基于深度学习的翼型气动弹片流场参数预测

弹片是解决翼型流动分离的重要技术手段,合理的弹片参数对翼型表面压力分布尤为重要。基于数据驱动的深度学习方法与计算流体力学(Computational Fluid Dynamics, CFD)相结合,可快速有效地完成对复杂流场特征的识别与提取。本文提出一种基于卷积神经网络(Convolutional Neural Network, CNN)的翼型表面压力分布预测方法,通过提取流场的尾流速度、压力等流动特征构建翼型表面压力分布的预测模型。首先,通过数值模拟计算了8种不同抬起角度的NACA 0012弹片翼型的流场;其次,采用提取的流场数据建立CNN预测模型;最后,将预测值和CFD计算值进行对比。结果表明：基于CNN的预测模型对翼型表面压力系数分布有较高的预测精度,其中尾流速度模型在弹片抬起角度为15°时的预测均方根误差仅为0.1,说明尾流速度中包含丰富的流场信息。     

基于深度学习的上倾管气液两相流流型识别

针对目前两相流流型识别率不高且通常依赖精密仪器获取流型特征等问题,提出一种基于深度神经网络的流型识别方法。通过文献报告中已收集的流型数据集,分析影响流型的关键变量,利用粒子群优化后的深度神经网络结合Softmax分类器在Tensorflow平台上进行训练,并将其分类结果与统一模型进行对比。结果表明：流型识别的最终综合识别准确率在97.44%;流型分类结果与流型统一模型基本一致;与目前流型识别的主流方法相比,具有特征易提取、神经网络模型收敛速度快等优点。     

基于深度学习的居民区识别在电力线规划中的应用

针对高压输电线路规划设计中居民区数据难以精准获取的问题,采用人工智能算法,提出了基于深度学习的遥感影像居民区自动识别方法。在Matconvnet框架下,利用迁移学习技术在小样本情况下开发了一套针对多源遥感影像的居民区检测系统。以陕西省宝鸡市为例,对算法进行验证,结果表明,该算法居民区识别精度优于93%,能很好地满足高压线规划设计中对居民区数据的需求。     

基于领域自适应的变压器状态识别

针对变压器状态智能识别方法泛化能力不足的问题,提出一种基于领域自适应的变压器状态识别方法。首先,使用多尺度时频分析方法挖掘变压器振动信号中的状态信息和固有属性,构建完备的变压器状态描述特征空间;然后,使用一种基于流形嵌入和动态分布对齐的领域自适应方法,以减少领域偏移带来的负面影响,并且动态评估和量化流形特征的边缘分布和条件分布;最后,基于结构风险最小化原则迭代训练得到变压器状态识别分类器。测试结果表明所提方法在一定程度上改善了变压器状态识别分类器泛化能力低的问题。     

基于CNN-LSTM深度学习的燃烧不稳定性检测方法研究

提出了一种基于高速火焰图像序列的深度学习模型来检测燃烧不稳定性．模型以高速火焰图像序列作为输入,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)同时学习图像序列的空间特征和时间相关性,输出燃烧不稳定性检测结果．利用旋流燃烧室多种工况下稳态和非稳态的瞬态火焰图像数据集验证模型的鲁棒性和准确性．该深度学习模型被证明是一种潜在的燃烧不稳定性检测工具,并有望成为一种很有前途的燃烧不稳定性预测工具．     

基于混沌理论和CNN-OSVM的水轮机空化状态识别方法

针对水轮机空化声发射(AE)信号非线性强,导致水轮机空化状态识别准确度不高的问题,建立基于混沌理论和卷积神经网络结合优化支持向量机(CNN-OSVM)的水轮机空化状态识别方法。对不同空化状态下的水轮机空化AE信号进行相空间重构,获得相图作为数据集,通过卷积神经网络提取不同空化状态下的相图特征,输入经网格搜索算法结合K折交叉验证算法全局参数寻优的优化支持向量机分类器完成空化状态识别。结果表明：输入混沌相图数据集的CNN-OSVM模型能够准确识别4种空化状态,平均准确率高达98.8%;同时证实相较于CNN模型、OSVM模型,CNN-OSVM模型对非线性信号分类具有更高的识别准确率和泛化性。     

基于深度学习的输电线路绝缘子缺陷识别

传统的绝缘子缺陷识别为人工识别,效率低下,成本较高.为此,提出一种绝缘子缺陷自动识别方法.首先,采用随机森林分类法进行图像分割,实现绝缘子的目标识别;然后,采用卷积神经网络的方法实现绝缘子正常和缺陷状态的分类;最后,使用Faster R-CNN分类器实现自爆缺陷的定位.以无人机拍摄的大量绝缘子图片作为试验数据进行验证,...     

基于深度卷积神经网络的转子轴心轨迹智能识别

转子轴心轨迹作为转子故障的典型特征之一,可以提供更具代表性的故障特征信息。对转子轴心轨迹形状进行准确识别是构建转子故障特征征兆的基础。为提高转子轴心轨迹形状识别的泛化能力,提出一种基于深度卷积神经网络的转子轴心轨迹成像及形状识别方法(DimShapeNet)。将转子轴心轨迹映射到二维数字图像中,利用反灰度化预处理方法,去除二维数字图像中多余的颜色信息;将预处理后的转子轴心轨迹数字图像输入深度卷积神经网络中进行训练。结果表明：经过反灰度化预处理的转子轴心轨迹数字图像在深度卷积神经网络的训练中更有优势;相比于传统的转子轴心轨迹形状识别方法,基于深度卷积神经网络的转子轴心轨迹形状识别方法具有更高的准确性和更好的鲁棒性。     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

基于迁移学习的复杂环境下输电杆塔异常振动识别

架空输电线路杆塔所处环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对杆塔异常振动识别准确率降低.为改善识别模型偏差问题,文章提出一种基于领域适配深度迁移学习的杆塔异常振动识别方法.通过一维卷积神经网络实现不同环境条件下异常振动信号的自动特征提取,并引入迁移学习,实现复...     

