初始飞行训练手动操纵胜任力评级方法研究

手动操纵能力是飞行员必须具备的核心胜任能力之一,其量化评级方法是初始飞行训练的痛点。论文以飞行学员手动操纵技能评估为研究对象,首先根据国际民航组织(ICAO)提出的基于胜任力的训练和评估理论(CBTA)选取手动操纵能力可观察行为(OB)的数量和频度作为评价指标,由飞行专家根据考核课程特点设计观测项和构建关联矩阵,利用关联矩阵的范数计算OB展现数量和频度;其次基于VENN准则构建手动操纵胜任力评估模型,确定评级阈值,利用大量考试样本数据对飞行专家评估经验进行学习;最后结合典型课程操纵技能评估开展实证分析验证所设计方法有效性,为规范量化飞行学员手动操纵能力评级方法提供参考。

电力系统动态消息编码技术

为方便通信双方在未协商通信内容情况下动态、高效地交换模型和数据,提出了电力系统动态消息编码技术。该编码技术采用二进制自描述方式描述大型电力系统模型和数据,共有四种编码方式:M0用于兼容抽象语法标记(ASN.1);M1在ASN.1的基础上加入名字选项,用于少量数据的结构化描述;M2扩展编码头部,编码效率高;M3扩展编码头部,描述类信息。实际使用中,首次通信时使用M3发送类型和结构信息,其后通信使用M2发送数据;当类型和结构发生变化时,再次发送类型和结构信息,有效地解决了数据量和维护的矛盾问题。

导向管底部泄流孔水力损失计算分析

核燃料组件导向管底部泄流孔的水力损失系数对控制棒落棒时间和落棒速度有着重要影响。在落棒问题分析中,能否采用叠加理论计算泄流孔的水力损失,必须进行具体分析和论证。采用CFD方法对"突缩-突扩"型和"突缩-突缩"型两类四种泄流孔在不同流速下的水力损失进行了数值模拟计算,并与理论计算结果进行了对比。计算结果表明,对于流道内未充分发展的流动,理论计算结果与数值模拟计算结果存在一定差异。

智能电网调度控制系统中历史数据服务优化方案

在智能电网调度控制系统中,历史数据存储规模呈爆发式增长态势,海量历史数据的冲击,影响了数据访问效率,为满足历史数据高效访问的需求,针对历史数据服务提出了全新的解决方案。文中提出增加历史数据缓冲区,缓存管理电网热点数据,提高数据处理效率,减轻历史库负载;优化任务分配器,协调数据缓存区与关系库分工作业,对历史数据服务进行有效的管理和调度;设计历史数据会话监听机制,实时监视数据库会话状态,保障历史数据服务的安全性和稳定性。实践证明,基于缓存的历史数据服务能够满足爆发式海量数据场景下的数据访问需求,保障电网调度控制系统的安全稳定运行。

基于Gabor变换的电网调度自动化设备运行状态监控技术

提出基于Gabor变换的电网调度自动化设备运行状态监控技术。该方法从电网调度自动化设备的大规模数据库技术和自动化电网调度技术入手,分别采集2项技术在电网调度自动化设备运行中存储和调度的状态信息,并将状态信息与Gabor变换结合,消除状态信息携带的干扰噪声,通过将优化后的状态信息输入以模糊神经网络与电网调度自动化设备健康评估体系为基础建立的设备运行状态监控模型中,实现电网调度自动化设备运行状态监控。实验结果表明,所提方法能够迅速监控电网调度自动化设备运行故障状态,监控功率与实际功率一致,监控精确度高。

基于聚类分析的电动汽车充电负荷预测方法

准确预测电动汽车充电负荷是研究大规模电动汽车接入对电网影响的基础,现有充电负荷预测方法缺乏考虑路况拥堵因素对电动汽车荷电量的影响。提出了一种基于聚类分析的电动汽车充电负荷预测方法,在分析常规充电负荷影响因素并初步建立概率分布模型的基础上,对每段行程的行驶里程和行驶时间构成的二维出行特征数据进行聚类分析。挖掘常规统计数据无法得到的道路拥堵因素,考虑不同路况条件下道路拥堵因素对电动汽车荷电状态的影响并叠加该变量到负荷预测模型中。以北京市为例分别预测并比较分析了工作日、周末、夏季、冬季电动汽车日充电负荷曲线。计算结果表明该方法可在一定程度上提高充电负荷预测的精确度。

