基于MEEMD与概率神经网络的贯通式同相牵引直接供电系统故障识别

针对贯通式同相牵引直接供电系统可能发生的雷击故障、雷击干扰和接地故障3种扰动进行建模分析和识别研究。在牵引网仿真模型的基础上,通过实验得到3种扰动的暂态特征。根据以上故障提出了改进总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)与概率神经网络(Probabilistic Neural Network,PNN)结合的智能识别方法。MEEMD分解故障暂态电流信号得到本征模态函数(Intrinsic Mode Function,IMF),分别用样本熵和排列熵提取IMFs分量特征,结合PNN进行故障识别,通过实验看出,基于MEEMD排列熵与PNN结合的智能识别方法能较好地识别牵引网的3种故障。     

一种改进的经验模态分解方法

针对经验模态分解中存在的端点效应及模态混叠现象,提出一种新的改进方法。利用镜像延拓方法对信号两端数据进行延拓后,结合余弦窗函数以解决端点效应对分解结果的影响,再利用高频谐波法结合掩膜信号法抑制EMD分解过程中存在的模态混叠。通过实验对比验证了该方法的有效可行性。     

A2/O污水处理过程出水水质的多元线性回归软测量模型

为实现污水处理出水水质的预测预报，笔以昆明市污水处理厂的A^2／0工艺为背景，针对其出水水质多个参量难以在线测量的问题，提出采用软测量技术，建立了多输入多输出的多元线性回归软测量模型。     

基于Agent的车间天车调度系统TCPN建模

针对天车调度任务繁杂和随机性特点及对天车调度智能性、适应性、灵活性、可靠性的要求,提出一种基于Agent理论利用时间着色Petri网(Time Colored Petri Nets,TCPN)对天车调度系统进行建模的方法。该方法融合TCPN和Agent技术的优点,把车间天车调度作为一个多Agent系统,并通过在基本Petri网中引入时间和颜色集形式化描述天车调度系统中Agent运行机制和Agent间动态交互过程。最后,以某钢铁企业炼钢-连铸车间天车运行系统为例,证明该建模方法及所建模型的正确有效性,并可为生产系统的优化及进一步深入研究生产过程中物流运行机制提供指导。     

基于 RBF神经网络的水平光管内R407C流动沸腾换热预测

基于 RBF神经网络建立了水平光管内混合工质 R407C流动沸腾换热的预测模型,以质流密度(G),热通量(q),干度(x),饱和温度(Tsat)和光管内径(D)作为网络输入,流动沸腾换热系数(h)作为网络输出,神经网络模型通过训练学习,对水平光管内 R407C的流动沸腾换热系数进行预测,经实验数据验证,预测结果与实验结果吻合较好,网络预测的平均误差为-0.9%,绝对误差为5.5%,均方根误差为10.9%,并且网络预测结果与四个传统关联式的计算结果相比有了明显的改善.由此说明该模型适用于水平光管内 R407C的流动沸腾换热预测,对采用 R407C制冷系统管式蒸发器的优化设计具有一定的指导意义     

基于掩膜分量的改进HHT方法在电能质量扰动信号定位中的应用

为克服EMD方法的缺点,提出了一种基于掩膜分量的改进HHT方法对电能质量进行检测.首先对信号进行神经网络预测延拓,并对延拓部分进行加窗处理,有效的抑制了端点效应在经验模态分解过程中带来的影响.然后用掩膜信号法对电能质量扰动信号进行分解,得到包含单一频率的精确的经验模态函数分量,再对各分量进行Hilbert变换,并对瞬时幅值求导就能确定出电能质量扰动的起止点.仿真结果表明,基于掩膜的改进HHT方法能有效克服端点效应和模态混叠对信号分解的影响,适用于各种暂态扰动的分析.     

基于EMD的太阳黑子时间序列组合预测模型

针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。     

虚拟企业的信息系统集成框架

在分析虚拟企业信息系统特点的基础上,给出基于CARBA技术和多agent技术的虚拟企业信息系统集成框架;给出了集成框架各部分的主要实现方法。这种信息集成方法将在Internet环境下的其它信息系统的集成方面也会有重要的应用。     

基于CNN-SVM的特高压三端混合直流线路故障区域识别方法

提出一种基于卷积神经网络–支持向量机(Convolutionalneuralnetwork-supportvector machine,CNN-SVM)的特高压三端混合直流线路故障区域识别方法。首先,对昆北侧、龙门侧的直流线路边界和柳北侧T区边界的频率特性进行分析,发现不同故障区域的故障特征存在一定差异。然后,使用经验小波变换提取故障特征,将其作为CNN-SVM的输入量,故障区域作为输出量,构建并训练CNN-SVM模型;将由测量点得到的故障特征量输入到训练完成的CNN-SVM模型中,进行故障区域识别。最后,搭建昆柳龙仿真模型,进行故障仿真实验验证。结果表明,该方法的故障区域识别率高,且可耐受300Ω的过渡电阻。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表.针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法.该...