基于IGA-BP神经网络的智能电能计量设备退化趋势研究

电能计量设备可靠运行与否影响着电网边缘测量与电量计量准确性,为此本文提出一种基于参数优化BP神经网络的设备退化趋势分析方法.结合国网新疆高干热试验基地,及其智能电能计量设备实时运行基本误差数据,利用Spearman相关性分析方法,提取影响智能电能计量设备基本误差值的主要环境应力;采用函数拟合插值(FFI)方法消除原始数...     

县级电能计量中心互感器设备的管理技术

介绍了关于县级计量中心互感器设备的管理技术和互感器运行全过程的管理程序细节,强调了该设备的管理步骤和测试设备技术参数的选择方法。     

电能计量装置错误接线的判断

根据实际计量装置中出现较大计量误差的实例,以实际接线和向量图分析错误的原因,从而达到准确计量的目的。     

电能计量标准设备的一种期间核查方法

本文通过对电能计量标准设备期间核查方法的实例分析,介绍了一种期间核查方法——变量控制核查法,重点介绍了电能计量标准设备变量控制核查法的核查目的、核查标准的选用、核查周期和核查结论的确定方法。通过对变量的监控以实现保持电能计量标准设备校准状态的置信度。     

多应力下电能计量设备基本误差预估

针对典型环境应力下电能计量设备基本误差受环境应力影响大,且多电应力间关系难以刻画的问题,提出一种改进粒子群长短时记忆网络(IPSO-LSTM)的电能计量设备基本误差预测方法。首先,对典型环境下多种应力数据进行归一化、数据集分配预处理;针对误差时序数据波动趋势,构建一种挤压LSTM网络结构以分析误差数据的变化趋势特征,以改善多应力数据下的模型非线性拟合能力;利用改进PSO算法对模型超参数进行寻优,减少模型超参数影响,增强模型预测效果。在实验部分,依据某公司的多个电能计量设备,结合新疆地区典型运行试验室测量的环境应力及其误差数据对所提出算法进行验证分析。结果表明,本文的样本预测精度指标RMSE分别达到1.08%和1.19%,MAE分别达到0.88%和0.96%。     

基于孪生支持向量回归的风力机功率预测方法

针对风力机运行状态的不确定性问题应用机器学习提出一种基于孪生支持向量回归的风力机功率预测方法.首先,在孪生支持向量回归方法中分别采用线性核函数与多项式核函数,参数寻优上选用遗传算法建立预测模型并以平均预测精度作为评价指标;其次,基于SC ADA数据分析影响风力机性能的环境因素确定了风速、风向和环境温度为输入,风力机功率...     

基于支持向量回归的多参数设备故障预测方法

针对热连扎生产线的大型、复杂生产装备,构建了一个基于支持向量回归的无量纲参数智能故障预测系统。通过对已有的热连轧生产线在线监测信息进行无量纲统计分析,提出了利用支持向量回归技术对多个特征量进行并行预测,并对各类特征及其各预测步骤的剩余使用寿命预测结果进行趋势分析,通过置信区间估计确定最终预测结果,为管理者制定维修决策提供可靠依据。     

基于ADE7757的智能电能计量仪

介绍了ADE7757芯片的结构和测量原理,并提出了一种以ADE7757和P87LPC764单片机为核心的电能测量的方法。该测量方法使输入的电压、电流值在芯片内部完成功率运算,经单片机换算,得到有功功率和电能的测量值。由于采集的电压、电流信号均作了数字化处理,使整个测量具有电路简单、抗干扰性能好、测试精度高等优点。     

电能计量系统的管理现状及管理建议

电能在我国国民经济中占有重要的地位,电能计量历来就受到社会的重视。在电力市场化的今天,必须建立现代化的电能计量、管理和交易系统,保证公开、公平、公正地为电能生产者及使用者提供优质服务,而电能计量系统作为提供电能计量的信息源头,对电能的计量和管理起着至关重要的作用。但电能计量系统的管理现状不是很理想,分析了现阶段电能计量系统管理存在的问题,并指出了其今后管理建议。     