基于信息差异图模型的电力调度自动化系统组件故障溯源方法

电力调度自动化系统作为复杂信息物理系统,规模庞大且逻辑拓扑难以获得,一旦其组件发生故障,系统将出现雪崩式告警,现有典型故障溯源方法严重依赖于专家经验和逻辑拓扑关系,故障溯源困难。提出一种基于信息差异图模型的电力调度自动化系统故障溯源方法。首先,通过k-means算法获得所采集每个数据特征时间序列的聚类中心,将其作为划分离散区间的端点,计算区间均值作为离散化结果。然后,根据告警前后的信息度量变化率构建信息差异矩阵,该矩阵元素分别由系统组件自身信息熵和组件间传递熵的归一化差异比率组成。最后,根据告警信息变化较高的特征及特征间的交互信息建立信息差异图模型,定义图模型中节点状态及链接关系,构建节点及其权值和故障程度之间的映射表,标记表中故障程度排名靠前的组件并回溯到图模型中组件间交互关系进行故障溯源。在仿真数据、某开源分布式系统数据集和某电网调度系统实采数据上的实验结果表明,与典型相关方法相比,所提方法在准确率、召回率等指标上具有显著优势。

乳化型OP合成蜡的制备及其应用

本文介绍了可以用于替代昂贵的天然蜡的乳化型ＯＰ合成蜡的制备方法及其在皮革涂饰方面的应用。

橡胶防护蜡

介绍了制备橡胶防护蜡的主要原料，分析了橡胶防护蜡的主要成分。论述了橡胶防护蜡的作用机理及影响橡胶防护蜡防护性能的主要因素（包括橡胶防护蜡的碳数分布、正异构烷烃比例、使用温度、交联度，胶料种类、载荷、填料、软化剂等）。

Fluid30单元在同轴圆柱壳固有特性计算中的适用性分析

目的分析Fluid30单元用于内侧含环形间隙流体同轴圆柱壳固有特性计算的适用性。方法针对内侧含环形间隙流体的同轴圆柱壳模型,分别基于"Fluid30单元"和"理论流体附加质量"对壳体固有特性进行分析。通过变间隙宽度对比计算,探究壳体固有特性随无量纲半径比的变化规律,分析波动方程离散化对计算结果的影响,判定Fluid30单元的适用范围。结果半径比与固有频率之间呈非线性关系,半径比越小,壳体固有频率越低,固有频率随半径比变化率越大。波动方程离散化引起的误差随半径比减小而增大,以相对误差10%作为Fluid30单元适用性判别标准,(1,2)壳式频率对应的临界半径比为1.20,(1,3)壳式频率对应的临界半径比为1.03,其他壳式频率对应的临界半径比小于1.001。结论不同阶频率的Fluid30单元适用范围不同,当半径比小于临界值时,相关频率应基于理论流体附加质量迭代计算。

基于孤立森林算法的电力调度流数据异常检测方法

调度是电力系统安全运行的保障。针对具有"概念漂移"特点的调度监测流数据,基于离线数据分析或简单阈值判定的异常检测方法,存在与生产系统实时运行状态结合不紧密、依赖专家经验等问题。提出了一种基于孤立森林算法的电力调度流数据异常检测方法,利用历史数据集训练构建多个子森林异常检测器,组成基森林异常检测器;据此,在线根据滑动窗口中数据的异常情况及缓冲区数据量大小,触发检测器更新。提出一种根据异常偏差率大小筛选子森林异常检测器的更新策略,解决因模型随机更新导致异常检测器整体性能下降的问题。以服务器和某省级电网调度中心业务流数据集作为训练与测试样本,验证了所提方法在异常检测查全率及查准率等综合性能上的先进性及其在实际系统应用中的可行性。

不平衡数据集下基于自适应加权Bagging-GBDT算法的磁盘故障预测模型

针对磁盘数据集中正负样本数目严重不平衡导致基于机器学习的分类算法易出现故障预测准确率低的问题,本文提出一种基于自适应加权Bagging-GBDT算法的磁盘故障预测模型.首先,提出基于聚类的分层欠采样方法对健康磁盘样本进行多次抽样,解决随机欠采样方法易丢弃潜在有用样本的问题;其次,将每次采样后样本与全部故障磁盘样本组合得到多个样本子集,通过训练这些子集建立多个预测精度较高的GBDT子分类模型;最后,根据待测点邻域样本类别自适应确定各子模型权重,据此通过加权硬投票集成最终的磁盘故障预测模型.在8组KEEL不平衡数据集上实验结果表明,与现有典型不平衡学习算法相比,少数类的召回率平均提升了9.46%;同时在磁盘公开数据集和某调度系统磁盘数据上对比验证了该方法在故障预测率上的先进性.

