基于数据增强和深度学习的水电站告警事件诊断

针对水电告警事件传统诊断方法存在效率低下、准确率不足等缺陷，设计了一种融合先验知识的数据增强方法和基于双向简单循环单元网络的层级注意力深度学习框架。针对水电告警规则不完善的问题，采用隐含狄利克雷分布-序列推理增强模型构建告警信号与告警特征间的映射机制；结合该水电告警先验知识提出改进隐含狄利克雷分布方法增强样本数据，最终由层级注意力模型学习样本特征并输出诊断结果。测试算例为某水电集控中心的实际告警数据，测试结果表明，所提方法可在低资源训练环境下实现快速和高准确率的水电告警事件诊断。     

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。     

基于多新息最小二乘算法的锂电池参数辨识

为了保证电池管理系统的安全可靠运行，需要准确地辨识锂离子电池模型参数。以磷酸铁锂为研究对象，建立其RC等效电路模型，并基于该模型辨识锂离子电池模型参数。锂离子电池模型参数受外部因素影响较大并且参数辨识结果受在线信息采集的限制，采用多新息最小二乘辨识算法进行锂离子电池模型参数在线辨识。通过3种不同的充放电实验采集数据，并根据实验数据在不同初值下进行参数辨识，通过比较由辨识结果估计出的端口电压值与实际值的误差来描述辨识结果的准确度。实验结果表明，多新息最小二乘辨识算法具有快速收敛性与高精确性。