基于物元分析的火电机组节能减排评价

随着国家火电机组的节能减排力度的加大,国内多数火电机组都将进行节能减排技术改造.为了能够合理评价电厂节能减排的潜力和状况,在根据火电厂运行指标的特点建立火电厂节能减排指标体系的基础上,建立了基于物元分析理论的节能减排评价模型,并选取5台发电机组进行实例分析,得出的结果与实际情况相符.这说明物元分析理论对发电机的节能减排改造有指导作用.     

大型燃煤火电机组节能评价与系统优化

加强大型燃煤发电机组的能效分析与节能管理,有效降低已投运机组的能耗水平,在当前仍然是重要和紧迫的任务。基于系统节能评价技术与耗差分析方法,选取两台当前火电主力600 MW等级机组,按照科学的节能评估方法学,通过对系统、设备运行经济性水平开展系统性评估,准确掌握当前能耗水平偏差,科学识别和分析节能潜力,有针对性地提出系统的节能技术改造、检修优化措施,取得了良好的节能降耗效果。     

基于云理论改进AHP的泵站节能增效综合评价

大型梯级泵站的运行过程是一个多指标参与、多层次驱动的复杂系统工程。针对泵站节能增效指标响应评价不确定性问题,选定宁夏盐环定扬黄灌区为研究对象,基于云理论对标准Satty标度进行改进,将云模型的3个特征数字期望Ex、熵En、超熵He引入到传统层次分析法中,采用方根法对构造的判断矩阵进行计算,进而得到了泵站节能增效响应评价的云模型权重。研究结果表明:泵站节能增效的18个影响因子的期望Ex、熵En和超熵He的范围分别为0.020～0.151、0.002～0.192、0.002～0.196,均为"微敏感"因素,响应较为强烈的是Z_1优化调度模型和Z_2变频调速技术。这表明,单个指标的优化对泵站系统整体效率的提升作用并不明显;响应较为强烈的指标均对应Y_1运行调度系统响应层,这也表明运行调度层面的效率提升潜力优于泵站硬件方面的提升。采用基于云理论改进的层次分析法对泵站节能增效指标进行评价,量化了传统层次分析法评价过程的不确定度;对评价结果的随机性和模糊性的有效限定,提高了评价结果的抗变换性。该评价模型可为大型梯级泵站节能增效综合评估提供一种新思路。     

基于云模型构造BPA的瓦斯监测证据合成算法

煤矿瓦斯监测中,利用D-S证据合成方法实现多传感器信息融合可以提高系统整体决策和预警能力.根据煤矿安全规范设定区域危险等级,使用云模型建立危险等级属性隶属度曲线簇,输入传感器检测量提取各属性隶属度作为D-S融合的基本概率赋值.为了实现高度冲突证据合成,提出D-S与加权平均法混合的分步证据合成算法.仿真结果表明文中提出的算法合成高度冲突证据时,具有令人满意的收敛效果.     

基于证据理论的信任模型中冲突证据

基于证据理论的信任模型是常用的信任模型之一,且证据理论是一种具有良好理论基础的不确定性推理方法。为了解决证据收集以及冲突证据合成可能会产生不合理结果的问题,通过改进证据收集方法提高证据质量,同时结合证据距离、相似度、支持度和可信度,在证据合成过程中将冲突证据进行重新分配。实验结果表明：改进的证据合成机制提高了合成证据的合理性,使得信任计算结果更为可信。     

基于粗糙集和D-S证据理论的云网络风险评估

提出了一种基于粗糙集和D-S(Dempster-Shafer)证据理论的云网络风险评估方法。该方法把云网络中针对虚拟机的网络攻击行为作为安全要素,首先,构建云网络风险系统,根据属性依赖度对云网络风险系统进行分解;其次,利用属性重要度对这些子风险系统进行约简;再次,利用粗糙集与D-S证据理论之间的联系,计算各个子风险系统的基本信任分配函数;最后,通过D-S证据理论的合成规则对多个证据进行合成,得到云网络所处安全状态的概率,从而评估云网络的风险。通过实例验证量化网络攻击行为对虚拟机层和物理机层的影响,结果表明,所提出的方法可以实现云网络风险评估。     

