高阶时滞系统的改进线性自抗扰控制及参数整定方法

针对高阶时滞系统采用传统线性自抗扰控制调节效果不佳、参数整定困难的问题,提出一种高阶时滞线性自抗扰控制。在一阶线性自抗扰控制的基础上,串联高阶前馈补偿器,从而解决了线性扩张状态观测器前馈信号和反馈信号不同步的问题,提高了系统的状态观测精度;在此基础上,采用目标逼近法定量化参数整定公式,并推导出参数可调节区间,实现利用单参数λ调节控制器参数,简化参数整定;进一步采用频域分析法验证该整定方法的有效性,并确定参数和系统鲁棒性的关系。最后,在选择性催化还原(SCR)脱硝控制系统的仿真实验中将所提出的控制器与其他类型控制器进行了对比,验证了该控制器的优越性。结果表明:所提出的高阶时滞线性自抗扰控制在定值跟随、抗扰动和鲁棒性上均具有明显优势,具有很大的工程应用潜力。

基于改进实例学习算法的风电机组齿轮箱状态监测

风电机组齿轮箱的运行过程是复杂的非线性过程,采用实例学习(IBL)算法建立模型可有效对其进行状态监测。针对实例学习模型对训练数据质量敏感的特点,提出综合考虑多种性质的两步主动学习样本选择方法。首先提出一种基于拉丁超立方体抽样思想的网格划分初始样本选取方法,并基于z-score方法剔除其中的离群点。然后第一步基于信息性和代表性的综合得分选出候选样本来避免离群点影响,第二步基于多样性使第一步的候选样本稀疏化,从而避免冗余点影响。最后,基于指数加权移动平均控制图对实例学习回归模型输出的残差进行分析,并根据故障率对风电机组齿轮箱实现状态监测。利用某风电机组实际故障数据进行验证。结果表明:所提出的方法能选出优质样本,模型精度在验证集上较未改进前有所提升,且运算效率提升约50%,可实现齿轮箱异常的早期预警。

基于自注意力CNN-BiLSTM的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命(RUL)预测方法特征提取能力单一,无法充分利用数据中蕴含的时空信息等问题,提出了一种基于自注意力卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的RUL预测方法。将振动信号的不同时域指标输入改进的自注意力CNN模块,提取不同指标间的空间特征信息并进行自注意力加权以强化特征提取效果,然后通过BiLSTM层提取时序数据中的退化特征信息并经过全连接层后输出轴承的RUL预测值。使用FEMTO-ST滚动轴承数据集进行验证的结果表明,相比CNN,BiLSTM和CNN-BiLSTM模型,自注意力CNN-BiLSTM模型的RUL预测误差更低,性能评价指标更好,CNN与BiLSTM的融合以及自注意力机制的应用使模型的预测精度提高且更倾向于进行超前预测,有利于开展预测性维修。

分布式光纤系统大范围高温的非线性测温标定

近年拉曼光纤分布式测温系统在常温领域有了广泛的应用,然而在诸如电厂锅炉此类温度从室温20℃到600℃的大范围高温测温场景,国内外光纤测温少有研究和应用。面对大范围高温光纤测温问题,采用特殊铜涂覆层高温光纤,搭建分布式光纤系统,用高温箱模拟从室温升到六百摄氏度高温环境,采集反射光相应信息。经过实验发现,利用双通道解调理论公式解析出的测量温度偏差较大,同时常温应用中广泛使用的线性拟合也无法适应大范围高温场景。针对大范围高温场景温度解调,采用多种非线性标定方法,成功实现光纤大范围高温跟踪,最终实现在高温段550℃至600℃精度±2℃测温。

基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测

风电机组齿轮箱的故障频率和维修成本较高,有必要对其运行状态进行实时监测。非线性状态估计(NSET)算法有着对记忆矩阵依赖大、无法有效利用数据资源改善精度、实时性差等不足。为此,提出一种基于模糊软聚类和集成NSET的状态监测方法:使用模糊软聚类将历史数据分为边界有重叠的不同类别,实现工况的软划分并构造多个不同工况的NSET模型作为个体学习器;以参数回归方法作为结合器,可在不影响实时性的同时,使用大量数据训练参数以改善精度。用某2 MW风电机组的齿轮箱故障数据进行验证,结果表明,相比常规方法,提出方法的精度和实时性均更优;通过预测残差均值和基于残差构造的健康指数,能够灵敏、准确的反映齿轮箱的早期故障及其发展趋势。

