证了所提方法的有效性和性能的优越性。     

锂离子电池剩余使用寿命预测方法综述

近年来,随着锂离子电池的能量密度、功率密度逐渐提升,其安全性能与剩余使用寿命预测变得愈发重要。本综述全面分析了锂电池剩余使用寿命预测领域研究现状,系统介绍了现有预测算法,并着重探讨了机器学习方法在该领域的应用。基于模型的方法包括电化学模型、等效电路模型和经验退化模型;基于数据驱动的方法涵盖了支持向量回归、高斯过程回归、极限学习机、卷积神经网络、循环神经网络和Transformer等常用的机器学习方法。本文详细分析了每种方法的优缺点,并重点阐述了机器学习方法在特征提取与融合方法等方面的应用及发展情况。对于特征提取,本文从电流电压温度曲线、IC曲线、EIS曲线中进行总结分析;对于融合方法,本文将其细分为模型-模型、数据-模型、数据-数据融合方法并进行分析。最后,针对当前研究存在的问题,本综述从早期预测、在线预测和多工况预测3个方面提出了对剩余使用寿命预测方法的研究建议,为提升锂电池剩余使用寿命预测算法的准确性和实用性提供思路。     

基于三维模型比对的输电线路弧垂检测方法

提出了一种基于三维模型比对的输电线路弧垂检测方法,以输电线路的激光点云和BIM设计模型为数据融合基础,首先对输电线路点云数据滤波分类,建立输电线路的激光点云模型,并将BIM设计模型转化为BIM点云模型;然后根据激光点云模型中一档距线路的固有特征将其定位到相应的BIM点云模型上,并提出改进的ICP算法实现激光点云模型和BIM点云模型间的精确匹配;最后通过模型间的比对获得弧垂检测结果。实验结果表明,所提算法具有无需人工干预、高效率和高精度的优点。     

基于改进灰色系统模型的风电功率预测研究

文章提出了基于灰色模型的超短期风电功率预测方法。灰色预测模型需要的运算数据较少,计算时间短,适于风电系统在线预测。首先,对GM(1,1)模型、灰色Verhulst模型和DGM模型预测步骤及理论公式进行阐述,并分析了相互关系及适用范围;其次,在运用改进模型进行功率预测时提出滚动预测机制,进行等维数据更新;最后,针对模型优化问题,讨论所取不同原始数据点数对预测精度的影响,并且研究了不同初始条件和不同背景值对预测误差的影响。以某风电场实际风机运行数据为研究对象,进行了风电功率预测,结果表明,模型所选数据点数和背景值提高了预测精度,改善了预测性能。     

北京市3E可持续发展研究及预测预警模型的应用

对几种常见的预测预警模型进行了研究,通过将北京市主要的3E指标数据进行数据拟合和预测,分析总结了不同模型在处理实际数据时的优缺点,并将其较好地应用在北京市3E可持续发展决策支持系统中。     

基于同步量测大数据的配网单相接地故障检测及定位方法

随着智能电网、配网自动化及广域量测系统的不断发展和完善,配电网产生了海量表征其运行状态的数据,为其单相接地故障检测定位提供了新的挑战。基于随机矩阵理论对配网大数据矩阵进行分析,首先用节点电压数据构造高维数据矩阵;然后用圆环律和平均谱半径进行故障检测;最后在检测到故障发生时,通过增广矩阵构造和配网结构相结合进行故障区域定位。仿真分析通过80节点配网模型的单相接地故障验证了所提方法的可行性。     

基于BIMBase技术的GIM模型数据轻量化方法研究

近年来,基于电网信息模型(grid information model,GIM)的信息管理研究增多,研究人员需要在地区或场地层面有效地可视化GIM模型对象,并对模型数据进行应用和管理,但GIM模型具有跨度大、精细度高的特点,计算机在可视化和应用GIM模型时容易遇到性能瓶颈。为此,文章基于BIMBase技术提出一种轻量化GIM数据的方法,首先对GIM文件进行解析,并对参数化几何进行网格化处理;然后通过顶点属性保持的合并算法去除网格中的冗余数据;最后设计数据存储结构,将几何、材质和属性解耦存储。GIM模型数据轻量化完成后,对顶点合并、模型加载和解析性能进行比较,均取得了较好效果。     