基于神经网络与D-S证据理论的目标识别

针对目标识别中基本可信度分配需要专家知识在实际中难以实现的问题,提出一种基于神经网络和D-S证据理论相结合的多传感器数据融合的方法.该方法利用D-S理论来表示和处理不精确的、模糊的信息,发挥神经网络的自学习、自适应和容错能力,提高了系统识别率.最后通过实验,利用神经网络来处理证据理论中的基本可信度分配问题,对几种空中目标进行身份估计数据融合,经计算机仿真证实了该方法的有效性.     

D-S证据理论中冲突证据的合成方法

针对高度冲突证据的合成问题,分析了D-S合成方法及其改进方法的不足,提出了一种新的改进方法。新方法仍利用D-S合成公式,但针对该公式要求参与合成的各证据需具有相同重要程度的要求,考虑到融合系统中各证据的重要程度可能不同,直接利用公式合成可能得到与实际相悖的结论,因而引入证据权的概念,给出了证据权的具体算法,通过证据权对已有的基本可信度分配函数进行修正得到了重要性相同的新的证据的基本可信度分配模型。最后通过算例比较表明新方法的合成结果更为理想。     

基于PCA和改进TOPSIS法的火电机组运行综合评价

为提高火电机组运行管理水平,实现经济运行的目的,针对火电机组的运行特点,提出了一种基于主成分分析法(PCA法)和逼近理想解排序法(TOPSIS法)相结合的火电机组运行综合状态评估方法。采用PCA法来对火电机组运行指标进行降维处理并基于主成分的贡献度来确定指标的权重,同时采用马氏距离代替传统TOPSIS法中的欧式距离,从机组可靠性和经济性方面对火电机组运行状态进行综合评价。通过对5台机组进行实例计算,结果表明：该方法所得的评价结果更加准确合理,可以为不同电厂机组之间进行运行优化以及竞赛提供良好的方案。     

基于证据理论的抗击巡航导弹袭击方法研究

巡航导弹在现代战争中的作用越来越重要,对地面目标的威胁也越来越严重.本文提出了一种在数据融合的基础上利用证据理论有效选择干扰手段防御巡航导弹的方法.实验结果证明了该方法的有效性.     

基于LEAP模型的京津冀地区道路交通节能减排情景预测

为了解决道路交通带来的能源消耗、温室气体及大气污染物排放问题,采用情景分析法,以京津冀地区为例,应用长期能源替代规划系统(LEAP)模型构建了京津冀地区道路交通部门的能源与环境排放模型,对不同情景下2015—2030年的能源消耗、CO_2及污染物的排放情况进行了预测分析.结果表明:京津冀地区各政策情景中,提高燃油经济性情景的节能效果明显,节能率为22.4%.高排放车的淘汰短期节能效果最佳,节能率为19.1%,但长期效果不明显.北京市新能源汽车推广情景的CO_2、NOx长期减排效果最佳,天津市、河北省提高燃料经济性情景的CO_2、CO、NOx、PM2.5减排效果最好.相对于基准情景,2030年综合情景下京津冀地区的节能率为37.1%,CO_2减排率可达到36.8%,其中对污染物CO、HC的减排效果最佳,减排率为45.7%、43.8%.     

基于云理论的河流生态影响综合评价

针对河流生态影响综合评价中存在的随机性及模糊性问题,采用云理论建立了河流生态云综合评价模型.该模型有机地结合了不确定性概念的模糊性和随机性,既用隶属函数描述了评价等级的模糊性,又利用超熵概念考虑了隶属度本身存在的随机性,更符合实际评价对象.应用该模型对北运河生态影响进行了综合评价,结果表明,北运河受闸坝影响较严重,生态状况处于亚健康状态,需要通过工程及非工程措施对其进行生态修复.云评价模型与传统评价方法比较结果表明,云综合评价模型计算简便,结果可靠,方法可行,适用于多种综合评价问题.     

