基于动态工况实测数据图像和深度学习的锂电池容量估计方法

针对实际应用中基于动态工况下电池状态参数的片段数据进行电池健康状态(state of health,SOH)实时估计的问题,提出基于动态工况下锂离子电池状态参数(电压、电流、温度)实测数据二维特征图像和深度学习的锂离子电池容量估计算法.首先,将动态工况下电池状态参数监测量(电压、电流和温度)的片段数据转化为二维特征图像.其次,提出基于残差卷积神经网络(residual convolutional neural network,Res-CNN)和门控循环单元(gate recurrent unit,GRU)网络结合的多通道深度学习模型Res-CNN-GRU,以构建动态工况下电池状态参数特征图像和SOH之间的复杂非线性关系,其中电压、电流和温度的二维特征图像以三通道的方式输入到Res-CNN-GRU模型中,模型输出为对应电池的相邻参考充放电循环实验所获得容量的差值.研究结果表明:此方法在锂电池随机充放电工况下对电池健康状态估计效果更佳,且Res-CNN-GRU模型的泛化性和全局特征提取能力较强.论文研究为现实工况下电池健康状态估计的进一步深入研究提供了参考.     

基于多模式分解和多分支输入的光伏功率超短期预测

针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法.首先,基于相关性分析找到与光伏发电功率高度相关的气象因素,并利用快速傅里叶变换(fast Fourier transform,FFT)将光伏输出功率从时域转换到频域,与相关度高的气象因素一起作为 adAP 算法的聚类特征,对具有相似气象特征的日场景进行分类;其次,对聚类相似日较少且输出功率波动剧烈天气类型中的气象相关因素和光伏输出功率添加高斯白噪声,并将其与原始数据合并,达到倍增样本的效果,以提升模型的泛化能力和鲁棒性;然后,使用变分模态分解(variational mode decomposition,VMD)、奇异谱分解(singular spectrum decomposition,SSD)和群分解(swarm decomposition,SWD)对光伏功率、辐照度和温度进行分解,削弱原始序列的波动性,丰富模型的输入特征;最后,搭建多分支的残差网络(residual network,ResNet)和长短期记忆网络(long short term memory network,LSTM)模型,提取数据的时间特征和波动特征,合并后输入到门控循环单元网络(gated recurrent unit network,GRU)中,建立历史特征和未来光伏输出功率的联系,得到预测结果.实验结果表明,所提出的多模型组合预测方法在光伏功率波动较缓天气情况下,能够保持较高的预测精度;在波动剧烈天气情况下,能够较大地提升预测精度.     

基于多Agent的炼钢复杂物流系统分析与设计

针对目前智能分布式复杂应用系统需求日益增强,系统软件开发面临巨大挑战等问题,利用智能体(A-gent)技术及基于多Agent系统工程的软件开发方法,提出一种针对炼钢复杂物流系统设计的通用方法,构建了基于多Agent的炼钢复杂物流系统。首先通过捕捉目标、使用用例和角色定义完成系统分析;然后通过定义A-gent类、构建会话、组建Agent及系统部署完成系统设计。实例仿真验证了系统的动态性、智能性、自治性、柔性和分布性,能很好地满足炼钢复杂物流系统的需求。     

基于特征图像组合与改进ResNet-18的电能质量扰动识别方法

针对传统电能质量扰动(power quality disturbance,PQD)识别体系中单一图像特征信息受限与算法识别能力不足等问题,依据特征融合的思想,提出一种基于特征图像组合与改进ResNet-18的PQD识别方法。首先,对PQD信号进行变分模态分解(variational mode decomposition,VMD)得到一系列固有模态函数(intrinsic mode functions,IMFs)与残差分量;其次,将IMFs、残差分量、原始扰动信号与Subtract分量纵向拼接成分量矩阵,利用信号-图像转化方法生成特征分量彩色图;再次,对原始扰动信号进行连续小波变换(continuous wavelet transform,CWT)生成小波时-频图;最后,将特征分量彩色图与小波时-频图组合输入改进的六通道ResNet-18中训练学习并完成扰动识别。通过仿真对PQD识别方法进行分析并将其与目前常用识别体系进行比较。结果表明,所提方法具有较好的抗噪性能并且能够更好地提取PQD特征信息,达到更高的识别准确率。     

