含水合物松散沉积物声速剖面成像技术研究

本文基于射线理论的超声层析成像技术,采用自适应消噪技术除去天然气水合物（NGH）实验模型固有噪声,运用直射线追踪法和基于联合迭代重建算法（Simultaneous Iterative Reconstruction Techniques, SIRT）的迭代重建法实现超声层析成像的正演和反演,针对水合物实验获取的波形,得到NGH在松散沉积物中形成时的地层声速剖面结构图像。结果表明,使用超声层析成像技术获取的含NGH沉积物的二维声速剖面结构能够准确反应不同时刻沉积物中NGH饱和度及分布情况,并且纵横波速度剖面结构的变化趋势大体相同。同时本文也结合常用的NGH声速预测模型,针对实验数据,对声速与NGH饱和度之间的关系进行了讨论。     

基于mRMR和MA-RELM的火电厂出口SO2质量浓度预测

提出一种基于最大相关最小冗余(mRMR)算法和蜉蝣算法优化正则化极限学习机(MA-RELM)的出口SO₂质量浓度预测模型。通过机理分析确定初始输入变量,利用改进的时延分析方法对初始输入变量进行时延补偿,采用mRMR算法对各个初始输入变量进行重要性排序,搭建正则化极限学习机(RELM)预测模型,并利用蜉蝣算法确定模型参数。结果表明：与最小二乘支持向量机(LSSVM)、长短期记忆网络(LSTM)和极限学习机(ELM)相比,RELM预测模型的均方根误差分别降低了36%、38%和26%;与粒子群算法(PSO)和灰狼算法(GWO)寻优后的模型相比,MA-RELM预测模型误差最低,该模型能够对出口SO₂质量浓度进行准确预测。     

以多尺度颜色小波纹理特征为基础的工业炉火焰图像分割研究

分割火焰图像最常用的方法是分类算法,而使用这种算法最大的缺陷在于当像素点数增高时,分割图像的耗时就越大。通过以火焰图像采集装置来采集研究样本,提出了一种可以加快分割速度的方法及运用多尺度颜色小波纹理特征为基础的工业炉火焰图像分割法,经过对图像特征矩阵进行压缩,采用分类算法获取压缩尺度火焰区域并检测其边缘;根据压缩尺度火焰边缘进一步检测其在原始尺度区域,构建边缘区域特征矩阵并进一步检测,从而得到原始尺度火焰区域图像的目的。     

基于SAPSO-RVM的大坝变形预测模型及应用

鉴于支持向量机(SVM)存在结构稀疏化不足、缺乏概率信息等缺陷,将性能更具优势的相关向量机(RVM)理论引入到大坝变形预测的应用中。选择高斯径向基函数作为RVM模型的核函数,核参数用基于模拟退火的混合粒子群算法(SAPSO)进行寻优,进而建立SAPSO-RVM回归预测模型。实例应用结果表明,RVM模型的向量数量远小于SVM模型,在保持良好泛化能力的前提下计算结构得到简化,混合粒子群算法相较于一般粒子群算法其全局寻优能力也有所提高,SAPSO-RVM模型回归预测精度较高。     

基于改进SSD算法的光伏组件缺陷检测研究

为了解决无人机巡检光伏组件的效率和识别准确率低的问题,提出了一种基于超分辨率和双池化融合的光伏组件缺陷检测方法。首先,使用生成对抗网络（GAN）对光伏组件图像数据进行扩展,建立可用于光伏电站缺陷目标检测的图像数据集;然后,构建图像超分辨网络,减小图像数据集的噪声和提高局部区域的纹理特征。最后,将单次多边框检测（SSD）的主干网络替换为双池化方式融合的特征提取网络（VGG19＿MP）,在不提高网络参数的情况下,学习更深层次的纹理结构。结果表明基于超分辨率网络和双池化融合的光伏组件缺陷检测算法精确率达到了98.21%,平均检测时间为0.066 s,相较于对比的检测算法提高了0.9%～9.1%,平均检测时间提高了0.01～0.07 s,为光伏组件缺陷的精确识别提供了更有效的检测方法。     

下行床内颗粒浓度的电容层析成像测量的研究

利用电容层析成像(electrical capacitance tomography,ECT),以非侵入的方式,对下行床内气固流动情况进行测量研究。针对下行床内固体颗粒浓度低的特点,采用了SIRT图像重建算法,得到了高质量的ECT图像。在颗粒流量和流化风量变化的情况下测量了不同截面固体颗粒体积份额平均值的变化,得到了下行床内气固流动规律。实现了快速的下行床内粉粒体的ECT在线可视化测量,具有较大的工程和学术价值。     