基于智能电厂大数据的关键参数目标值挖掘技术

为响应能源结构调整、推进能源供给侧改革,火力发电行业迫切需要进行深刻的技术转型。关键参数目标值的计算是火电厂运行优化的重要环节,常规的计算和挖掘方法精度低、实时性差、难以投入闭环应用。本文探讨了基于智能电厂大数据的关键参数目标值挖掘技术的内涵和具体实现,涉及整体架构、专用数据挖掘技术等;并以国内某超超临界机组为例,介绍了针对超超临界机组的关键参数目标值挖掘系统,该系统利用在线迭代更新和离线挖掘修正相结合的策略,解决了数据体量大与时效性要求高的矛盾,有助于实现关键参数目标值的高效挖掘。

基于模糊C均值软聚类工况辨识的风电功率短期区间预测

针对常规风电功率区间预测方法中以实发功率划分子区间有效性差的问题,提出了一种基于模糊C均值软聚类工况辨识的风电功率短期区间预测方法。模糊C均值软聚类可以将过渡工况的样本点划分到多个工况区间中,从而提高子区间划分的有效性。首先采用LSSVM建立风电功率确定性预测模型,然后基于聚类有效性,确定聚类数目,再利用模糊C均值软聚类对历史运行数据进行工况辨识从而划分为多个子区间,最后利用核密度估计计算各工况下功率预测值与真实值误差的概率密度函数,进而确定各工况的功率置信区间,完成区间预测。算例结果表明,基于模糊C均值软聚类工况辨识的风电功率区间预测方法在覆盖率和平均带宽等评价指标上优于常规方法,适合应用在风电功率短期区间预测中。

基于改进KNN回归算法的风电机组齿轮箱状态监测

针对风电机组齿轮箱的状态监测问题,提出使用改进KNN回归算法建立齿轮箱的正常行为模型。首先,对经典KNN回归算法的距离度量公式进行改进,实验证明预测精度提高约60%;其次,基于改进的离群点和相似点剪辑算法优化KNN回归算法的训练集以提升运算效率,优化后计算时间缩短约20%,预测精度基本保持不变。最后,针对某风电场一台2 MW风电机组的齿轮箱实际故障数据,应用提出的改进KNN回归算法并结合统计过程控制相关理论,实现对齿轮箱故障的预警。结果表明:较经典KNN算法,提出的改进算法故障预警能力显著增强。

法医学二代测序STR分型准确度与测序深度的关联性评估

目的利用实验数据对法医学二代测序STR分型测序深度与分型结果准确度的关联性进行评估。方法使用商业化基因组DNA制备单一来源和混合的DNA样本,以Thermo Fisher公司的25重早期测试试剂盒进行目的STR片段扩增,每种扩增产物分别使用4种不同的序列标签平行建库,并控制标记每一种序列标签的文库上机量依次占一张Ion 318芯片的1/4、1/8、1/16、1/32。经Ion PGMTM基因测序仪测序,以及Ion Torrent SuiteTM软件进行数据分析;同时对庞敬博等人发表的基于相同试剂盒和测序仪检测的95名中国汉族无关个体的6928条等位基因、影子峰和噪音序列进行测序深度统计分析,寻找测序深度与STR分型准确度的关联性。结果各基因座测序深度随文库上样量减少而呈明显下降趋势。对于单一来源样本,每张芯片上样不超过8个均一化文库可实现全部基因座的完整分型;对于1∶20比例的混合DNA,每张芯片上样不超过4个均一化文库时,未发现微量组分的等位基因丢失。人群数据测序深度统计显示,该体系基因座间存在不均衡性,有必要针对各基因座分别设定分析阈值参数。结论测序深度与法医学STR分型结果的准确性密切相关,各基因座最低测序深度与平均测序深度的比值可作为设定分析阈值的重要参考指标。本研究确定的单张芯片上样数量仅适用于本实验体系,但相关实验设计和方案可供其他实验体系开展类似工作参考。

