基于GM(1,1)模型和模拟退火算法的中长期负荷预测

分析了灰色模型(GM)和模拟退火模型(SA),GM(1,1)学习参数的计算采用最小二乘法,而最小二乘法是基于残差平方和最小寻优,容易陷入局部最小,对于非线性较强的负荷,会产生很大的偏差。提出了一种GM(1,1)与SA相结合的方法,根据模拟退火原理,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,自动优化GM(1,1)的参数,在负荷预测的实例中取得良好效果。     

高压输电线除冰机器人的建模及运动控制

针对高压输电线除冰机器人工作环境的特殊性以及工作任务的复杂性,建立了机器人的运动学与动力学模型。在此基础上,通过采用粒子群算法对PID控制器三个参数进行在线寻优,实现了除冰机器人的运动控制。最后针对除冰机器人在斜坡爬行的情况进行仿真实验,证明了所设计的模型与运动控制方法的可行性。     

基于小波矩的高压输电线路除冰机器人障碍智能视觉识别方法

针对220 kV 单分裂线路的结构特点,提出了一种基于小波矩的障碍物智能视觉识别方法．该方法采用 Ostu 算法二值化图像,采用小波模极大值算法提取图像边缘．通过提取障碍物边缘图像的小波矩,来得到一组局部 最优的小波矩特征值,并在此基础上用小波神经网络进行障碍物的识别与分类．实验结果表明：所提出的方法能有 效地识别高压输电线上的防震锤、悬垂线夹、耐张线夹等障碍物,并具有比普通3 层BP 神经网络方法更高的精度 和更快的收敛速度．     

高压输电线路除冰机器人障碍物识别方法研究

障碍物检测识别是高压输电线路自主除冰机器人的关键技术之一.针对220 kV输电线路特殊的机器人工作环境,提出一种基于视觉的障碍物识别方法.首先对拍摄的障碍物图像进行中值滤波、膨胀腐蚀等预处理,经OTSU阈值优化计算后,用小波模极大值算法提取图像边缘.然后计算障碍物边缘图像的联合不变矩特征,再把矩特征输入小波神经网络进行障碍物图像的分类识别.并选取防震锤、悬垂线夹、耐张线夹三类障碍物做识别试验,还把小波神经网络与普通BP神经网络识别性能进行了比较,实验表明:以联合不变矩作为障碍物识别特征具有良好的可靠性和稳定性;小波神经网络识别分类的性能良好,比普通BP神经网络具有更快的收敛速度和更高的识别精度.