一种融合文本与知识图谱的问答系统模型

知识图谱是实现开放领域问答的关键技术之一,开放领域问答任务往往需要足够多的知识信息,而知识图谱的不完备性成为制约问答系统性能的重要因素。利用外部非结构化的文本与基于知识图谱的结构化知识相结合填补缺失信息时,检索外部文本的准确性和效率尤为关键,选取与问题相关度较高的文本可提升系统性能。相反,选取与问题相关性较弱的文本将引入知识噪声,降低问答任务的准确性。因此,设计了一种融合文本与知识图谱的问答系统模型,其中的文本检索器可充分挖掘问题和文本的语义信息,提高检索质量和查询子图的准确性;知识融合器将文本和知识库中的知识结合构建知识的融合表征。实验结果表明,相较对比模型,该模型在性能上存在一定优势。

基于k-sums分段聚类的动态组合学习光伏短期功率预测

目前单一模型预测精度存在难以随着功率波动保持最优的问题,为提高并网系统运行的稳定性和电网的节能调度,文中提出了一种基于k-sums分层聚类的动态学习组合光伏短期功率预测方法。利用k-sums算法经过分段聚类,将天气类型分为晴天A 1、多云A 2、阴雨天B。通过TCN(Temporal Convolutional Network)提取数据的时序特征,并结合GRU(Gate Recurrent Unit)建立融合提取时序特征模块的改进GRU结构,以达到对时序特征敏感的效果。将改进GRU结构与SVM(Support Vector Machine)动态组合,使用Elastic Net算法输出最佳权重值叠加得到最终预测值。文中采用江苏某地区的光伏发电功率数据及对应的气象数据对所提方法进行验证,结果表明动态组合学习模型的MAE(Mean Absolute Error)为1.888,RMSE(Root Mean Squared Error)为2.403。

基于K-means分层聚类的TCN-GRU和LSTM动态组合光伏短期功率预测

为了提高电网运行的稳定性和改善电网的节能调度,针对目前单一模型处于不同天气状况时,预测精度难以达到最优的状况,文章提出了一种基于K-means分层聚类的TCN-GRU和长短期记忆网络(LSTM)动态组合光伏短期功率预测。利用K-means算法进行二次聚类,将天气类型分为晴天(A_(1))、多云(A_(2))、阴天(A_(3))、雨天(A_(4));通过时间卷积网络(TCN)提取数据的时序特征,并结合门控循环单元(GRU)建立出融合提取时序特征模块的TCN-GRU结构;TCN-GRU与LSTM神经网络动态组合后,通过弹性网络(ElasticNet)回归选择最佳输出权重得到最终预测值;基于江苏某地区的光伏发电功率数据及对应的气象数据对文章所提出的方法进行验证。在4种天气状况下,通过与其他模型预测结果进行比较,文章提出的动态组合模型预测精度更高。

克上冲水库大坝存在的主要安全问题及处理措施

克上冲水库大坝安全鉴定为三类坝。文章根据大坝存在的主要问题,通过坝体渗流和边坡稳定分析计算,提出该坝除险加固主要措施包括:大坝除险加固、溢洪道除险加固、灌溉供水发电隧洞除险加固、新建灌溉及供水隧洞、渠道整修加固及部分观测管理设施建设等。成果对于类似工程的方案确定具有一定的指导和借鉴意义。

直流微网双向DC/DC变换器虚拟惯量和阻尼系数自适应控制策略

在高新能源渗透率下的直流微网系统中,电力电子器件比例不断提高,导致系统存在低惯性问题,降低系统运行稳定性。为此提出了一种改进的虚拟惯量和阻尼系数自适应控制策略。该方法通过类比交流系统逆变器的虚拟直流发电机控制,分析直流微网系统在虚拟惯量和阻尼系数控制下负荷扰动量与输出电压扰动量的关系特性,将自适应控制策略引入虚拟惯量和阻尼系数。通过建立小信号模型,利用系统输出阻抗结合阻抗比判据给出虚拟惯量和阻尼系数的变化范围和边界,分析虚拟惯量和阻尼系数自适应选取下系统惯性变化及母线电压响应效果,该方法提高了直流微网系统惯性,同时改善了直流母线的动态响应。最后通过Matlab/Simulink仿真和RT-LAB半实物实验,验证了所提控制策略的有效性。

具有公共低压直流母线电压支撑功能的储能单元SOC自动均衡控制策略

在新能源组网运行中,储能单元荷电状态均衡与公共点电压质量是系统高质量运行的关键指标。由于线路电阻不匹配,导致各分布式储能单元出现荷电状态差异,造成储能单元过充或过放,缩短储能单元使用寿命。线路电阻的存在还会影响公共低压直流母线电压幅值。为了解决新能源组网系统中线路电阻对储能单元荷电状态及母线电压质量的影响,在前期工作基于变换器输出电压电流纹波分析的阻抗检测方法之上,提出一种弱通信下的储能单元荷电状态自动均衡及直流母线电压支撑改进控制策略。该方法将线路电阻及储能单元荷电状态作为控制参数补偿至传统下垂控制中,只需在弱通信条件下即可实现储能单元荷电状态自动均衡控制及公共点电压支撑的控制效果。进一步针对通信中断情况提出改进控制方式,可提高新能源组网运行的可靠性。最后,通过RT-LAB半实物实验,验证系统在正常工况下的有效性以及在通信中断、负荷突变等情况下的正确性与有效性。