一种基于实际数据驱动的新能源出力对电网线损影响评估方法

以风电、光伏为代表的大规模可再生能源接入对电网线损评估及降损管理工作带来了较大挑战。提出一种基于实际运行数据驱动的新能源出力对电网线损影响分析方法,首先根据输电线路典型模型对输电线路线损进行分析,将其表示为输送有功功率的二次多项式函数,然后将其扩展到全网,并据此构建了全网等值线损评估模型;对于等值线损模型中的未知参数,提出基于实际运行数据拟合的模型解析方法。最后,以某省级电网为例,对所提线损评估模型误差、不同发电类型线损率灵敏度因子及新能源出力对线损影响等进行了分析,对所提模型的有效性进行了验证。     

基于机器学习模型的关中地区GPMIMERG降水数据订正方法

针对GPM_IMERG降水数据存在系统误差的问题,以关中地区为例,在筛选海陆位置、地形、植被指数（NDVI）变量的基础上,运用支持向量机（SVM）、随机森林（RF）、高斯过程回归（GPR）模型对IMERG月降水数据进行订正,并通过34个站点数据验证订正模型。结果表明,关中地区IMERG数据具有良好的可替代性,其决定系数R²达0.76,平均绝对误差M_MAE、均方根误差R_RMSE分别为6.94、9.77 mm;经机器学习模型订正后星地数据之间的R²提升了2.05%～58.33%,R_RMSE、M_MAE分别降低了0.85%～71.23%、0.10%～73.47%;与GPR、RF模型相比,SVM模型的R_RMSE、M_MAE分别减小16.76%、9.76%和24.73%、14.11%,对IMERG数据订正具有更好的适用性。     

基于残差网络的风电机组基础健康监测数据修复研究

为精准有效地修复连续性异常数据,提出一种基于残差块优化卷积神经网络的残差网络数据修复模型。以乳山风电场的风电机组基础健康监测数据为例对模型进行工程验证。同时选取具有修复功能的多种模型对实际异常数据进行修复验证,并对所有模型的性能以及自身的修复精度进行对比分析。结果表明：ResNet模型避免了FCN以及CNN模型存在的缺陷,提高了数据修复的精度;ResNet模型适用于缺失或异常比例低于30%的数据修复;ResNet模型修复实例的结果符合数据变化趋势,能较好吻合监测数据的原始曲线。     

以挖掘数据替代测点失效值的热力系统性能研究

为解决机组热力系统测点参数失效致使其性能计算模型不能作出正常评估的问题,基于相似性原理,利用某600MW机组热力系统历史正常运行数据建立了其动态超球预测模型,获得了该机组热力系统性能计算模型所需的预测值及相似度曲线,验证了性能计算模型预测值的可靠性,并以测点预测值作为挖掘数据替换其失效值.结果表明:合理选择和适当补入历史正常运行数据,可降低预测值的相对误差,并将其控制在工程允许范围内,提高其替代失效值的可靠性;当输入的热力系统测点参数因测量系统等引起随机波动甚至个别参数失效时,该方法仍可实现对机组热力系统运行性能的正常实时评估和故障诊断.     

