基于偏最小二乘支持向量机的烟气湿法脱硫效率预测模型

为了能够更好地反映电厂湿法脱硫中的过程参数与脱硫效率之间的关系,本文利用偏最小二乘回归法(PLS)对影响烟气湿法脱硫效率的过程因素进行分析,提取出对湿法脱硫效率影响较大的因素作为主成分,将提取的主成分采用支持向量机(SVM)进行预测,降低了SVM的输入维数,建立了基于偏最小二乘支持向量机(PLS-SVM)的烟气湿法脱硫效率预测模型,并选取某机组石灰石-石膏湿法脱硫设施运行监控数据进行模型的训练和预测。预测分析结果显示,PLS-SVM的预测数据最大绝对误差小于0.65%,平均绝对误差在0.3%左右,说明该模型的预测效果较好,与SVM预测模型相比,提高了预测效率和精度。     

基于二次维数约简的油中溶解气体浓度预测

针对变压器油中溶解气体浓度的检测问题,提出基于二次维数约简的油中溶解气体浓度预测模型。首先,采用互信息变量选择方法选取预测模型的输入变量;然后,对输入变量进行相空间重构,采用核主元分析对重构相空间进行特征提取,达到数据降维、滤除数据噪声、消除变量间相关性的目的,并用Renyi熵信息测度确定核主元分析的模型参数;最后,将核主元分析提取的主元变量作为核极限学习机的输入,建立变压器油中溶解气体浓度的预测模型。与灰色预测模型、仅变量选择的预测模型、仅特征提取的预测模型的对比实验结果表明,所提出的基于二次维数约简的油中溶解气体浓度预测模型具有较优的预测精度和泛化能力。     

基于 KPCA-SVM 的表面肌电信号疲劳分类研究

为了提高手臂疲劳模型识别的准确率,本研究在常用时域、频域特征的基础上,引入了时频域、非线性和参数模型特征,提取3通道的表面肌电信号,构成特征集合.特征降维一般分为特征提取以及特征选择,分别采用特征提取中的主成分分析(PCA),核主成分分析(KPCA)方法以及特征选择中的互信息(MI)度量方法进行特征降维,采用支持向量机(SVM)和K近邻(KNN)作为分类器,通过3种降维方法分与SVM和KNN的不同组合构成疲劳分类模型.结果 表明,KPCA与SVM的组合模型对于疲劳的正确识别率最高达到99％,高于其他组合算法.     

基于交叉小波变换和主元分析的电力电子电路故障特征提取

针对现有电力电子电路故障特征提取特征量精确度不足、分类差异性不明显以及故障提取过程易受到噪声的影响等缺点,提出一种基于交叉小波变换和主元分析的电力电子电路故障特征提取方法。该方法首先采用交叉小波变换分析故障信号,然后得出表征交叉小波谱图特性的特征量矩阵,最后利用主元分析方法降低特征量矩阵维数,剔除特征向量中的冗余信息。通过BP神经网络进行的故障诊断仿真测试,其诊断准确率达98.2%,证明了该方法的准确性。     

火电厂脱硫废水的处理

介绍了火力发电厂湿法烟气脱硫装置排水的主要成分、水质特征,分析讨论了火电厂烟气脱硫废水中需要处理的项目以及各处理项目的处理方法和工艺流程。并简要介绍了目前火电厂海水烟气脱硫后海水的处理方法以及我国重庆珞璜电厂湿式石灰石－石膏法烟气脱硫废水和深圳西部电厂海水烟气脱硫后海水的处理情况。     

火电厂脱硫废水的处理

介绍了火力发电厂湿法烟气脱硫装置排水的主要成分,水质特征,分析讨论了火电厂烟气脱硫废水中需要处理的项目以及各处理项目的处理方法和工艺流程。并简要介绍了目前火电厂海水烟气脱硫后海水的处理方法以及我国重庆珞璜电厂湿式石灰石－石膏法烟气脱硫废水和深圳西部电厂海水烟气脱硫后海水的处理情况。     

基于主成分分析和最小二乘支持向量机的电力系统状态估计

电力系统状态估计在能量管理系统中起着非常重要的作用,作者提出了基于主成分分析和最小二乘支持向量机的状态估计方法。首先对由量测量组成的初始样本进行主成分分析,对初始样本进行数据压缩和特征提取,消除数据间的相关性,提取出包含初始样本足够信息的主成分,然后将提取出的主成分作为最小二乘支持向量机的输入,降低了样本空间的维数。算例结果表明了所提出方法能有效地提高电力系统状态估计的精度。     

基于S变换和深度置信网络的变压器局部放电模式识别

针对目前常用的浅层模式识别方法无法有效处理高维特征量的问题,提出一种基于深度置信网络(deep belief network,DBN)的局部放电模式识别方法,并提出在DBN学习过程中采用自适应学习率来控制其在全局和局部的寻优能力。该方法首先对局部放电信号进行S变换得到二维时频矩阵;其次考虑时频矩阵中特征量之间的相关性和计算复杂度,对二维时频矩阵采用双向二维主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)进行降维处理。最后,将降维得到的特征量输入DBN,从低层到高层逐层训练,并将训练好的DBN用于测试样本的模式识别。用上述方法对实验室条件下的四种不同放电模型产生的放电信号进行特征提取和模式识别,并与反向传播网络得到的识别结果进行比较,结果表明该方法对于高维特征量具有更高的正确识别率和更快的运行速度,更适用于高维度特征量的模式识别。     