基于遗传算法的计量泵投料系统优化

针对计量泵投料系统的多泵协同工作问题,提出了带精英选择和个体迁移的多目标遗传算法的优化调度方法。对每一台泵的工作状态和流量进行了合理地调度,使系统整体运行达到最优。在系统运行过程中,将实际流量与目标流量之差的平方最小作为系统的第一目标,将系统的总功耗最小作为第二目标,建立了投料系统优化问题的数学模型。利用Matlab平台编写优化调度算法,进行了算法有效性和可行性的分析。最后结合实际系统,将算法用Java语言实现,并嵌入到实际系统中。Matlab仿真实验结果表明,遗传算法经过15~20代的迭代运算之后,就可以对目标流量为800 L/H进行合理地流量优化分配,还能有效地降低系统的总功耗,满足实验的设计需求。实际系统的运行结果表明,该优化调度算法执行效率高,优化效果明显。     

专用无磁计量芯片输入模块的低功耗设计

文中简要介绍了无磁计量芯片的基本构成,重点研究了输入模块的工作原理和设计方法,分析了一般传感器的原理及局限性,建立了无磁传感器模型,采用两级迟滞比较器的基本结构设计了具有低功耗特点的输入比较器模块,通过适时关闭比较器使其进入休眠模式,以及合理的安排时序关系来降低整个输入模块的平均功耗.经过仿真得到模拟比较器的增益为55 dB,带宽达到1.2 MHz,满足了1 MHz的工作速度,同时静态功耗降到7.29 μW,实现了低功耗的目的.最终经过流片测试,电路工作正常.     

A Metamodeling Method Based on Support Vector Regression for Robust Optimization

Metamodeling techniques have been used in robust optimization to reduce the high computational cost of the uncertainty analysis and improve the performance of robust optimization problems with computationaUy expensive simulation models.Existing metamodels main focus on polynomial regression(PR),neural networks(NN)and Kriging models,these metamodeis are not well suited for large-scale robust optimization problems with small size training sets and high nonlinearity.To address the problem,a reduced approximation model technique based on support vector regression(SVR)is introduced in order to improve the accuracy of metamodels.A robust optimization method based on SVR is presented for problems that involve high dimension and nonlinear.First appropriate design parameter samples are selected by experimental design theories,then the response samples are obtained from the simulations such as finite element analysis,the SVR metamodel is constructed and treated as the mean and the variance of the objective performance functions.Combining other constraints,the robust optimization model is formed which can be solved by genetic algorithm(GA).The applicability of the method developed is demonstrated using a case of two-bar structure system study.The performances of SVR were compared with those of PR,Kriging and back-propagation neural networks(BPNN),the comparison results show that the prediction accuracy of the SVR metamodel was higher than those of other metamodels under uncertainty.The robust optimization solutions are near to the real result,and the proposed method is found to be accurate and efficient for robust optimization.This reaserch provides an efficient method for robust optimization problems with complex structure.     

谐波下的电能计量研究及功率因数分析

电力系统中非线性负载通常是谐波源,其正常运行导致电网畸变严重,因而影响了基于正弦电压、电流原理下的感应式电能表的电能计量。在电网存在谐波时,感应式电能表会存在较大计量误差,由于线性负载在吸收基波电能的同时也吸收谐波电能,而非线性负载通常在吸收基波电能的同时还会作为谐波源发出谐波电能污染电网,因此,感应式电能表的计量偏差通常对这两类负载又是极不公允的。该文从理论上对非线性负载的电能计量进行了深入分析,通过电能计量对策研究和仿真分析,讨论了存在非线性负载时供用电计量的公平性和准确性问题,进而提出了电网畸变时基于基谐波分离的电能计量方案。     