基于SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法。首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果与SCADA数据提取残差分布特征向量,建立随机森林残差分布模型对机组齿轮箱运行状态进行监测;最后,对某大型风电场机组进行模型建立和仿真研究。结果表明,基于LSTM神经网络结合随机森林算法对风电机组齿轮箱状态监测有较强的实用性和较高的准确率,为后续开展齿轮箱健康度评价提供了新的方法和思路。     

基于时间序列的分布式光伏电站发电数据采集方法

由于当前方法对发电数据进行采集时,没有对发电数据的缺失值进行修复,存在缺失数据修复前数据采集精度差、与实际采集数据相差多的问题。该文提出一种基于时间序列的分布式光伏电站发电数据采集方法。根据光伏电站受到的不同影响,构建了负荷异常值类型的时间序列模型,利用该模型对异常数据负荷点进行剔除,由于剔除后的数据存在缺失值,因此对其进行修复;根据修复结果,采用BP神经网络对发电数据进行采集。实验结果表明,通过对该方法进行缺失数据修复前后对比测试、不同方法与实际指标数据采集测试,验证了该方法的有效性强、实用性高。     

电控单体泵燃油系统仿真研究

采用Hydsim软件建立电控单体泵系统仿真模型,并通过试验数据进行模型标定。采用该模型仿真分析了电控单体泵系统关键结构参数对其性能的影响。仿真结果表明:喷孔总流通面积与最大喷射压力成反比,与最大喷油速率成正比;高压油管长度对喷射压力和喷油速率影响很小,仅影响喷油提前角;高压油管直径对最大喷油速率影响很小,与最大喷射压力成反比。     

基于麻雀优化算法的锂电池健康状态估计方法

[目的]准确估计锂离子电池健康状态（SoH）对于未来的智能电池管理系统具有重要意义。为解决数据特征质量差以及模型参数调整困难的问题,提出了基于奇异值定阶降噪以及麻雀算法优化门控循环（GRU）神经网络的锂电池SoH估计方法。[方法]首先,从电池充放电数据中提取了3个与SoH衰减高度相关的指标,运用奇异值分解技术对特征进行降噪,提高了其与SoH的相关性。接着,使用麻雀搜索算法优化GRU神经网络的模型结构及参数,提高其对SoH的估计精度。最后,使用先进生命周期工程中心（CALCE）的电池数据集验证所提模型的有效性。[结果]实验结果表明,所提模型适用于电池SoH估计,其最大均方根误差（RMSE）仅为0.018 4;经过数据降噪以及算法优化后的GRU模型,其RMSE比初始模型减少了55.41%。[结论]文章所提方法实现了SoH的准确估计,可为实际工程应用提供参考。     

基于灰色GMDH网络组合模型的风速预测

风电场风速具有较大的间歇性和波动性,其预测精度有待提高。针对这一问题,文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。     

动态多主元模型故障检测方法在变工况过程中的应用

提出了一种适用于变工况过程的动态多主元模型故障检测方法。首先对过程数据进行分类得到各稳态工况下的数据;然后根据分类数据建立主元模型组来描述整个过程的统计特性;最后在故障检测中根据检测样本对分类数据的隶属度和主元模型组计算出与当前工况相适应的主元模型并进行检测。以火电厂锅炉过程为例对比研究了传统方法和新方法的应用情况。试验结果表明新方法能适应工况变化,减少误检并提高了检测灵敏度。图6表1参10     

船用大功率柴油机工作过程计算分析与试验研究

利用AVL BOOST软件对某船用主机的工作过程进行了模拟计算,并利用试验数据对模型进行验证。在模型准确的基础上,计算了该柴油机的螺旋桨推进特性,并对计算数据和试验数据进行了对比分析;在柴油机标准工况和部分负荷下,分析了不同压缩比对其性能指标的影响规律,分析表明:在达到动力性及经济性要求的前提下,同时考虑机械负荷、热负荷以及冷启动等因素,压缩比设置在11.7~12.1间较好。     

基于ABC-SVM和PSO-RF的光伏微电网日发电功率组合预测方法研究

综合考虑气象因素,使用ABC-SVM方法,对历史的气象数据和光伏出力数据进行训练,依据发电量情况将气象数据分为4类;之后在4类气象情况下各选取上万条数据,使用PSO-RF模型分别训练每组数据,得到4个带不同参数的模型;最后根据每天的气象情况运行不同的模型。验证本组合方法之后发现,通过气象分类后得到的模型,可大幅提高光伏发电量预测的效果。