基于独立成分分析的指静脉识别研究

提出一种基于独立成分分析的指静脉特征提取方法,该方法利用独立成分抽取的特征量,并采取基于近邻聚类方法进行分类识别。基于指独立成分分析法的指静脉特征提取,可充分利用指静脉图像中包含的高阶和低阶全局统计信息。实验结果表明,该方法比主元分析法更有效提高了指静脉识别系统的精确度。     

电厂烟气脱硫吸收塔内防腐方式分析

在目前国内外投入使用且成熟的烟气脱硫技术中,湿法烟气脱硫工艺是运用最多的脱硫工艺.作为湿法烟气脱硫主要设备吸收塔的防腐控制一直是影响脱硫系统稳定运行的关键问题之一.当前国内湿法烟气脱硫吸收塔的内衬防腐大多采用丁基橡胶和玻璃鳞片2种防腐方式.从2种防腐材料的工艺性能和施工经济性等方面进行了分析比较,介绍了各自的优缺点,并结合实际工程情况对使用效果进行了说明.在实际应用中应根据电厂的具体情况选择采用何种防腐方式.     

一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。     

专家系统在湿式石灰石-石膏法烟气脱硫系统中的应用

探讨专家系统在火电厂湿式石灰石-石膏法烟气脱硫(WFGD)工艺中的应用.该专家系统包括咨询子系统和控制子系统两部分.以知识库为基础,通过推理机调用,实现在湿式石灰石-石膏法烟气脱硫过程中的咨询帮助和故障诊断;通过对脱硫过程的仿真,实现参数监控和故障报警;结合脱硫效率的优化模型,实现系统优化;并实现专家系统的管理、权限和打印等功能.     

Adaptive Optimal Kernel Time–Frequency Representation Technique for Partial Discharge Ultra-high-frequency Signals Classification

An intelligent system for automatic partial discharge pattern recognition is proposed using adaptive optimal kernel time-frequency representation and a fuzzy k-nearest neighbor classifier. The adaptive optimal kernel technique is employed to acquire the joint time-frequency information for partial discharge signals, which is characterized by the adaptive optimal kernel amplitude matrix. A new feature extraction algorithm, i.e., non-negative matrix factorization aided principal component analysis, is proposed to solve the difficulties of principal component analysis for feature extraction of partial discharge adaptive optimal kernel amplitude matrices due to the high dimensionality. Using an ultra-high frequency detector, 600 partial discharge signals sampled from 4 categories of typical artificial defect models in the laboratory are employed for testing. It is shown that the maximum classification accuracy of 94.33% is obtained considering different non-negative matrix factorization parameter r and various non-negative matrix factorization iterations T. Also, the classification performance of the non-negative matrix factorization–principal component analysis features is superior to that of principal component analysis features extracted from original partial discharge signals, two-dimensional non-negative matrix factorization features and phase-resolved partial discharge statistical operators. The proposed technique can be used for partial discharge pattern recognition based on ultra-high-frequency detection arrangements.     

基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析

海量用户用电特性的挖掘与分析对实现电网与用户间的双向互动具有十分重要的意义。提出一种适用于海量用户用电行为聚类及分析的算法,以降低算法时间复杂度,提升海量用户负荷数据分析效率。提取用户用电行为特征,构建多层去噪自编码网络,实现多维特征的降维;利用小批优化K均值算法进行聚类分析,并对算法进行初始聚类质心优化与超参数优化的改进以提升算法收敛速度与效果,其中超参数优化利用基于高斯过程的贝叶斯优化算法进行;利用类间分离度和类内内聚度的相关指标对聚类效果进行评价;通过互信息筛选有效聚类特征,实现用户画像。算例结果表明,所提方法在特征优化、聚类效果与收敛速度上均有较好的表现。     

改进Sammon映射算法在分析暂态稳定评估输入特征有效性中的应用

基于机器学习技术的电力系统暂态稳定评估方法中,输入特征提取的是否合理往往决定了最终的分类效果。然而,目前却缺乏一种工具去评价选择的输入特征是否具有可分性。鉴于此,引入Sammon映射算法将高维样本数据映射到低维空间中,通过观察映射点的分布情况判断提取的特征是否有效,并针对原算法的不足之处进行改进。首先利用主成分分析法(principal component analysis,PCA)求出包含原始数据信息最多的前两维主成分向量,代替原算法随机取值的方法,作为映射点坐标向量的初始值。然后,采用迭代修正法求解最终的映射点坐标向量,加快了求解速度。最后,以改进Sammon映射算法作为工具,分析IEEE 39节点系统的仿真数据和某地区实际在线历史数据提取特征的有效性,证明该算法在指导特征选择中具有良好的应用前景。     

基于独立量分析的NPC光伏逆变器故障诊断

功率开关器件是逆变器的核心部件,功率开关器件的故障诊断对逆变器的可靠运行意义重大,而功率开关器件故障特征提取技术是实现其故障诊断的技术基础。分析三电平逆变器中常见的功率开关器件开路故障,将故障类型分成典型故障与非典型故障两大类。对于非典型故障应用基于独立量分析的稀疏编码算法对逆变器输出相电压信号进行故障特征提取,并采用BP神经网络的分类器对非典型故障进行诊断。通过仿真验证其可行性,故障诊断准确率达到95%,并通过与小波分析及主元分析的特征提取算法的对比试验,说明独立量分析算法的在逆变器开关器件开路故障特征提取应用的合理性和优越性。