基于模糊规则和支持向量机的凝汽器故障诊断

有向无环决策图支持向量机(DDAGSVM)算法是在支持向量机1-v-1算法基础上,引入了图论中有向无环图的思想而构建的多分类方法.它将多个支持向量机1-v-1两类分类器组合成一个带有根结点的多层的有向无环决策图来实现分类,它建立在结构风险最小化原理基础之上,能在训练样本较少的情况下得到很好的分类效果.在总结汽轮机凝汽器常见故障的基础上,建立了凝汽器典型故障集,通过模糊规则获得凝汽器故障征兆知识库,采用DDAGSVM算法对小样本情况下凝汽器设备典型故障诊断进行了研究,实例计算表明DDAGSVM算法具有较高的诊断准确率.     

迭代正则化电容层析成像图像重建算法

图像重建算法对于电容层析成像(Electrical Capacitance Tomography,ECT)可视化测量方法的成功应用至关重要。文章提出了一个新的重建算法以改善ECT图像重建质量。新方法构建了一个新的目标函数,将ECT图像重建问题转化为一个最优化问题;基于分裂Bregman方法,提出了一个新的迭代方法,有效地求解该目标函数。仿真计算结果表明,提出的新算法能够确保ECT图像重建的数值稳定性,显著改善图像重建质量,为ECT图像重建提供了一个有效方法。     

基于机器视觉的风电叶片风沙侵蚀程度检测方法研究

提出一种基于机器视觉的风电叶片表面无损检测方法,可快速检测出叶片表面有无缺陷。该方法结合机器视觉理论和图像处理技术,通过对采集到的叶片图像进行灰度化、空间滤波、图像增强、图像分割、图像去噪、形态学重建等算法,实现对叶片缺陷损伤区域的识别与特征参数的提取,可降低噪声和人工判读对叶片表面缺陷精度的影响,可为今后叶片无损检测的自动化和数字化提供参考。     

基于声学层析成像的炉内温度场重建算法研究

为了获取快速准确的锅炉温度场在线监测信息,提出了一种基于声学层析成像(AT)测量的代数重建-神经网络(ART-NN)温度场重建算法,该算法结合了代数重建方法(ART)和BP神经网络方法的优势.采用该算法对多种典型的温度场模型进行数值仿真,分析了算法的重建结果和稳健性,并利用实验研究进一步评估该算法的性能.结果表明:ART-NN算法的重建质量和稳健性要优于Tikhonov正则法、Landweber迭代法和ART方法,为提高锅炉炉膛温度场重建质量提供了一种有效方法.     

水平管内两相流动网丝电容层析成像

1引言过程层析成像技术以两相流为主要研究对象[1],利用两相之间的物理性质的不同来确定两相流的相分布,达到成像的目的。实际工业过程考虑到安全性、经济性及速度的要求,电学层析成像技术成为首选方案,主要包括电阻过程层析成像(ERT)及电容过程层析成像(ECT)。非介入式的ERT和     

PSO_SVM软测量方法在火电厂煤质发热量测量中的应用

为了对电厂煤质发热量进行简单准确的测量,在煤质发热量理论研究的基础上,提出了利用支持向量机算法进行软测量。对支持向量机的数学原理进行分析后,利用某燃煤电厂的运行数据,构建了支持向量机模型。在构建模型过程中引入了PSO(粒子群优化算法)寻找模型中涉及的惩罚参数c和核函数参数g的最优值,然后利用最优值构建了PSO-SVM软测量模型,模型的测试结果表明:PSO-SCM模型相对误差集中在1%以内,CV(交叉验证法)建立的SVM模型相对误差在1.5%左右,而常用的BP(按误差逆传播算法训练的多层前馈网络)神经网络模型得到的相对误差只能保证在3%以内,可见PSO-SVM款测量模型对煤质发热量的测量更准确。     

光伏跟踪系统中太阳光斑质心定位的算法研究

以图像传感器为硬件基础,采用图像处理技术研究设计了光伏跟踪系统。定位太阳光斑质心的过程,是跟踪装置的一个闭环自动调节过程,即以视日跟踪模式为主要工作方式,把图像处理机制的处理结果作为反馈对跟踪装置进行二次调节。通过两者的结合,光伏跟踪系统能以较高的精度实现太阳方位的实时跟踪。在系统设计方案中,图像处理机制起关键作用,其中包括图像的去噪、二值化、提取边缘、质心定位,有效地运用并改进其相关算法,才能保障跟踪装置的精度,全文重点讨论了这些算法的处理过程。     