给水管网故障智能诊断方法

针对传统的支持向量机(support vector machine,简称SVM)参数选择方法以人工试验为主,花费时间长且很难得到最优参数的问题,提出了一种基于遗传算法(genetic algoritlam,简称GA)的支持向量机参数自动寻优方法.利用GA的全局搜索能力对支持向量机的各项参数进行寻优预处理,找到最优的参数取值,建立基于遗传算法的支持向量机模型(GA-SVM).以某小型给水管网为研究对象,采用水力分析算法求得管网局部破坏状态下的各项数据,并用这些数据对预测模型进行故障诊断试验,结果表明,经遗传算法优化的支持向量机模型具有较高的预测精度,整体性能优于传统的BP神经网络模型.     

基于SVR-GA算法的广义加工空间机床切削稳定性预测与优化研究

针对机床零件加工位置和进给方向不确定造成刀尖频响函数变化,导致切削稳定性叶瓣图与无颤振工艺参数预测具有不确定性问题,提出一种耦合支持向量回归机(SVR)与遗传算法(GA)的切削稳定性预测与优化方法。该方法采用锤击法模态实验和空间坐标变换,获取样本空间不同加工位置与进给方向的刀尖频响函数;进而结合传统切削稳定性预测方法构建以各向运动部件位移、进给角度、主轴转速、切削宽度、每齿进给量为输入的极限切削深度SVR预测模型;采用该SVR模型作为切削稳定性约束建立材料切除率优化模型,通过遗传算法求解各运动轴位移、进给角度与切削参数的最优配置。以某型加工中心展开实例研究,实验结果表明获取的优化配置能实现稳定切削,验证了该方法的有效性。     

电能量自动计费及负荷管理系统的设计

该系统集成了单片机数据采集、RS-485总线通讯、大型关系数据库、B／S、C／S、Active X等技术,实现了电能远程计量、分类分时段计费、电力负荷管理,具有通用化、模块化、网络化的特点。经实际运行验证,系统测量准确,功能完善,操作简单,安全可靠。取得了良好的运行效果。     

基于FSVM的起重机臂筒焊接变形测量研究

为解决获取起重机臂筒固有焊接变形的不便利及复杂性问题,应用支持向量机模糊理论融合技术对起重机臂筒焊接变形测量方法进行研究,并采用遗传算法对支持向量机的核参数及惩罚因子进行寻优,以误差函数为评价指标,最终确定了核参数σ=1.8和惩罚因子c=26。将该测量模型应用于焊接变形的预测,同时采用智能图像检测法对相同预测点进行测量对比,结果显示所建立的融合模型对起重机臂筒焊接变形的测量和智能图像检测法的误差在5%以内,验证了该测量方法的准确性。     

电火花加工8418钢的工艺预测模型

在电火花加工中,加工工艺指标的结果与工艺参数的设置密切相关。一般情况下,操作者在进行实际执行之前,只能根据以往的加工规律以及经验手段对其结果进行预判,达到预先评估加工结果的目的。针对这一情况,提出一种适用于电火花加工工艺指标结果预测的模型,该模型的建立是基于支持向量回归理论的数学方法,并利用遗传算法优化该方法中的各参数。以电火花加工8418模具钢为例,结合正交试验方法和经验加工方法选取加工工艺参数,并记录工艺指标结果。为保证EDM工艺指标预测模型的准确性,将试验数据随机分成训练集和测试集,利用训练集训练EDM工艺指标预测模型,可得加工时间模型均方误差T_(MSE)=0.95′10~(-4),平方相关系数T_(R2)=0.99 1;工件去除率模型均方误差MRR_(MSE)=1.02′10~(-4),平方相关系数MRR_(R2)=0.999 3;电极损耗率模型均方误差EWR_(MSE)=1.11′10~(-4),平方相关系数EWR_(R2)=0.998 9。再利用测试集验证该模型,可见预测结果与试验结果之间的误差在5%以内,从而证明电火花加工8418钢工艺预测模型的准确性和有效性。