基于改进协方差交叉融合的多传感器数据融合研究

为提高多传感器数据融合的精度和速度,结合凸组合融合算法与协方差交叉融合算法,并采用果蝇优化算法优化协方差交叉融合算法的融合系数,提出一种改进协方差交叉融合算法,实现了多传感器数据的快速、精确融合。仿真结果表明,所提算法在x轴和y轴上的数据融合均方根误差约为3 m,融合的时间约为0.44 s,相较于多贝叶斯估计、模糊聚类、极大似然估计等数据融合算法,具有明显优势,提高了多传感器数据融合的精度和速度。     

基于数据融合的滚动轴承故障诊断研究

信息融合方法应用到滚动轴承故障诊断之中,能有效地利用传感器资源最大限度地获取旋转机械中有关被测对象的状态信息.以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过一定的信息融合分析处理,能够较为准确地识别设备的故障.     

基于多源异构数据融合的变电站风险评估研究

提出一种基于MapReduce框架下的Hermite正交基前向神经网络数据融合算法。实验将变电站实验数据、巡视数据、监测数据作为基础数据,基于数据融合后的数据进行变电站风险评估以检测数据融合的效果,并与BP神经网络算法进行对此。实验结果表明,提出的算法较BP神经网络算法在融合速度上快2~3倍,且标准误差、平均绝对百分误差较小,即变电站风险评估精度更准确,解决了BP神经网络收敛速度慢、局部极小值、网络不确定的缺点。     

基于人工神经网络和模糊推理的短期负荷预测模型

电力系统负荷预测是电力生产部门的重要工作之一,本文以人工神经网络为基础,提出了一种利用神经网络与模糊理论相结合进行负荷预测的模型。该算法克服了传统BP算法的训练速度慢、存在局部极小点的缺点,使得预测精度大有提高。实例计算表明了该算法是可行的。     

基于异构图学习的新能源出力预测模型推理方法

双碳目标背景下,具有区域特征和性能特点的新能源出力预测模型层出不穷,如何甄别利用当前存在的海量预测模型是当前实际应用中预测人员关注的问题。因此,提出了基于异构图学习的新能源出力预测模型推理方法,将新能源出力预测分为基础模型层和模型推理层。在基础模型层中,基于不同区域特征数据集对具有不同特点的预测模型进行训练。而在模型推理层,设计了“输入信息节点—输入边—模型节点—潜在联系边—预测结果”的异构图表示方法以完成异构信息的融合,并通过异构图注意力网络实现最优模型推理,从而获得精准的新能源预测结果。以中国西南某省风电场为算例对所提方法进行验证,结果表明所提方法风电预测误差低于9%,且直接迁移于无数据新建场站上的预测表现优于其他方法。     

基于L-M算法的火电厂实时数据神经网络预测模型研究

提出了一种建立在BP神经网络上的基于Levenberg-Marquardt(简称L-M)算法的火电厂实时数据神经网络预测模型,以减少训练次数和提高训练精度.通过对某电厂300MW机组高压加热器进口温度进行训练和校核,分析了数据预处理的重要性.仿真结果表明,该模型能够获得未来时刻合理的预测结果,可用于缺失数据补充和实时数据校核,提高数据可靠性,适用于在线对未来状态的评价,为状态检修提供参考依据.     

基于算法融合的自适应短期负荷组合预测模型研究

组合预测把多种单一预测方法按一定方式结合,综合利用各种预测方法所提供的信息,并在综合这些信息的基础之上进行最优组合。采用支持向量机(SVM)实现分时段变权重组合预测,描述多种方法的预测结果与实际负荷的非线性关系,并采用改进粒子群(PSO)与模拟退火(SA)自学习融合的协同优化方法SA-MPSO对SVM模型参数进行优化,用两种不同特性的测试函数对该优化算法的收敛性进行测试,通过多次测试平均值验证其收敛性。实例仿真中,SA-MPSO优化的SVM模型实现对三个不同预测模型的组合,预测结果表明,该方法除了避开传统组合预测模型权重复杂求取问题,且参数优化自适应能力强,有利于预测精度的提高。     

多传感器测量数据信息融合

文中针对不同传感器测量数据无法直接融合,提出各传感器测量数据都统一到地心地固坐标系下进行滤波与融合的方法,并分析站位误差对该方法滤波与融合结果的影响.     