包含高渗透率分布式电源的母线负荷区间预测

针对包含高渗透率分布式电源的配电网母线负荷预测问题,不同于传统的点预测方法,提出了一种基于模糊信息粒化支持向量机的区间预测方法。采用支持向量机作为基本算法,在一定时间窗口内采用信息粒化的模型将历史数据进行粒化,将指定时间窗口内的数据采用支持向量机进行训练,并得到给定区间内的包含高渗透率分布式电源的配电网母线负荷区间预测结果。以某省会城市某110 kV母线负荷作为算例进行分析,结果表明,所提方法可以准确跟踪母线负荷在预测区间内的变化情况,对包含高渗透率分布式电源的母线负荷变化区间和趋势可以做较为精准的预测。     

基于集成深度玻尔兹曼机和最小二乘支持向量回归的燃烧过程NO_x预测算法

通过研究燃烧过程中的火焰自由基图像与NO_x排放之间的关系,提出了集成深度玻尔兹曼机和最小二乘支持向量回归的NO_x预测算法.首先采用深度玻尔兹曼机对4类火焰自由基图像(OH*、CN*、CH*和C*_2)进行自动图像特征学习,然后用最小二乘支持向量回归来拟合图像特征与NO_x排放量之间的关系,进而对NO_x排放量进行预测.结果表明:NO_x排放预测值与NO_x排放参考值具有一致性;与已有的基于图像的NO_x预测算法相比,所提方法在预测精度方面具有明显的优势.     

基于改进向量序优化算法的V2G电动汽车充电站规划方法

电动汽车的充电负荷将极大影响配电网的安全稳定运行,提出一种基于改进向量序优化算法的V2G电动汽车充电站规划方法。首先,对电动汽车可调用的动态功率进行建模;然后构建考虑充电站全寿命周期成本和配电网安全经济运行的多目标规划模型;在此基础上,提出一种基于分散优化理论的改进向量序优化算法,求解得到最优规划方案。最后,以IEEE33节点配电系统为算例,验证了本文方法的有效性和科学性。     

基于多层感知器的气液两相流流型识别方法

通过对电阻层析成像数据采集原理和深度学习网络的研究,提出了一种基于阵列电阻值和多层感知器深度学习网络相结合的流型识别方法。利用电阻层析成像系统中的16个电极传感器来获取流型样本数据,并构建出流型识别数据库,然后对多层感知器深度学习网络进行训练,获得可以识别不同流型的网络。实验结果表明,采用阵列电阻值结合多层感知器网络对流型进行学习和识别的方法,流型识别准确率可以达到95%,解决了流型图像生成过程与数据特征预选过程中流型特征损失的问题,流型识别性能得到了提高。     

基于CS-RBAPVS的超高次谐波检测算法

随着电力电子技术高占比应用于可再生能源发电系统,大量超高次谐波流入电网,从而引发新的电能质量问题。针对超高次谐波检测过程中计算量大、测量不精确等问题,提出一种基于压缩感知变步长正则化回溯自适应追踪超高次谐波检测算法。该方法利用狄利克雷核矩阵与离散傅里叶变换系数,并引入插值因子,建立基于压缩感知理论的超高次谐波模型;同时采用基于变步长的正则化回溯自适应追踪算法重构原信号,该算法通过结合正则化思想与子空间追踪算法的回溯思想,在无需预知原信号稀疏度的情况下,不仅实现了信号的精确重构,而且克服了固定步长所引起的问题。仿真测试验证了该算法的优越性与有效性。     

基于欠定方程的太阳电池片表面缺陷检测算法

针对太阳电池片表面数字图像,提出一种基于欠定方程的缺陷检测算法。该算法基于一维傅里叶变换,构建关于缺陷列在小波域中的投影系数的欠定方程,然后通过内积比较确定各高频系数中的大值所在位置,进而实现对图像缺陷点的检测。数值实验表明,该算法在应用于太阳电池片表面的线型缺陷、斑点型缺陷检测时均具备有效性。     

基于特征选择的RELM风速短期预测

准确的风速预测是风电场功率预测的基础,对大规模风电并网具有重要的价值。文章提出一种基于信息增益(IG)的正则化极限学习机(RELM)短期风速预测方法。首先采用信息增益对32维风速属性序列进行特征选择,并对其进行加权;然后将正则化系数引入极限学习机(ELM)网络,构建RELM风速预测模型;最后结合美国风能技术中心的实测数据进行仿真,与传统ELM网络、BP神经网络相比,该方法具有较高的准确性和预测精度。