基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

配电网三相概率潮流计算方法研究

配电网三相概率潮流计算通常假设输入量非相关,但实际输入量之间存在相关关系,为此,提出一种采用奇异值均匀采样的方式处理随机变量,并与半不变量、Gram-Charlier级数相结合的三相概率潮流算法,该算法能将多维非正态相关的向量转化成多维正态非相关向量,然后进行概率潮流计算,能够得到节点状态向量和支路潮流的计算信息,而且能极大地提高运算效率,并以IEEE 14节点辐射状系统为算例,采用蒙特卡罗法进行对比,验证概算法的有效性。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于热负荷自动调节的延迟焦化加热炉三点注汽量智能优化

针对国内某炼油厂延迟焦化加热炉三点注汽问题，采用热负荷自动调节的算法进行了研究。运用该模型方法，分析了三点注汽量对加热炉热负荷和炉管结焦系数的影响，发现三点注汽量的改变均会对热负荷和炉管结焦系数产生影响，主要表现为提高注汽量将会提高热负荷，同时降低结焦系数；第1点注汽量和第2点注汽量对热负荷和结焦系数的影响较强，第3点注汽量对热负荷和结焦系数的影响较弱。在实际操作中，加热炉中的结焦程度既不能太强也不能太弱，合适的结焦系数能够保证正常开工周期里炉管不结焦，也能保证瓦斯、注汽量等参数的合理分配。通过对热负荷、注汽量的智能分配，可得到不同原料油加工负荷条件下更加合理的装置运行方案。     

槽波透射勘探技术在寺河矿的精准应用

在井下综采工作面一侧巷道内激发槽波,另一侧巷道中接收通过采面透射的槽波。利用煤层与岩层的物理力学差异,分析在煤层中激发和接收到的槽波,以此来探查综采工作面中地质构造、煤体破碎区、应力集中区的位置,从而为后期探测地质构造参数、煤体破碎区注浆、应力集中区消突等工作的顺利进行提供基础数据,提高后期工程实施的针对性。     

关于电石炉散点除尘灰在热电脱硫装置的应用研究

通过对散点除尘灰的成分进行分析,并结合生产实际,提出将散点除尘灰在干法及湿法脱硫系统使用,既有效利用了生产固废,又节省了生产成本。