一种识别气液两相流流型的新方法

根据图像灰度直方图统计特征,提出了一种基于图像处理和改进支持向量机相结合的气液两相流流型识别的新方法.该方法是应用高速摄像机在气液两相流试验台上获取7种典型流型的图像,经过图像处理,对图像进行灰度直方图统计特征提取构成特征矢量,作为流型样本对改进支持向量机进行训练与识别.实验结果表明:图像灰度直方图特征可以很好地反映各流型之间的差异;改进的支持向量机与原始的支持向量机相比分类性能好,运算时间短,网络识别率高达99.04%,为流型在线识别提供一种新的有效方法.     

基于深度学习的上倾管气液两相流流型识别

针对目前两相流流型识别率不高且通常依赖精密仪器获取流型特征等问题,提出一种基于深度神经网络的流型识别方法。通过文献报告中已收集的流型数据集,分析影响流型的关键变量,利用粒子群优化后的深度神经网络结合Softmax分类器在Tensorflow平台上进行训练,并将其分类结果与统一模型进行对比。结果表明：流型识别的最终综合识别准确率在97.44%;流型分类结果与流型统一模型基本一致;与目前流型识别的主流方法相比,具有特征易提取、神经网络模型收敛速度快等优点。     

基于小波包分解和Kohonen神经网络的气液两相流流型识别方法

针对传统流型识别方法主观性强和BP神经网络训练受病态样本影响较大的缺点，根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性，提出一种新的气液两相流流型识别方法。该方法首先利用小波包分解对流型的动态压差波动信号进行分析、提取特征，然后将小波包能量特征与Kohonen神经网络结合进行流型识别。对水平管内空气一水两相流4种典型流型的识别结果表明：该方法能有效克服传统识别方法具有的主观性和BP网络的缺陷，具有很好的识别效果，从而为流型的在线识别提供一种新的有效的技术选择。     

基于小波和Elman神经网络的气液两相流流型识别方法

传统的流型识别方法仅可作为一种定性的流型识别方法。为了克服传统流型方法的不足,采用小波分析和El-man神经网络技术来实现气液两相流流型的智能识别,测量了水平管内气液两相流的压差波动信号,应用小波分析对流型的动态压差波动信号进行分析、提取特征,然后将小波能量作为Elman神经网络的输入,从而实现对流型的智能识别。实验结果证明,该方法能够很准确地识别出4种流型,并且具有很好的识别效果,从而为流型的在线识别提供了一种定量的流型识别方法。     

改进BP算法在柴油机故障诊断中的应用

针对使用BP算法的多层感知器中存在的网络学习收敛速度慢,容易陷入局部极小等问题,采用一个改进的算法,对设备故障进行诊断和分析研究。以某柴油机供油系统为例,对其中的几种常见故障进行了诊断研究。从中可以看出,改进算法加快了收剑速度,诊断的精度也有所提高。     

奇异值分解在气液两相流流型识别中的应用

提出了一种将相空间重构和奇异值分解相结合的气液两相流流型识别方法.该方法首先利用相空间重构方法构造压差波动信号的吸引子轨迹矩阵.然后对该矩阵进行奇异值分解得到矩阵奇异值,将其作为流型的特征向量.针对BP神经网络收敛速度慢和容易陷入局部极值的问题,采用L-M优化计算的方法,设计了流型识别的BP网络模型.研究结果表明:该方法可以有效地识别水平管内空气-水两相流的4种典型流型,与其它改进算法相比,L-M优化算法的识别率最高,达到了95%,为流型的识别提供了一种新的有效方法.     

基于特征金字塔融合高分辨率网络的光伏热斑识别

针对光伏热斑识别算法中存在的深层网络参数运算复杂、梯度信息易消失和模型退化准确率下降等问题,提出一种基于特征金字塔融合高分辨率网络的光伏热斑识别检测算法。首先,该算法搭建一种多分辨率子网并行连接的网络模型,解决深层网络热斑细节信息丢失、特征冗余的难题。其次,引入特征金字塔的多尺度融合模块,跨层连接深浅层不同尺度特征图,解决特征语义的鸿沟、提高模型识别精度。实验结果表明：所提出的算法在光伏红外热斑图像数据集上的分类效果优于经典的深度卷积神经网络算法,准确率可达97.2%,可实现高精度高分辨率的热斑检测识别。     

基于动态聚类算法的两相流流型识别方法研究

采集了水平管内气水两相层状流、搅拌流以及弹状流三种流型的差压信号，利用概率密度函数(PDF)方法对信号特征进行了分析，定义了反应PDF变化的四个特征参数，即，PDF波峰个数K1、PDF波峰峰值K2、PDF波峰位置K3以及PDF方差K4，然后利用动态聚类算法对三种流型进行了分类识别。结果表明，应用PDF结合动态聚类算法可以快速、准确的对气水两相流流型进行识别，这种方法是可行的。     