基于MMI-PCA-KLPP二次降维和模糊树模型的NO_X浓度软测量方法

针对火电厂气体分析仪测量存在滞后和NO_X软测量不准确的问题,提出了一种基于改进互信息-主成分分析-核局部保持投影(MMI-PCA-KLPP)二次降维和模糊树模型(FT)的NO_X浓度软测量方法。首先对样本进行剔除离群点等预处理,再通过查阅文献大体确定模型的输入变量,并采用MMI方法对输入变量进行降维处理;针对MMI降维后依然有较多输入变量的问题,综合考虑了样本全局结构特性和局部结构特性,用PCA-KLPP方法对MMI降维后的变量二次降维;最后针对二次降维后的数据,基于模糊树算法建立了NO_X软测量模型。实验结果表明,模糊树模型精度高且泛化能力强,结合MMI-PCA-KLPP二次降维处理后,大大缩短了模型的训练时间且精度未出现较大程度的降低。

基于增量式相对熵的风电机组实时状态监测

针对风电机组的实时状态监测问题,提出了一种基于增量式相对熵的残差分析方法。首先,通过分析滑动窗口数据特点,推导了适用于实时运算的增量式相对熵的计算公式,其时间复杂度为O(1),要低于常规计算方法的O(n)。接下来,提出了一种基于数据驱动和正常行为建模的风电机组实时状态监测方法,并将增量式相对熵作为实时残差分析的指标。最后,用某2 MW风电机组的实际齿轮箱故障数据为算例,验证了该方法的有效性。结果表明,相对熵残差分析能够至少提前8~10 d实现故障预警,优于常规的统计量;增量式相对熵的计算时间仅相当于常规方法的0.4%~1.9%,在实时性上有显著优势。

考虑输入变量时滞的NO_x生成量动态建模

为提高选择性催化还原(SCR)脱硝系统的控制品质与经济性,需要建立精确的SCR脱硝反应器入口NO_x生成量动态模型。本文基于模糊树模型建立了SCR反应器入口NO_x生成量动态模型,提出采用复相关系数的时滞联合估计方法,对影响NO_x生成量的模型输入变量进行时滞估计。将该方法应用于某600 MW燃煤机组的运行数据,并对输入变量采用相关系数法和复相关系数法进行时滞估计对比。结果表明:模糊树模型的建模精度较高、泛化能力强;在模型输入变量进行时滞估计时,相较于相关系数法,采用复相关系数法对模型精度和泛化能力提升程度更高。

基于条件互信息的NO_x生成量模型变量-时滞联合选择方法

为了提高脱硝系统入口NOx生成量模型的精度和泛化能力,在选择辅助变量的同时也应考虑变量时滞的影响,提出了一种基于条件互信息的变量-时滞联合选择方法。以条件互信息作为变量选择的依据,抑制辅助变量间相关性造成的信息冗余,同时考虑时滞对变量选择的影响,在选定辅助变量时对时滞进行联合估计,以最大化辅助变量集包含的有效信息。以某600MW燃煤电站的实际运行数据为算例,基于该联合选择方法和BP神经网络建立了NOx生成量模型。结果表明:与仅基于互信息或条件互信息进行变量选择相比,基于联合选择方法所建立的模型精度和泛化能力相对较好。

基于时空注意力-Seq2Seq模型的多风电机组多步风速预测算法

针对在多风电机组风速预测任务中,卷积运算不适用于提取排布不规则的多风电机组空间相关性的问题,提出一种基于时空注意力-Seq2Seq模型的多风电机组多步风速预测算法。首先使用空间注意力机制强化风速序列的空间相关性,并对常规空间注意力机制进行改进;之后使用Seq2Seq模型中的编码器进行编码;最后使用结合时间注意力机制的解码器计算多风电机组的多步预测结果。以河北市某风电场的实际数据为算例进行实验,结果表明相比其他对比算法,所提算法的平均绝对误差下降约4.3%~15.0%,精度有较大提高。

基于严格二叉树编码和GA的模糊树结构学习

为解决模糊树模型结构学习中存在的信息冗余、寻优效率低等问题,提出了一种基于严格二叉树编码和遗传算法的结构学习方法。通过严格二叉树编码对模型结构进行编码,改善了现有矩阵编码的信息冗余问题;考虑到编码特殊性和算法收敛性,提出了一种改进的遗传算法用来对模糊树模型的结构进行寻优。实验结果表明,不同数据集上该算法的稳定性和计算速度均较好,能够寻找到一个较优的二叉树结构,从而提高模糊树模型的建模精度。

