基于极限学习机的电力系统暂态稳定评估方法

随着清洁能源替代和电力系统电力电子化的趋势增强,传统的基于理论模型的电力系统数值仿真方法将面临新的挑战,不依赖于元件模型的数据驱动型电网稳定评估方法逐渐受到重视.基于极限学习机(ELM)理论,提出适于在线应用的电力系统暂态稳定评估方法.首先,通过调节稳定和失稳仿真样本的比例进行样本筛选,减轻样本集中失稳样本较少而引起的样本不均衡现象,并引入递归特征消除法进一步处理样本集;然后利用交叉验证法优化ELM的网络结构,并用处理后的样本集进行ELM的训练;最后,根据神经网络的输出结果预测系统的稳定性,并改进泛化能力评价标准对结果的可靠性进行评估.算例分析表明,递归特征消除法可明显降低特征冗余度,改善模型性能,所提出算法的训练时间短且具有较高的预测准确度.     

电网无功优化控制系统的研究与实现

为了协助电力系统调度人员快速、合理地给出无功优化控制方案,保证电网电压稳定性,设计实现了基于实时数据的无功优化控制系统。实时获取数据后,通过拓扑建模、状态估计、无功优化计算,得出无功优化控制方案。系统计算结果准确可靠,具有较高的实用价值。     

基于径向基函数神经网络的水轮发电机组效率曲线计算方法

提出用径向基函数(RBF)神经网络进行水轮发电机组效率曲线计算的方法，并建立了径向基函数神经网络模型，以有限水头下原型效率试验数据为样本进行训练，所得的网络可快速准确地计算任意水头下的效率特性曲线。与BP神经网络模型的对比结果表明，该方法避免了BP神经网络的局部极小及收敛速度慢等缺点，在精度、训练速度等方面优于BP神经网络。     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。     

基于KPCA与SVM的混合核交通流数据检测

目的针对当前交通流数据识别问题,提出基于KPCA与SVM的混合核交通流数据识别算法,以提高交通流数据识别准确率.方法运用KPCA对数据进行预处理,采用SVM训练分类模型,利用所训练的模型进行识别;以多轿厢电梯交通状态为对象,分别从交通流数据识别分析和仿真实验两方面对所提方法的可行性与精确性进行验证.结果通过与SVM算法、BP神经网络算法进行对比,表明所提方法具有很强的通用性,能有效地预测出交通流,交通流数据识别的准确率达到97. 2%.结论笔者提出的基于KPCA与SVM的混合核交通流数据识别算法可以提高交通流数据识别的准确率,通用性较高,可以实现对目标的实时检测.     

提高估算软件成本精度的方法研究

指出已有的软件成本估算方法中的问题,提卅采用模糊神经网络方法构建软件成本的快速估算模型来提高估算精度。将60个软件项目的相关数据作为样本,分别对神经网络和模糊神经网络两种系统进行训练。将两种模型的训练和估算结果进行比较．结果显示模糊神经网络模型在软件成本估算上比神经网络模型具有更高的学习效率和估算精度。     

基于神经网络方法的集成式驾驶员跟车模型

为了提高驾驶辅助系统的跟车性能,基于神经网络方法建立了一种集成式驾驶员跟车模型.通过真实交通环境下的驾驶员实验获得了稳定跟车状态数据,并利用Kalman滤波器对数据进行了处理和估计.设计了以BP神经网络为核心的集成式模型结构,该模型以前车速度为输入,计算跟车过程中的两个特性参数并输入神经网络以模拟驾驶员控制的自车加速度.利用处理后的数据样本对网络进行了训练,并对该模型进行了仿真验证.仿真结果表明;神经网络模型具有模拟驾驶员跟车行为的能力,模型体现出较为准确的跟踪特性,并对不同的前车工况具有良好的适应性.     