改进A~*算法的机器人全局最优路径规划

针对传统A*算法规划的路径存在很多冗余点和拐点的问题,提出了一种基于A*算法改进的高效路径规划算法。首先,改进评价函数的具体计算方式,减小算法搜索每个区间的计算量,从而降低寻路时间,并改变生成路径;其次,在改进评价函数具体计算方式的基础上,改进评价函数的权重比例,减少生成路径中的冗余点和拐点;最后,改进路径生成策略,删除生成路径中的无用点,从而提高路径的平滑性;此外,考虑到机器人的实际宽度,改进后算法引入障碍物扩展策略保证规划路径的可行性。将改进A*算法与三种算法进行仿真对比,实验结果表明,改进后的A*算法规划的路径更加合理,寻路时间更短,平滑性更高。

基于蜻蜓算法分数阶PI的PMSM矢量控制优化

针对永磁同步电机双闭环矢量控制系统中整数阶PI控制器存在动态响应速度慢、鲁棒性不强的问题,提出一种采用蜻蜓算法与分数阶PI控制相结合,对系统的转速外环和电流内环进行参数离线整定的方法。将待优化参数看作是蜻蜓在搜索空间中搜寻食物源的最优个体所处的空间位置,并利用误差性能指标ITAE作为其目标适应度函数。分别对传统工程经验整定整数阶PI、蜻蜓算法整定整数阶PI、蜻蜓算法整定分数阶PI和粒子群算法整定分数阶PI的电机调速性能进行仿真和实验对比。结果表明,蜻蜓算法优化的分数阶PI控制器具有提高系统的动态响应性能,减小超调量和增强鲁棒性的优势,证明了优化策略的优越性。

融合互利共生和透镜成像学习的HHO算法

针对哈里斯鹰优化算法收敛速度慢、易陷入局部最优的问题,提出一种融合互利共生和透镜成像学习的哈里斯鹰优化算法(improved Harris hawks optimization,IHHO)。利用Tent混沌映射初始化种群,增加种群多样性,提高算法寻优性能;在探索阶段融入一种互利共生思想,并引入非线性惯性因子,以增强种群信息交流,加快算法收敛速度;提出一种透镜成像反向学习策略,对哈里斯鹰位置以一定概率进行扰动变异,提高算法跳出局部最优的能力。通过16个基准测试函数进行仿真实验,结果表明,IHHO与其余5种算法相比,收敛速度更快,寻优精度更高;鲁棒性更强。同时,将IHHO应用于图像分割问题中,仿真实验验证了该算法在实际工程应用中的可行性。

基于改进冒泡排序的模块化多电平换流器电容电压均衡策略

模块化多电平换流器(Modular Multilevel Converter, MMC)子模块电容电压均衡是当前MMC研究领域的热点问题。当MMC的单个桥臂子模块数量较多时,存在控制器运算时间长、子模块投切频繁和开关损耗大并导致MMC故障等缺陷。针对上述缺陷,提出了一种基于改进冒泡排序算法和平均值法混合控制策略。通过实时监测电容电压,采用改进冒泡法在初始化时对子模块电容电压进行排序,减少MMC控制器的运算量。在之后的控制周期采用已投入子模块平均值比较法对子模块作投切,降低开关频率。最后在Matlab/Simulink搭建21电平MMC模型,仿真结果验证了所提混合控制策略的有效性和正确性。

基于双向快速探索随机树的狭窄通道路径规划

针对移动机器人路径规划过程中基于快速探索随机树(RRT)算法难以对窄道进行采样的问题,提出一种专门用于狭窄通道路径规划的改进桥梁检测算法。首先对环境地图预处理并提取出障碍物边缘节点集合作为桥梁检测算法的采样空间,从而避免了大量无效采样点,并使窄道样本点分布更加合理化;其次改进了桥梁端点的构建过程,提高了桥梁检测算法的运算效率;最后使用一种轻微变异Connect算法快速扩展窄道样本点。对于实验中的窄道环境地图,与原始RRT-Connect算法相比较,所提改进算法的路径探索成功率由68%提高到92%。实验结果表明,该算法能够较好地完成窄道样本点采样并有效地提高路径规划效率。

基于蝗虫优化算法变论域模糊PI的PMSM矢量控制

永磁同步电机是一个多变量、强耦合、非线性和变参数的复杂控制对象,采用传统的PI控制很难满足现代工业的控制要求。为了获得较好的控制性能,在标准模糊PI控制的基础上,提出了一种蝗虫优化算法和变论域模糊PI相结合的控制方法。首先,介绍了蝗虫优化算法和变论域模糊PI控制的基本原理;然后,阐述了蝗虫优化算法变论域模糊PI转速控制器的设计过程,根据系统偏差在线调整模糊控制的论域;最后,搭建了基于dSPACE的永磁同步电机矢量控制系统的半实物平台,对提出的控制方法进行了实验验证。结果表明,相比于标准模糊PI控制,所提出的控制方法提高了系统的动态响应速度和鲁棒性。