基于RB-XGBoost算法的智能电网调度控制系统健康度评价模型

针对智能电网调度控制系统(D5000系统)健康度评价,基于专家经验的传统评价方法存在主观性较大的问题,机器学习多分类方法是提高评价客观性的一种有效手段,但健康度各等级样本数目间存在的不平衡问题导致分类准确率较低,为此提出一种基于随机平衡和极端梯度提升(RB-XGBoost)算法的D5000系统健康度评价模型。首先,针对系统各评价等级样本数目严重不平衡的问题,提出一种自适应随机平衡(RB)的混合采样方法,分别以等级间样本数目的最大值、最小值作为采样区间的上、下限,生成多个随机数对各等级样本数据进行欠采样或过采样,增加训练数据的多样性并降低其不平衡程度;然后,训练平衡后的样本数据,建立极端梯度提升(XGBoost)算法子模型,考虑到各子模型重要度的一致性,提出采用硬投票方式集成所有子模型,得到与D5000系统各子模块对应的评价模型;最后,根据该系统指标层级关系,在评价过程中采用并、串行结合的计算方式,构建包含17个RB-XGBoost模型的D5000系统整体健康度评价模型。8组KEEL数据库中多类不平衡数据集的实验结果表明,与现有同类典型方法相比,所提方法的平均分类准确率最高提升了6.79%,平均提升了2.03%;某网省级D5000系统的实时采集数据验证了所提方法的有效性。

基于元学习动态选择集成的电力调度数据异常检测方法

及时准确识别电力调度自动化系统业务运行异常对于维护具有“双高”特性的交直流混联大电网系统安全稳定运行具有重要意义。调度自动化系统运行业务种类繁多、业务状态监测维度多样且各业务之间存在复杂交互关系,导致调度监测数据的异常模式呈现多样化的特点。现有基于动态选择集成的无监督异常检测方法存在衡量基检测器性能的评价基准不准确且只使用单一性能指标的问题,难以在多种异常分布模式上均保持较好的性能。该文提出一种基于元学习动态选择集成的电力调度数据异常检测方法。针对评价基准不准确的问题,提出一种混合选择集成思想,通过基于孤立森林的静态选择方法预先剔除性能较差的基检测器,再对筛选后的基检测器进行动态选择集成,有效提高了假真值的准确性;针对单一指标通用性弱的问题,提出融入元学习的基检测器动态选择集成策略,将多个基检测器的动态选择问题转换为二分类问题,设计多种指标作为元特征来训练元分类器,并根据其输出选择性能较好的基检测器进行检测,通过多种指标互补以获得更强的通用性。在30个权威公开数据集和某省级电网调度中心业务数据集上开展了大量实验,与多种典型集成异常检测方法进行了对比,验证了所提方法在曲线下面积值(area under curve,AUC)值指标上的先进性以及实际应用上的有效性。

调度自动化系统知识图谱的构建与应用

调度自动化系统的大部分业务知识都零散分布在系统源码、配置文件、数据库和专家的经验里,无法形象化展示整个系统的业务逻辑。针对调度自动化系统业务关系复杂,业务种类繁多等特点,提出了一种自底向上和自顶向下相结合的调度自动化系统知识图谱构建方法。通过知识的获取、知识的存储、知识图谱的展示与应用3个步骤,解析结构化和半结构化的数据源,获得调度自动化系统基础平台以及各业务之间的关联关系,形成系统结构和详细业务知识等信息。构建的调度自动化系统基础平台和业务逻辑知识图谱,便于对整个系统业务关系的认知,在系统发生故障时,辅助故障分析。

面向不平衡数据分类的高维超球体过采样方法

在机器学习不平衡分类方法研究中,由于多数类与少数类样本数量之间存在较大差异,导致分类器易出现判定准确率低的问题.以SMOTE为代表的一类过采样方法是处理该问题的一种有效手段.该类方法在选定的线段中随机生成少数类新点来重新平衡数据集,但存在忽略少数类样本在超维空间中分布多样性的缺陷.本文提出一种面向不平衡数据分类的高维超球体过采样(HS-SMOTE)方法.在少数类样本集上通过随机抽样获得需要平衡的样本数目,在此基础上依次对每一样本通过欧氏距离选取其在少数类分布空间中的对应最近邻点,以两点连线中点为球心在超维空间构建采样超球体,在此区域内通过维度空间距离迭代随机生成所需的少数类新点,在类别样本数据再平衡的基础上增加少数类样本的空间分布多样性.在15组KEEL不平衡数据集上结合随机森林(RF)分类器开展了大量实验,与6种典型过采样方法相比,所提方法在G-mean以及F1-score指标上均有较好的表现,并通过了2种统计学假设检验方法的有效性验证.

多源数据聚类下电力二次系统故障检测方法

传统方法不能有效地考虑二次设备数据间的复杂关联,难以及时发现较多潜在故障,为此提出多源数据聚类下电力二次系统故障检测方法。采用小波变换探测电力信号的瞬态成分,展开信号中各频率成分,以大数据技术计算获得数据信息的变化规律和内在联系,采用聚类方法简化多源数据间联系,实现在线检测出多源数据序列内异常度,完成系统故障检测全过程。实验条件下,以准确率和召回率作为衡量指标验证方法的有效性,结果表明所提方法能够有效地检测出二次设备的存在异常状态,可以为故障维修提供决策依据。