大地电磁人工神经网络反演

为提高大地电磁非线性反演的计算效率和精度,将人工神经网络引入大地电磁数据反演。神经网络输入为已知地电模型的视电阻率数组,输出为地电模型参数。采用BP算法(back propagation algorithm)进行学习训练,通过信息正向传播和误差反向传播,迭代计算得出神经网络连接权值的最优值;再将训练好的神经网络对未知模型的视电阻率进行反演。对2层和3层大地电磁模型分别建立神经网络并测试反演,研究结果表明:该反演方法能实时准确地逼近真实模型,验证了该方法的可行性和有效性。     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

基于SA+BP混合算法的动力电池放电峰值功率估算

针对一般的电池峰值功率状态估算只考虑单个因素的影响,或使用的电池模型相对简单等问题,提出一种新的估算方法.以三元锂动力电池作为研究对象,综合考虑了电池的温度、荷电状态和欧姆内阻等对电池放电峰值功率的影响,运用Matlab中的神经网络工具箱与Matlab语言编程,建立了基于数据统计和机器学习的模拟退火(simulated annealing, SA)+BP神经网络混合算法的神经网络电池模型.采用混合脉冲功率特性测试方法进行试验,共得到245组有效的试验数据,其中200组数据作为训练样本,45组数据作为测试样本.对比了单一BP算法和SA+BP混合算法训练模型的仿真结果,证明SA+BP混合算法训练的电池模型估算精度更高,能更加准确地描述电池的功率特性.     

面向一类混合退化装备RUL预测的平行仿真技术

针对一类带离散冲击的混合退化装备剩余寿命预测问题,研究了面向混合退化装备剩余寿命预测的平行仿真技术.提出以混合Wiener状态空间模型为基础仿真模型,以泊松冲击到达为模型选择判据,在实时退化数据驱动下,实现仿真模型在线选择,利用强跟踪滤波和期望最大化算法进行仿真模型数据同化和未知参数在线估计,从而实现仿真模型演化,提高仿真模型逼真度.在此基础上,实现了基于平行仿真的剩余寿命实时预测.利用某轴承性能退化数据对平行仿真方法进行了实例验证,仿真结果表明平行仿真方法能有效仿真轴承的性能退化过程,剩余寿命预测的不确定性小、精度高.      

Marginalized cubature Kalman filtering algorithm based on linear/nonlinear mixed-Gaussian model

Aiming at improving the estimation accuracy and real-time of nonlinear system with linear Gaussian sub-structure,a novel marginalized cubature Kalman filter is proposed in Bayesian estimation framework. Firstly,the marginalized technique is adopted to model the target system dynamics with nonlinear state and linear state separately,and the two parts are estimated by cubature Kalman filter and standard Kalman filter respectively. Therefore,the linear part avoids the generation and propagation process of cubature points. Accordingly,the computational complexity is reduced.Meanwhile,the accuracy of state estimation is improved by taking the difference of nonlinear state estimation as the measurement of linear state. Furthermore,the computational complexity of marginalized cubature Kalman filter is discussed by calculating the number of floating-point operation. Finally,simulation experiments and analysis show that the proposed algorithm can improve the performance of filtering precision and real-time effectively in target tracking system.     

配电网集成负荷估计和状态估计

负荷估计和状态估计对于配电网的管理和控制非常重要．文中提出了一种集成的负荷估计和状态估计框架．一方面提出了一种基于连接机制的事例推理新方法(CBCBR)用于解决配电网节点负荷估计问题,分别介绍了CBCBR的原理、结构、混合学习算法和实际应用,CBCBR具有快速、增量式、自适应学习能力；另一方面提出了一种抗差状态估计方法,同时实现了结构空间和量测空间的抗差．抗差状态估计器使用CBCBR的输出作为输入的伪量测量,同时CBCBR可使用抗差估计器的输出改善其自身性能．所提集成的负荷估计和状态估计框架能有效抵御坏数据的影响,并可实现自适应性调节．使用33节点系统测试所提方法,所用节点数据来自实际系统,算例结果证明了读方法的有效性．     

基于mcODM-STA的风电机组变桨系统故障诊断

针对风力发电机组变桨系统故障诊断模型参数难以优化问题,提出了基于状态转移算法优化多类最优间隔分布机(multi-class Optimal Margin Distribution Machine optimized by the State Transition Algorithm,mcODM-STA)的风电机组变桨系统故障诊断方法.该方法选择风电机组功率输出作为主要状态参数,利用Pearson相关系数对风电数据采集与监视控制系统中风电机组历史运行数据进行相关性分析,剔除与功率输出状态参数相关性较低的特征,对余下特征进行二次分析,减少样本特征.将数据集分为训练集和测试集,训练集用来训练所提故障诊断模型,测试集用来进行测试.利用国内风电场实际运行数据进行实验验证.实验结果表明,与其他多种参数优化方法相比,所提方法故障诊断准确率和Kappa系数更高.     