基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法

针对将现有直流线路故障区域识别方法应用于特高压三端混合直流输电线路时,存在难以区分T区两侧故障、耐过渡电阻能力弱和阈值整定困难的问题,提出一种利用深度学习及波形特征进行特高压三端混合直流输电线路故障区域识别的方法。首先,对三端混合直流线路不同故障区域进行故障特征分析;然后,对线模电压和线模电流进行多尺度小波分解,提取线模电流中低频分量和线模电压高频分量,结合正负极电压波形特征,组成深度学习模型的输入量,并将故障区域作为输出量,构建深度学习故障区域识别模型;最后,用训练过的深度学习模型对获取的故障特征量进行处理,以实现故障区域识别的目的。通过大量仿真实验,验证了所提故障区域识别方法具有准确率高和基本不受过渡电阻影响的特性。     

基于多模式分解和多支路并行残差网络的特高压三端混合直流输电线路故障区域诊断

特高压三端混合直流输电线路发生接地故障时,故障电气量变化存在很强的随机性和非线性,在噪声干扰下其规律性更弱,很难快速、准确地提取故障特征以诊断故障区域.鉴于此,提出一种集电流波形特征提取和故障区域诊断为一体的诊断模型.分析不同区域故障时的电流波形特点,利用数学机理不同的3种算法同时分解故障电流,避免一些容易混叠的模态子序列在单一分解方法中逃逸.利用多支路并行残差网络迅速地挖掘分解分量的多尺度空间耦合交互特征,并结合门控循环单元网络模块,进一步提取故障电流的时间耦合特征,使得特征得到显著增强.利用麻雀搜索算法优化该模型的关键参数,构建充分适应电网故障诊断的网络结构,实现故障区域的快速诊断.仿真结果表明,该方案有着较高的灵敏性、较强的抗干扰能力,满足直流保护的可靠性和速动性要求.     

基于Agent动态加权二部无标度网络的异性HIV传播与政策调控模型

HIV的传播是个体的行为、疾病的干预措施和个体之间的社会网络协同演化的结果。提出了基于agent的动态加权二部无标度网络方法的异性HIV传播和干预仿真模型。二部网络中的女性人群根据高危行为不同分为普通人群和女性性工作者(Female Sex Workers,FSW),男性人群根据高危行为不同分为普通人群和女性性工作者客户(Clients of female sex worker,CSW)。给出了利用配置模型快速生成指数可调的异性二部无标度网络的生成算法,其根据异性二部网络中单位时间内性行为次数的分配算法确定二部网络中边的权值,构成二部加权无标度网络。网络中的伙伴关系有固定关系、偶然关系型和临时关系,二部网络中的边可随边的维持时间的结束而断开和重连,网络具有动态特性。个体/agent模型描述了个体高危行为、病程、个体社会结构与干预措施之间的相互影响关系。仿真实验分析了个体高危行为是否采用安全措施、是否参加自愿咨询检测和是否参加抗病毒治疗等干预措施对疾病传播的影响。     

基于Agent技术的敏捷虚拟企业信息系统的结构及其原型系统研究*

在分析敏捷虚拟企业定义、特征的基础上,提出了基于Agent技术的敏捷虚拟企业信息系统框架结构,并证明智能体技术在构建敏捷虚拟企业信息系统中的有效性。     

基于Agent的城市废物计量收费方案仿真研究

提出一种基于Agent的城市废物计量收费仿真模型.由于城市废物计量收费仿真模型属于复杂适应性系统(CAS),传统的建模仿真方法无法完好地刻画城市废物计量收费仿真模型,而基于多Agent的建模仿真方法(ABS)是当前研究复杂适应性系统的最有利工具之一.有必要进行深入研究.在简单介绍复杂适应性系统、基于多Agent的建模方法的研究概况,以及多Agent建模工具--Repast仿真甲台以及它的结构、主要类库与建模步骤后,以城市废物计茸收费仿真模型为研究对象,进行基于多Agent的建模仿真实验,结果表明基于多Agent的建模仿真方法非常合适复杂适应性系统的研究,具有很大的发展空间.     

基于压缩感知理论的小电流接地故障选线法

将一种全新的信号处理方法——压缩感知理论应用于小电流接地故障的选线中．采用压缩采样方法对故障前1／4周期到故障后1／4周期各线路零序电流进行低频压缩采样．然后通过恢复算法对所采信号进行精确重构。对承构信号采用小波去噪后进行经验模态分解（empirical mode decomposition．EMD）,选出各线路零序电流最高频IMF分量作差分运算．依据故障线路零序电流最高频IMF分量在故障发生时刻的一阶差分板性和健全线路相反的原则实现故障选线。Matlab仿真试验表明该方法不受采样频率限制．选线结果具有较高的准确度．