一种基于信息融合的空间目标高精度定轨方法

多信息融合体制是空间目标精密定轨的必然要求和发展趋势.给出了基于多源信息融合的空间目标定轨系统思想,讨论了信息融合的概念,给出了信息融合定轨系统框架.针对不同类型和单位的观测数据,着重研究了多源信息融合的空间目标精密定轨方法和相应的批处理和序贯处理的融合定轨算法.最后对基于天地基联合测控系统的多元异质信息一体化融合定轨的原理、构成和数学模型进行了分析和仿真.仿真表明,相比单技术定轨而言,提出的融合模型和融合算法在显著提高计算效率的同时改善了参数估计的精度及可靠性,实现了空间目标的高精度轨道确定.     

基于大数据的配电网故障诊断预测模型设计

针对传统基于无线传感器的配电网故障检测模型对大数据环境下的配电网故障数据存在诊断准确率低、故障诊断耗时较长以及经济效益较低的问题,设计基于大数据的配电网故障诊断预测模型,其采用RSIA模型对大规模故障信息进行智能搜索,计算出最优约简得到决策规则,实现对配电网故障发生位置的初步定位。采用基于模糊积分的故障诊断预测模型,根据初步诊断结果确定发生故障的候选元件及模糊测度值,根据拓扑信息以及元件的诊断结果形成不同相关联度的支持度集合,采用模糊积分融合技术确定模糊积分值构成故障可能性指标集合,根据该指标确定配电网故障发生的准确位置。实验结果说明,所设计模型能提高大规模配电网故障诊断的精度,缩短诊断用时,提高配电网的安全性。     

无损检测中的基于模糊神经网络数据融合技术

数据融合是一门正在飞速发展的信息处理技术,它能从多源信息中融合信息,减少信号的不确定度并再现出一个全面的信源。传统的数据融合模型大都建立在统计理论模型之上。存在的缺点主要表现在要求先验知识,应用领域受到限制。基于模糊神经网络的数据融合是一个新的领域,本文给出了一种适用于多传感器数据融合的模糊神经网络结构。文末给出了它在无损检测中的应用。文章对该模型的实现及其特点进行了详细讨论。它在无损检测中的应用表明该模型解决了传统模型中存在的问题,同时表明该模型也可用在其它许多领域。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点.在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性.此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度.传统的电机故障...     

基于改进遗传算法的渗压分析

针对具体工程情况，建立了渗压的回归分析模型，用改进遗传算法进一步对模型的各项系数进行了全局寻优。通过与解析法所得模型的比较，证明了该改进遗传算法的有效性。     

基于电力消耗的行业总产值预测模型及算法研究

在“大数据”技术背景下,获取广东省规模以上工业企业电力消耗及总产值月度数据,基于人工神经网络结构建立行业总产值预测模型,并提出一种新的带抱团行为的粒子群优化算法完成对神经网络预测模型的参数优化,进而实现各行业基于电力消耗的总产值有效预测。仿真分析表明,新的改进型带抱团行为的粒子群优化算法具有更快的收敛速度和更高的寻优精度,能够有效地优化神经网络模型参数,实现基于电力消耗的行业总产值的有效、可靠预测。     

基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。     

基于灰色模糊预测的智能配电网大数据调度算法

针对智能配电网大数据服务系统存在数据量大、信息复用困难、调用跨度大等问题,提出了一种基于灰色模糊预测的配电网大数据调度算法（SGFP）。基于灰色模糊预测方法对配电网管理人员和客户潜在需求进行预测,对多服务器中流动数据实施预存取与调度,从而避免和减少了智能配电网大数据服务系统中出现的存取瓶颈和大跨度调用现象。SGFP算法的性能在面向社区用户的用电互动服务系统中有所体现,相较于目前常用算法其预取数据的响应速度与准确度具有较大优势,系统资源开销较低,具有较高的性价比。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

基于星地融合的输电线路覆冰预警优化方法研究

输电线路覆冰预测对保障电网安全具有重要意义,随着气象条件日趋复杂,为了提升输电线路覆冰预测的准确性和及时性,依托现有的覆冰预测模型,提出了一种基于卫星气象和地面气象站点数据的星地融合气象要素反演方法。对覆冰预测模型中核心气象输入参数(如温度、降水、风速)预报精度进行优化提升,进而提高复杂气象条件下输电线路覆冰预警精度。以浙江某输电线路为实验区,实验结果表明文中方法对温度和降水的预报效果提升较为明显,提前72 h输电线路覆冰预报的准确度相对于24 h预报准确度没有明显的下降,对于24 h~72 h的覆冰预测预警有较好的指导意义。     

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。