基于改进极端学习机的混沌时间序列瓦斯涌出量预测

为更准确地预测瓦斯涌出量,预防瓦斯灾害,有必要建立和应用基于改进极端学习机(IELM)的混沌时间序列预测模型。首先,对瓦斯涌出量监测数据构成的多变量时间序列进行相空间重构,采用互信息法与虚假邻点法得到每一变量的延迟时间和最佳嵌入维数;然后,通过最小二乘方法和误差反馈原理计算出最优的网络输入层到隐含层的学习参数,对极端学习机(ELM)进行改进;最后,借助IELM建立瓦斯混沌时间序列的预测模型。通过仿真试验,运用该预测模型预测的最大相对误差为3.290 2%,最小相对误差为0.898 2%,平均相对误差为1.952 8%。

光伏并网逆变器并联运行的预测控制研究

以逆变器输出端电压为切入点重新推导了并联功率理论,提出新的下垂控制策略。将光伏逆变器并联系统的下垂控制与三相光伏并网逆变器的模型预测控制相结合,由下垂控制部分实现并联逆变器输出有功、无功功率对其输出电压幅值及相位控制,并以此作为预测控制的参考电压信号,经优化后,选择最优控制量作用于三相光伏逆变器。实验结果表明,在空载投入负载,部分动力丢失情况下,该控制策略均能较好地实现对并联系统负载功率的均分及对各并联光伏逆变器的优化控制。

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。

光纤Bragg光栅传感器在煤岩声发射预测中的应用

为克服以往声传感器在煤岩环境下易受电磁干扰、灵敏度低和无法实现长距离传输管线的监测,同时为了克服以往传感器在搜集声发射信息传播过程中的衰减的弊端。文章提出了"听诊式"光纤Bragg光栅声发射传感器,对声发射信号进行收集,进而来判断岩石的稳定程度。在实验室建立起煤矿巷道的物理模型,在每个岩样的测试点采用煤岩声发射预测系统。根据现场在实验室进行模拟。实验结果表明:该检测系统能够提供详细的巷道煤岩的声发射信息的分布情况,从而实现及时准确的报警,以便工作人员作出相应的针对措施。

电网输电线路故障原因与对策分析

分析表明,输电线路易出现不同程度的损坏,导致无法正常使用,影响其效能。分析引发电网输电线路故障的原因,包括恶劣天气、外力破坏、鸟害等,提出有效的防治对策。