基于D-S证据理论的园区物流企业迁移评价模型研究

在总结物流园区特征指标的基础上，结合园区企业迁移的心理需求指标，利用D-S证据理论进行协同处理。将不同企业对园区的心理需求作为识别框架，使园区的特征指标能够反映企业的心理需求变化，以推动企业入驻物流园区，保持物流园区的稳定与繁荣。     

基于Matlab的火电机组一次调频仿真模型研究

电力系统中大型发电机组一次调频性能是衡量系统控制水平和稳定可靠特性的重要指标之一.随着电力电子技术、计算机技术、通信技术的不断成熟,数字电液控制系统(DEH)以及协调控制系统(CCS)在电厂中逐步完善并得到广泛的推广.常规的机组调频只利用DEH系统考虑暂态稳定控制特性,而没有充分考虑机组一次调频时控制系统问的相互协调.为了获得能够快速响应电网调度,且保证机组安全经济运行的综合协调控制系统,将DEH系统与CCS系统相互协调配合组成发电机组综合协调控制系统,利用MATLAB软件编写相应的仿真程序,验证了发电机组一次调频特性综合协调控制系统的可行性和准确性.     

D-S证据理论合成规则的一些修正

在多传感器数据融合中,D-S证据理论对于处理不确定性问题是一种有用的方法。但是,D-S证据组合规则的一些不足影响了证据理论的应用。虽然Yager对此做了改进,但改进后的组合公式仍然存在问题。通过分析证据理论中关于冲突证据置信度分配中存在的问题,针对时域冲突的特点提出一种新的合成规则改进方法,由此弥补了D-S理论和Yager合成公式的不足,对于在时域上高度冲突甚至完全冲突的证据,能够取得理想的结果。     

模糊神经网络与证据理论的飞机目标敌我识别

为满足复杂环境下目标敌我属性识别能力,提出了一种基于模糊神经网络（FNN：Fuzzy Neural Net-works）和证据理论的新敌我识别方法。该方法利用模糊神经网络和证据理论信息的处理能力,将敌我识别器（IFF：Identification Friend-or-Foe）、电子支援措施（ESM：Electronic Warfare Support Measure）、雷达及红外获取的信息融合,进行敌我识别。仿真结果表明,该方法的识别能力明显优于单一模糊神经网络分类器,识别率达0.994,同时具有很强的容错性和一定的抗干扰能力,更适合战场需要。     

基于改进证据理论的中速磨煤机故障诊断

作为锅炉的重要辅机设备,磨煤机现场工作环境复杂,各种参数的变化起伏不同,故障时其运行信号容易出现冲突、噪声和延迟等问题。针对此问题,提出了一种小波去噪重构与改进后的证据理论相结合的目标模式识别方法。首先通过故障状态时主要参数的变化确定原始证据信号并利用典型样本法来构造信度函数。在此基础上,利用峰效比和相关函数选择最佳小波基来对原始证据信号的数据进行去噪重构处理;同时,利用信度函数获得处理后证据信号数据的信度值。最后引进证据权重改进证据理论融合公式,运用改进后的证据理论进行融合得出识别结果。磨煤机实际运行结果表明,该方法能提前80 s判断磨煤机处于故障状态,有效改善信号延迟和冲突的问题,且对目标模式的支持度增加,提高了故障状态识别的准确性。     

基于BP神经网络和D-S证据理论的损伤识别方法

目的有效利用结构健康监测系统中的多源传感器数据信息，进而提高复杂结构健康状况的正确诊断率.方法将BP神经网络与数据融合理论中的证据理论有机融合，提出一种决策级数据融合损伤识别新方法.为了验证所提方法的有效性，用1栋7自由度剪切型建筑模型的6种损伤进行了检验.结果研究发现，将BP网络和D-S证据理论相结合的综合诊断模型，可以有效地提高一些损伤模式的诊断率，具有良好的适应性.结论笔者所提方法优于单一信息建立模型的识别能力，表明它具有较好的容错性和识别精度，用于健康监测和损伤检测是可行的、有效的.