基于深度神经网络的数据驱动潮流计算异常误差改进策略

在考虑不确定性的N-1安全校核、可靠性计算等需大规模重复潮流计算的场景中,基于深度神经网络(DNN)的数据驱动方法存在部分潮流变量误差异常的问题,影响潮流越限判别的准确率。对此,首先通过理论推导,分析DNN参数更新过程及数据标准化原理,发现该问题的重要成因之一为:DNN仅根据标准化误差迭代训练模型,未计及潮流变量的真实学习误差及工程实际的精度要求,无法及时针对误差异常的潮流变量调整DNN参数。然后,面向潮流计算提出基于动态学习权重的DNN自适应训练方法。该方法通过每轮迭代中验证集的真实学习误差、越限误判率及误差统计指标,确定各潮流变量的学习权重,有效降低数据驱动潮流计算的异常误差。最后,在IEEE标准算例和Polish 2383节点系统上仿真验证了所提方法的有效性。

基于PMU误差校正的输电线路参数在线辨识方法

线路参数辨识对准确反映电网的实际运行状态具有重要作用,但其对相量量测单元(Phasor Measurement Unit,PMU)数据精度要求极高,实测数据难以直接满足应用需求。对此,提出了一种基于PMU误差校正的输电线路参数辨识方法。首先,根据误差类型及测量数据特点,分类型对PMU数据进行预处理。然后,针对缺乏显著特征的偏置误差,基于输电线路物理等效模型提出了考虑数据规律及误差灵敏度特性的PMU测量误差的校正方法。最后,在上述校正方法的基础上,提出了全厂站PMU数据质量的治理方案。通过模拟和实际数据进行仿真,结果表明所提方法相较于现有方法可改善PMU量测数据质量,进而实现输电线路参数的有效辨识。

基于MSC Nastran的优化技术

减轻结构质量对现代飞机具有极其重要的意义,进行结构优化设计可以更加合理地确定材料分布,提高材料的利用率,从而满足这一目标要求.目前,结构优化技术已广泛应用于飞机结构设计中,通过确定优化设计变量、优化区域以及响应约束,采用MSC Nastran对机翼进行优化设计,在满足强度刚度设计要求的前提下,实现结构质量最轻的设计目标.

基于MOT的采矿方法优选研究

为了正确、科学地选择采矿方法,以某金矿为例基于MOT(突变优选理论)构建了采矿方法的优选系统,确定以生产能力、采切比、贫损率、采矿成本与通风条件等作为影响采矿方法的指标。对各个评价指标按照重要程度进行整合处理,建立层状的评价系统,将该系统通过归一公式实施递归运算,得出各供选采矿方法最终突变的隶属函数值,最终得出3个供选方案的评价值分别是0.955,0.905和0.967,因此,确定方案三为最优方案。

基于AHP-UMT的采矿方法优选

采用层次分析(AHP)和未确知测度理论(UMT)建立采矿方法优选的模型。根据实例矿山的实际情况,提出3种初选采矿方案,选择9个评价指标,通过计算得到3种初选方案的优越值分别是2.011,2.177和1.676,从而确定方案Ⅱ即上向水平分层充填采矿法为最优方案。

民用飞机机身舱门开口区刚度设计研究

本文对飞机初始设计阶段开口刚度设计指标不完善的特点,提出与完整机身结构等刚度设计理念,给出加强边梁面积的设计方法,并明确开口区刚度的影响因素,为后期机身舱门开口区详细设计提供依据。