基于运行状态识别的无人机航迹预测

无人机航迹预测对于无人机冲突检测、任务规划及异常管控至关重要。在很多情况下难以为无人机这种复杂系统建立精确的物理模型,给基于模型的滤波方法带来一定难度。为解决上述问题,提出一种基于运行状态识别的无人机高斯过程-无味卡尔曼滤波的混合估计方法。首先,利用运行状态识别机制将无人机运行数据分为不同数据段,以确定无人机实时状态并提高预测模型的适应性;然后,根据不同的运行状态,从航迹数据中学习高斯过程递归模型,将其作为无味卡尔曼滤波器的状态转移方程,以实现更高的预测精度;最后,利用动作捕捉系统采集的真实无人机运行数据验证了所提出方法的有效性,利用均方误差检验了方法的精确度。     

电网可靠性评估的网络静态等值模型分析

为缓解大电网可靠性评估的计算复杂性,采取等值参数联合概率密度分布建模的方式开展了外网静态等值研究。在常规确定性静态Ward等值技术基础上,考虑外部区域发电机和线路随机故障,通过计算各种随机故障状态下的外网等值参数,即外网等值注入功率和外网等值串联支路阻抗,基于概率密度估计技术建立了等值参数的联合概率密度分布。外网静态概率等值模型克服了常规确定性静态Ward等值技术的不足,充分计入外网等值参数的随机性,减少了电网可靠性评估计算时间的同时提高了计算精度。对两区域RBTS系统和RTS79系统研究验证了其有效性和准确性。     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.     

基于极限学习机的谐波电流检测方法

谐波电流检测的实时性和准确度直接影响有源电力滤波器的谐波补偿效果.针对基于传统神经网络谐波检测方法的不足,提出了一种基于极限学习机的谐波电流检测新方法.首先详细给出了极限学习机的训练样本的组成和训练方法,然后构造检测模型实现对谐波电流幅值和相位的检测.仿真结果表明,该谐波电流检测方法的检测精度普遍达到10-6,在有白噪声影响的情况下检测精度达到10-4,与基于传统神经网络的谐波检测方法相比具有更高的检测精度和更强的泛化能力,更加适用于谐波源固定的场合.     

难分类样本快速空中目标意图识别方法

针对不平衡难分类条件下空中目标群组意图快速识别的难题,提出一种基于滑动窗口估计的时空卷积自注意力网络模型的意图识别方法。该方法根据特征数据的特点对其使用滑动窗口的预先处理,通过时空卷积网络快速提取多维时序特征数据的流信息;然后采用自注意力机制捕捉每个特征数据的关键特征并优化权重。仿真结果表明该方法有效提升了不平衡样本中难分类样本意图识别的训练效率和分类的准确率。     

电动汽车动力电池健康状态在线估算方法

针对电动汽车动力电池SOH(state of health)的估算问题,提出一种可以在线运行的有效估算方法.其优势在于仅依托电池管理系统实时测量电压、电流等数据,无需离线电池寿命衰退曲线及电池的初始状态,因此更符合电动汽车对于SOH估算问题的实际需求.在电池恒流充电模式下,以Thevenin及OCV-SOC模型为基础,构建以时间和SOH为隐变量的电池模型.基于此电池模型,提出利用NLS(nonlinear least square)初始化GA搜索范围的快速求解算法进行在线参数辨识,得到电动汽车实时的SOH估计值.验证结果表明SOH估计算法具有较好的实用性及较高的估算精度.