基于链路共享的分组调度算法研究及仿真

分组调度管理网络链路带宽,是实现网络服务质量的核心技术之一。介绍了一种先进的分组调度和资源管理模型———链路共享模型;说明了CBQ和H-WF2Q 两种不同的实现算法;分析了它们用于传输实时流的可行性。使用网络仿真工具NS2,对实时流传输的服务质量保证进行了仿真分析。仿真结果表明:该链路共享模型可以为不同的组织、不同的通信类型提供特定的服务质量保证,大大地提高了网络带宽的利用率。     

小波分析在故障监测及诊断中的应用

简要分析了小波变换的二尺度特性,对小波变换模极大值表征信号奇异性的原理进行了讨论,并给出了它在故障监测及诊断中应用的实现方法和实验结果。     

D-S证据理论在数据融合中的应用及改进

对证据合成的基本原则和D-S合成公式作了分析,针对D-S算法实现过程中存在的失效问题提出了解决的方法,对该理论的不足采用了修正的合成规则,通过实例运算表明该方法能够对传感器提供的不一致证据进行组合,并使组合结果更加直观.     

基于改进的广义谐波小波包分解和混沌振子的小电流接地系统故障选线

小电流系统发生故障时,各线路零序电流具有非平稳、非线性等复杂特性。本文提出一种基于改进的广义谐波小波包分解算法和混沌振子检测的小电流接地系统故障选线方法。广义谐波小波包分解算法经过扩频,能进行任意频段及任意频宽的信号特征提取,且计算量小,实现信号的快速无混叠分离。Duffing振子系统不受噪声影响且对于与内驱动力同频的外界信号具有高度敏感性,对Duffing振子系统进行时标变换,可以适应不同频率信号的检测要求,通过观察相图的变化可以准确选出故障线路。数值仿真验证了该算法的准确性及可靠性。     

混沌预测模型改进及在电力日负荷预测中的应用

针对电力日负荷预测中基于最大Lyapunov指数的传统混沌预测模型的缺陷,提出以下改进思想:采用微分熵法同时确定嵌入维数和延迟时间,改善相空间重构质量的同时,有效减少计算量;引入夹角参数,在与中心点距离最短的点中,筛选夹角最小的点作为最终邻近点;基于相似性原理,引入取舍规则,使得计算结果唯一确定。本文方法解决了传统预测模型计算量大、运算速度慢、预测精度不高以及正负号选取等问题。通过对典型混沌系统数值验证和某地区实际电力负荷系统的预测分析证明了本文方法的可靠性和高效性,为电力日负荷预测提供了一种新的有效途径。     

宽或双峰分子量分布HDPE的研制Ⅰ.双金属复合催化剂的制备及其催化乙烯聚合反应动力学

将Cp2ZrCl2以一定方式负载于BCH催化剂上制备出了双金属复合催化剂,研究了BCH/Cp2ZrCl2对载锆量的影响以及负载温度对双金属复合催化剂催化性能的影响,并用X射线光电子能谱法证实了茂金属催化剂确已载到了BCH催化剂上.催化乙烯聚合的动力学研究表明,双金属复合催化剂的动力学曲线与BCH催化剂一样均属衰减型;由于双金属中心的存在,其动力学曲线出现了2个峰值.     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

基于LMD近似熵和FCM聚类的机械故障诊断研究

提出一种基于局部均值分解(local mean decomposition,LMD)近似熵和模糊C均值聚类(fuzzy C-means clustering,FCM)相结合的机械故障诊断方法.首先对机械振动信号进行LMD分解,得到若干具有物理意义的乘积函数(product function,PF)分量,再通过相关性分析,筛选出与原始信号相关性最大的3个分量作为数据源,求取其近似熵作为特征向量,最后通过FCM模糊聚类对特征向量进行识别分类.实验表明,基于LMD近似熵和FCM模糊聚类相结合的方法对机械故障信号能够有效准确地进行识别分类,此外,将该方法与基于EMD近似熵和FCM结合的方法进行对比,结果表明该方法具有更好的故障识别效果.     

基于威布尔与模糊C均值的滚动轴承故障识别

提出一种基于威布尔分布与模糊C均值(fuzzy C-means,FCM)聚类算法相结合的滚动轴承故障识别方法。针对不同故障类型的威布尔分布模型的尺度参数、形态参数和威布尔负对数能够较好地刻画轴承运行的状态特性,提取其尺度、形态和威布尔负对数似然函数等3个参数构建表征轴承运行状态的特征向量。模糊C均值根据样本相对于聚类中心的隶属度确定样本的亲疏程度而实现分类。实验中,首先采用组合形态滤波器对滚动轴承原始信号进行降噪,然后建立威布尔分布模型,将提取的特征向量输入模糊C均值分类器进行故障诊断和识别。结果表明,该方法对机械故障诊断识别准确率高,可以作为滚动轴承故障识别的重要手段。