多层感知器在变压器故障诊断中的应用

提出采用多层感知器模型应用于变压器故障诊断系统,将遗传算法全局搜索能力强的特点和梯度下降法局部搜索能力强的特点有效结合,增强了神经网络模型的识别效果。     

气液两相流相空间复杂网络非线性动力学特性分析

气液两相流动作为一个具有混沌特征的非线性动力学系统,其流型演化动力学特性尚未取得清楚的认识。以垂直上升管内空气-水两相流为研究对象,在实验获取气液两相流流型压差波动时间序列的基础上,将空气-水两相流的压差波动时间序列映射到流型相空间复杂网络对其非线性动力学特性进行了分析。通过分析发现在相空间不稳定周期轨的吸引特性作用下,不同流型的相空间复杂网络现呈出明显不同的网络结构,并且网络密度的演化趋势与流型的转化过程相吻合,较好地反映了垂直上升管内空气-水两相流的非线性动力学特性。     

基于复杂度的双接触式气液两相流流型识别研究

提出了一种图像灰度直方图统计特征与复杂度理论(近似熵、样本熵和Lempel-Ziv复杂度)相结合的双接触式气液两相流流型识别方法.该方法利用高速摄像仪获取双接触式吸收塔内两相流流动图像,经过图像处理后,选取图像灰度均值作为统计特征,进而组成4种典型流型的灰度均值时间序列,并用3种复杂度算法对其进行分析识别.结果表明:3种复杂度算法分析得到的结果一致,在4种流型中,复杂度由高到低依次为:扰动式流型、漩涡式流型、液柱式流型和类鼓泡式流型.     

110kV线路型避雷器对杆塔接地要求和运行效果研究

针对110 kV输电线路安装线路型避雷器后是否需降低接地电阻及其允许的接地电阻值是否有要求等问题,以河南省三门峡110 kV中横线输电线路为例,通过仿真计算得到安装线路型避雷器后对杆塔接地电阻技术要求值的影响,给出了110 kV输电线路在国家标准规定的最低耐雷水平40 kA条件下的杆塔接地电阻范围,并计算了杆塔接地电阻值对线路型避雷吸收的能量及流过避雷器电流的影响.结果表明,在杆塔接地电阻允许值范围内避雷器完全能承受放电要求.     

基于双向长短期记忆深度学习模型的短期风功率预测方法研究

风功率的准确预测对电力系统的规划、调度运行等方面均具有重要意义。该文以风功率预测误差最小为目标,提出了一种基于双向长短期记忆深度学习模型的短期风功率预测方法,包括3层（输入层、隐含层和输出层）网络结构的详细设计以及网络训练过程。输入层负责对原始数据进行预处理以满足网络输入要求,隐含层采用双向长短期记忆单元构建以提取输入数据的非线性特征,输出层提供预测结果,网络训练采用Adam优化方法。在此基础上,基于实际风电场采集数据为算例,对该文所提出模型进行训练与测试,验证了该文所提方法的可行性与优越性。     

水平管内两相流动网丝电容层析成像

1引言过程层析成像技术以两相流为主要研究对象[1],利用两相之间的物理性质的不同来确定两相流的相分布,达到成像的目的。实际工业过程考虑到安全性、经济性及速度的要求,电学层析成像技术成为首选方案,主要包括电阻过程层析成像(ERT)及电容过程层析成像(ECT)。非介入式的ERT和     

基于深度置信网络的短期风电功率预测

为解决海量数据用作预测模型训练样本导致信息冗杂的问题,提出一种基于深度置信网络的短期风电功率预测方法。该方法首先使用历史数据作为训练样本,通过深度置信网络无监督学习提取出其相应特征,随后采用K均值算法对提取出的特征进行聚类分析,将历史数据分作几类,并通过判别分析确定待测日所属类别,以该类别所属的历史数据对设置了误差反馈层的深度置信网络进行有监督训练,再将待测日的气象信息输入训练好的深度置信网络模型得到待测日的预测功率。最后使用云南某风电场实际运行数据进行算例分析,证实了该方法的有效性。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于改进BP网络的日径流预报模型研究

针对常规BP算法收敛速度慢和难以获得全局最优的不足,将网络误差函数的改变量引入权值和偏移值的调整,采用自适应学习速率和自适应动量因子调整策略,建立了基于多层感知器神经网络(MLP-ANN)的水文预报模型.采用自相关函教(ACF)和交又相关函数(CCF)确定网络输入因子并使用试错法优化网络结构.以湖南省双牌水库日入库流量预测为应用实例,并将模拟结果与常规BP网络模型和新安江模型进行对比分析.结果表明,改进模型收敛速度快、预报精度高.     

换热器网络设计的优化研究

基于感知器模型本文提出一种换热器网络优化新算法,在遗传迭代过程中,依据目标函数的适应值,该算法不断调节感知器的权值,使感知器以随机方式搜索网络拓扑结构和运行参数。经过本文的计算表明：这一算法对于多维、多峰、非凸函数也具有很好的适应性,能够有效地克服传统方法（混合整数非线性优化）的不足之处。     

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。     

基于ICEEMDAN-LSTM和残差注意力的短期太阳辐照度预测

为提升短期太阳辐射预测的准确性，提出一种基于ICEEMDAN-LSTM和残差注意力的短期太阳辐照度预测方法。该方法利用改进的自适应噪声完备集合经验模态分解（ICEEMDAN）将原始辐射序列分解为多尺度模态分量，同时引入残差注意力机制对原始气象特征进行重构，然后利用长短期记忆网络分别提取两部分的时序特征，并融合所得特征输入至多层感知器，进行提前1小时的水平面总辐照度预测。实验结果表明，该方法能捕捉辐射序列的波动和突变，并考虑不同气象特征的重要程度，可有效提高短期太阳辐照度的预测精度。