基于聚类算法的低压电网分段线损智能识别方法

传统电网线损识别方法未能对线损特征进行提取,导致识别结果不准确,识别用时较长。提出一种基于聚类算法的低压电网分段线损智能识别方法。通过Wpdec小波分解函数对低压电网分段线损数据进行3层小波分解,利用Wprcoef函数对小波系数进行重构,提取低压电网分段线损特征;根据提取到的线损特征变量,设定分段线损异常判定依据,使用K-means算法对所提取的特征向量进行聚类分析,借助聚类结果获取线损特征规则,最终实现基于聚类算法的低压电网分段线损智能识别。经实验结果表明,所提方法不仅能够精准识别低电压分段线损,同时还能够提升识别速率。     

复杂曲面五轴加工全局干涉检测

针对环形铣刀五轴加工复杂曲面的全局干涉问题,提出了一种基于参数曲面网格划分与刀具包围盒的全局干涉检测算法。首先将加工参数曲面沿参数方向进行网格划分,得到若干离散网格点;然后将环形铣刀的圆柱面用六个平面包围形成刀具包围盒,并通过曲面离散点与形成刀具包围盒的六个平面的位置关系判断曲面离散点是否落入刀具包围盒内;最后判断落入刀具包围盒内的曲面离散点是否在环形铣刀的圆柱体内,若曲面离散点在环形铣刀的圆柱体内则存在全局干涉,否则不存在全局干涉。该方法与传统方法相比极大的提高了全局干涉的检测效率,通过实例验证该方法是可行的。     

用环形铣刀五轴加工自由曲面的全局干涉检测

针对环形铣刀五轴加工复杂曲面的全局干涉问题,提出了一种基于曲面二重网格划分的全局干涉检测算法。首先将加工曲面沿参数方向进行初始网格划分,得到离散网格点并快速排除不与刀具发生全局干涉的网格点;然后分别计算剩余的网格点到刀轴线段的最短距离,找到离刀轴线段距离最近的初始网格点;最后以该网格点为中心的邻域进行局部网格划分找到满足精度的离刀轴线段距离最近的网格点,确定该点的位置及与刀轴线段的最短距离,判断是否发生全局干涉。若存在全局干涉,进行刀具姿态调整。与传统方法相比,该方法极大提高了全局干涉的检测效率,并通过实例验证了该方法具备可行性。     

关于广告设计的几点思考

通过对经济全球化背景下文化模式与传播方式深刻变化的现状分析,试图解读广告传播中跨文化交流所面临的文化差异和文化冲突的障碍和原因,以广告创意独特的符号解码为实证,探索当代西方广告设计的文化语境和价值取向。     

充电设施实车充电数据获取解决方法分析

为解决实车充电状态时无法获取各项试验数据及通讯报文的情况,提出一种将充电连接终端改造为测试系统对实车充电采集报文截取的新方法,对电动汽车实车充电的物理与通信连接回路进行结构分析,通过在现场应用情况分析可知,该新方法安全易操作,同时可提高试验的实用性和现场问题故障描述的准确性和判断效率。     

基于负荷特性分析的电力用户用电行为特征研究

通过定义用电特性指标、划分负荷重要性等级,建立了针对精细化需求响应的新型负荷特性分析指标体系。以某企业用电数据为例,应用主成分分析法分析了用电行为影响因素,利用决策树分类法提取了用电行为影响因素特征量。并结合实际算例,研究了用户典型用能模式的特点及其行为原因,为需求响应策略的制订提供理论支持。     

计及生物质能的热电联供系统经济运行优化策略

为提升我国农村地区生物质能利用效率,借助热电联供(CHP)系统高用能效率优势,给出一种计及生物质能的CHP系统经济运行优化策略。在考虑了运行功率及容量约束下,对生物质能燃气发电、光伏发电以及储能电池等的运行成本进行建模分析,将CHP系统运行经济性优化转化为求解最小系统运行成本问题。在优化问题求解过程中,为提升传统粒子群算法求解效率,采用灰狼-粒子群算法降低优化过程陷入局部最优概率,提升优化算法运行速度。仿真结果表明,灰狼-粒子群算法具有更快的算法收敛速度,能够改善计及生物质能的CHP系统用能经济性,有效降低农村地区用能费用,促进生物质能推广应用。     

基于聚类算法的低压电网分段线损智能识别方法

传统电网线损识别方法未能对线损特征进行提取,导致识别结果不准确,识别用时较长。提出一种基于聚类算法的低压电网分段线损智能识别方法。通过Wpdec小波分解函数对低压电网分段线损数据进行3层小波分解,利用Wprcoef函数对小波系数进行重构,提取低压电网分段线损特征;根据提取到的线损特征变量,设定分段线损异常判定依据,使用K-means算法对所提取的特征向量进行聚类分析,借助聚类结果获取线损特征规则,最终实现基于聚类算法的低压电网分段线损智能识别。经实验结果表明,所提方法不仅能够精准识别低电压分段线损,同时还能够提升识别速率。     

基于气象数据降维与混合深度学习的短期电力负荷预测

精确的短期负荷预测能通过预知所需用电负荷来指导电网的调度运行。但电力负荷不仅与用户用电习惯相关，还容易受到温度、湿度等气象因素的影响。因此，文章在现有的使用负荷历史数据基础上，增加了影响区域型电力负荷的气象数据，并考虑高维气象参量数据对预测算法的过拟合问题，提出了基于稀疏核主成分分析(sparse kernel principal component analysis, SKPCA)的高维气象数据降维方法。进而以历史负荷功率和SKPCA重构后主成分为输入，构建了基于卷积神经网络(convolutional neural network, CNN)和长短时记忆(long-short-term memory, LSTM)神经网络的混合深度学习预测模型。CNN-LSTM模型可以同时提取负荷功率及气象数据的空间和时间相关特征，从而全面利用数据的时-空相关性特征，提升负荷功率的短期预测精度。相比于常见的数据降维和负荷预测方法，文章所提方法的数据维度降低了71.43%,预测精度达到了98.92%。结果表明，所提算法融合通过SKPCA降维后的气象数据能够显著提升区域型电力短期负荷预测准确度。