基于MicroNIR的小麦粉品质在线检测系统设计

小麦粉生产工厂多采用离线方式分析产品的品质,造成产品质量分析数据滞后于生产过程,导致人力和物力资源浪费等问题,研究设计了微型近红外小麦粉品质在线检测系统。以MicroNIR-2200微型近红外光谱仪和S3C2416开发板为核心,以小麦粉为研究对象,以水分、灰分和面筋含量作为检测指标,设计并搭建了基于近红外光谱分析技术的小麦粉品质在线检测系统,该系统主要包括在线光谱采集系统的硬件、软件部分和光谱建模分析软件的设计。通过模拟在线装置和实验测试,验证了基于近红外光谱的小麦粉品质在线快速检测系统的可行性。     

基于矩阵范数优化理论的用电数据质量提升算法

用电数据是智能电网大数据重要组成部分,也是基于人工智能方法进行负荷预测、需求响应以及台区线损治理和反窃电的基础样本数据来源。但用电信息采集设备工作环境复杂,用电数据缺失异常问题不可避免,严重影响数据驱动的效果。该文针对用电大数据存在的数据缺失、异常噪声等低质量问题,提出一种基于多范数优化的用电数据质量提升新算法,其中针对数据缺失和稀疏脉冲等多种现场采集噪声,采用核范数/1-范数/F-范数优化的低秩矩阵恢复模型和交替方向乘子算法求解,实现缺失数据恢复和异常噪声滤除,提高用电数据质量。所提方法具有不需要先验知识的训练,计算复杂度低的优势。算例结果表明,该文方法可以提高缺失数据恢复精度、改善数据质量,并且通过基于人工智能长短期记忆神经网络(long short term memory,LSTM)方法的短期负荷预测实验证明其可有效提高预测精度,对电力系统基于数据驱动的新兴高级应用具有良好的实际意义。     

基于动态采样压缩感知的超谐波监测方法EI北大核心CSCD

随着电力电子器件向着智能高频化发展以及分布式新能源的大规模并网,超谐波引发的电能质量问题日益凸显,然而,由于超谐波信号非平稳、宽频域等特性导致其监测难度相对较大。因此,该文提出一种基于动态采样压缩感知的超谐波监测方法。在采样端,设计动态压缩采样法,对超谐波信号施加柔性时窗,通过引入尺度伸缩因子实现对窗口宽度的反馈型柔性调制。同时,理论证明时窗内超谐波信号的稀疏性,从而突破Nyquist高频采样局限,实现超谐波信号低速动态压缩采样。在重构端,设计变步长稀疏度自估计子空间追踪–动态基追踪(variable step sparsity estimation subspace pursuit-dynamic basis pursuit,VSSESP-DBP)动态重构算法。以变步长稀疏度自估计子空间追踪(variable step sparsity estimation subspace pursuit-dynamic basis pursuit,VSSESP)算法求得初始解,在初始解的基础上,提出动态基追踪(dynamic basis pursuit,DBP)算法,利用信号支撑集的时间相关性,将上一时刻解作为先验信息提升重构信号求解速度,克服了传统算法连续重构时计算复杂度高、实时性差的弊端。最后,采用风电并网模型对超谐波信号实验,测试结果表明,所提方法可实现超谐波的动态监测和精确重构,并且具有信号低采样数据量,重构准确度高和快速性优势。