基于改进深度学习的电力营销数据异常识别研究

电力行业发展对国民经济发展具有显著影响,在社会发展过程中电力企业发挥着重要作用。电能的销售工作实际上就是电力营销,其涉及到抄表、业扩报装以及核算等多个步骤。在电力企业发展过程中,异常电力营销数据对于各相关方的利益均带来不良影响,并且对于我国经济的发展也起到一定的阻碍作用。随着人工智能技术的不断发展,改进深度学习以其优异的数据处理能力、强大的态势感知能力,可以用于电力营销数据的异常识别。     

基于深度学习框架的供水管网压力异常实时诊断方法

为有效减少供水管网的漏失,诊断异常压力数据十分必要。在数据采集与监视控制(SCADA)系统中引入异常诊断模型,提出一种基于深度学习框架的异常诊断方法。该方法先利用卷积神经网络模型(CNN)对压力进行预测,再计算压力预测值与实际值的误差并进行离群点诊断,若异常值持续时间较长,则可能发生漏失。以D市供水管网模型为例,利用该模型对16个监测点压力数据进行诊断并与ARIMA诊断模型进行对比。结果表明,CNN模型能够准确地诊断供水管网的压力异常数据。     

基于深度学习的储能锂离子电池健康状态估计

锂电池储能系统在促进大规模清洁能源并网和保证电网稳定运行等方面发挥着重要作用。针对储能锂离子电池运行过程中的健康管理问题,提出了一种基于深度学习的储能锂离子电池实时健康状态估计方法,利用注意力机制的长短期神经网络,实时评估站内电池单体及电池簇的健康状态。通过对输入特征进行注意力加权,强化参数敏感性较高的特征在模型训练时的作用,以获得更高的估计精度。为验证该模型的有效性,利用公开数据集及实际储能锂离子电池运行数据,分别对储能电池单体及电池簇进行健康状态估计,实现了比传统神经网络方法更高的估计精度。     

基于深度学习LSTM对自来水厂加药预测

自来水厂在加药絮凝沉淀净化部分存在药品利用不完全或者加药过量的问题.为精确预测并控制加药量,将深度学习LSTM神经网络应用其中,通过树莓派端侧的计算,根据不同的水流量、水温、浊度等,预测不同加药量,并进行精准地投放.该设计方案利用神经网络的自适应性,节省加药量,使浊度指标达到我国国家标准.     

基于深度学习的配电线路瓷绝缘子缺陷识别

考虑当前方法在识别瓷绝缘子缺陷时,受到缺陷类别的影响,导致识别精度较低的问题,提出了基于深度学习的配电线路瓷绝缘子缺陷识别方法。根据瓷绝缘子可靠性测试原理,采用兆欧表测试配电线路电源电压,通过计算配电线路的电源负载特性,引入测试电压波纹系数,对配电线路瓷绝缘子缺陷进行电子信号检测。根据配电线路瓷绝缘子表面的缺陷区域分布规律,计算瓷绝缘子缺陷图像的深度学习中心和隶属度函数。利用深度学习特征的最佳数量,定位检索配电线路瓷绝缘子缺陷特征,通过对瓷绝缘子缺陷图像的二值化处理,实现配电线路瓷绝缘子缺陷识别。实验结果表明,所提方法在识别瓷绝缘子脱落、灼蚀时缺陷识别指标都达到了9,破损时缺陷识别指标均控制在8以上,具有较高的识别精度。     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

基于深度强化学习的风储合作决策方法

目前,风电场配置储能是提高风电经济性较为有效的手段。针对最大化风储合作收益问题,提出一种基于深度强化学习的风储合作决策方法。首先,综合考虑风电、储能系统、外部电网以及需求侧柔性负荷,构建一种新型风储合作系统;然后,针对传统深度强化学习方法易陷入过估计问题,提出改进双竞争深度Q网络（D3QN）,并进一步设计基于D3QN的风储合作决策算法;最后,结合实际数据对算法进行仿真验证,结果表明相比传统深度强化学习策略,所提方法能更好协调风电和储能运行,提高风储合作系统的运行收益。     

基于小波变换和混合深度学习的短期光伏功率预测北大核心CSCD

准确的短期光伏功率预测对于保证电能质量及提高电力系统运行可靠性具有重要意义。为此,文章提出了一种基于小波变换和混合深度学习的短期光伏功率预测方法。首先,将天气类型分为理想天气(晴天)和非理想天气(多云、阴天等)。对于理想天气,将历史光伏功率时间序列转化为二维图像作为混合深度学习模型(Hybrid Deep Learning Model,HDLM)的输入。对于非理想天气,使用小波变换对历史光伏功率时间序列进行分解,将得到的分量和气象参数转化成三维图像作为HDLM的输入。在HDLM中引入并行结构,由多个并列卷积神经网络和双向长短期记忆网络组成。实验结果表明,在理想天气和非理想天气条件下,所提短期光伏功率预测方法均具有较高的预测精度。