基于Box-Cox变换和相对熵残差分析的风电机组齿轮箱状态监测

风电机组齿轮箱的故障频率和维修成本较高,有必要进行实时状态监测。残差分析是基于运行数据的状态监测方法之一。但使用常规统计量作为指标,无法全面描述残差概率分布的变化,可能会得到变化趋势不显著、故障敏感度低的监测信息。为此,提出一种基于Box-Cox变换和相对熵的残差分析方法:首先,结合滑动窗口法对正常行为模型的预测残差进行Box-Cox变换,以改善其正态性;之后,计算当前与基准残差数据间的一维连续正态分布相对熵,作为状态监测的指标。用某2MW风电机组齿轮箱故障前和维修后的两组数据进行验证。结果表明,相比常规方法,相对熵的变化趋势更显著、对故障的敏感度更高,且能够直接对比齿轮箱运行状态的相对变化;Box-Cox变换能够进一步改善相对熵的预警能力,使预警时刻提前约4~9h。

一种超级电容电压均衡策略

由于传统储能技术作为电能利用的重要环节之一存在应用条件较窄、瞬时功率小和循环寿命短等缺点,而超级电容具有功率密度大、充电时间快、使用寿命长、绿色环保等特性,成为新型储能装置的重要器件之一。以超级电容储能系统为研究对象,针对超级电容组充放电时单体间的电压不一致问题,设计了一种能量转移型超级电容单体间电压均衡策略,通过软件仿真和实验测试验证了理论的可行性,为超级电容组的使用提供了一种方案。

基于概率鲁棒的水轮机调速系统鲁棒性评估

针对常规鲁棒性评估方法不能定量给出评估结果的问题,提出了一种基于概率鲁棒方法的控制律鲁棒性定量评估方法。首先确定水轮机调速系统的数学模型和控制策略,并确定参数的摄动范围、置信水平等;然后对系统进行蒙特卡洛仿真,得到阶跃响应曲线簇并绘制性能指标的累计频率曲线;最后计算性能指标的可接受概率、样本均值等统计量,实现鲁棒性的定量评估。以紧水滩水力发电厂水轮机调速系统为研究对象,分别设计了基于PID和模糊内模的调速系统控制器,并用上述方法对两种控制器的鲁棒性进行评估。结果表明,模糊内模控制器的鲁棒性更优,与概率鲁棒的鲁棒性评估结果一致,验证了概率鲁棒对控制律鲁棒性定量评估的有效性。

用于同步辐射的压电变形镜控制策略数值模拟

为了提高同步辐射中压电变形镜的控制自由度和面形精度,解决压电致动单元数量过多引起的解算电压受噪声影响异常波动(过拟合)问题,建立了变形镜模型并进行仿真控制。通过有限元仿真获得36组压电响应方程,构建面形与电压的数学模型;为补偿重力造成的镜面畸变,以获得的椭圆面形分析并比较了使用最小二乘法和Tikhonov正则化两种电压解算方案的控制效果。结果表明:采用Tikhonov正则化算法反演后,面形控制误差相比最小二乘法降低了21.7%,相邻极板间电压波动极大值从1.019 kV下降为0.174 kV,反演结果符合工程实际要求;系统对测试噪声具有鲁棒性,相比最小二乘法有更加优越的应用价值。

基于NSGA-Ⅱ的塔式太阳能电站定日镜场调度方案研究

针对目前塔式光热电站定日镜场调度方案存在过度简化、调度目标考虑不周、求解算法与模型不适配等问题,提出了以总能量、均匀度、焦点变化次数为指标的多目标调度模型。在优化定日镜场调度问题数学模型的同时引入焦点变化次数作为评价指标,这样能够反映调度能耗和设备磨损。运用带精英策略的非支配排序多目标遗传算法(NSGA-Ⅱ)作为调度算法求取问题的Pareto最优解集,然后以加权最大满意度法进行决策得到最终的调度方案。利用我国西部某太阳能电站数据对模型及求解算法进行单次运行和连续运行仿真,仿真结果表明本文方法在单次运行和连续运行中均能保持良好效果,通过与现有调度模型及算法的仿真对比进一步验证了模型的实用价值。