基于Dropout的改进卷积神经网络模型平均方法

针对深度卷积神经网络(CNN)中的过拟合问题,提出一种基于Dropout改进CNN的模型预测平均方法。首先,训练阶段在池化层引入Dropout,使得池化层单元值具有稀疏性;然后,在测试阶段将训练时池化层Dropout选择单元值的概率与池化区域各单元值所占概率相乘作为双重概率;最后,将提出的双重概率加权的模型平均方法应用于测试阶段,使得训练阶段池化层Dropout的稀疏效果能够更好地反映到测试阶段池化层上,从而使测试错误率达到与训练的较低错误率相近的结果。在给定大小的网络中所提方法在MNIST和CIFAR-10数据集上的测试错误率分别为0.31%和11.23%。实验结果表明:仅考虑池化层对结果的影响,所提方法与Prob.weighted pooling和Stochastic Pooling方法相比具有更低的错误率,表明池化层Dropout使得模型更具泛化性,并且池化单元值对于模型泛化具有一定帮助,能够更有效避免过拟合。

基于改进渐进最优的双向快速扩展随机树的移动机器人路径规划算法

针对带启发式的快速扩展随机树(RRT-Connect)算法路径生成的随机性以及渐进最优的双向快速扩展随机树(B-RRT~*)算法收敛速度的缓慢性,提出了一种基于B-RRT~*改进的高效路径规划算法(EB-RRT~*)。首先引入一种智能采样函数,使随机树的扩展更具方向性,从而减少寻路时间,并提高路径的平滑性;其次在B-RRT~*算法的基础上,在EB-RRT~*算法中加入了一种快速扩展策略,使改进后的算法在自由空间中使用RRT-Connect算法的扩展方式进行快速扩展,而在障碍物空间则使用改进的渐进最优的快速扩展随机树(RRT~*)算法进行扩展,在提高扩展效率的同时避免算法陷入局部最优。将EB-RRT~*算法分别与快速扩展随机树(RRT)、RRT-Connect、RRT~*和B-RRT~*算法进行仿真对比,仿真结果表明,改进后的算法在路径规划效率及路径平滑性方面均明显优于其他算法;且相对于B-RRT~*算法,其在路径规划时间上降低了68.3%,在迭代次数上减少了48.6%。

融合混沌对立和分组学习的海洋捕食者算法

针对海洋捕食者算法存在收敛速度慢、不易逃出局部最优的缺点,提出了一种改进海洋捕食者算法。将混沌映射与对立学习策略相结合,在保证遍历性和随机性的同时,生成高质量的初始猎物种群。引入自适应t分布变异算子更新种群,增加种群多样性,避免陷入局部最优。对更新后的种群,按照适应度分为精英组和学习组,学习组向精英组猎物的平均维度进行学习,精英组内的猎物相互维度学习,进一步提高种群质量和搜索精度。选取15个测试函数,通过对比测试,验证了改进后的算法可以有效提高原算法的收敛速度和寻优精度。将改进后的算法应用于无线传感器网络覆盖优化,实验结果显示,改进后的算法提高了网络覆盖率,优化后的节点分布更加均匀。

基于双树复小波包和改进SVM的轴承故障诊断

为了提高滚动轴承内圈、滚动体、外圈等故障诊断效率,提出了将双树复小波包和支持向量机(Support Vector Machine,SVM)结合的故障诊断方法。采用双树复小波包对轴承振动信号分解和重构,提取重构信号中的故障能量特征并构造特征样本作为支持向量机诊断模型的输入。针对支持向量机的参数选取没有固定方法而导致故障诊断的准确性降低的问题,采用人工鱼群算法对支持向量机的惩罚系数和核参数进行寻优。用寻优得到的参数建立支持向量机诊断模型对特征样本进行故障诊断。仿真结果表明提出的方法不仅可以提高降噪效果从而得到滚动轴承故障振动的特征信号,而且能实现更高精度的故障诊断。

基于改进飞蛾扑火优化算法的PMSM矢量控制优化

针对永磁同步电机双闭环矢量控制系统中比例-积分(PI)控制器参数整定困难、不能保证参数最优的问题,提出一种采用飞蛾扑火优化(MFO)算法对系统的转速外环和电流内环进行参数的整定与优化。将待优化的参数作为飞蛾搜寻火焰最优个体的空间位置,搜索全局最优的参数组合,并利用误差性能指标积分时间和绝对误差(ITAE)加入超调惩罚项作为其适应度函数。为了减小算法的计算量,提高收敛速度和精度,对飞蛾位置和火焰数量更新机制进行了改进。仿真实验结果表明:改进后的MFO算法具有提高电机的控制精度,减小超调量,提高动态响应速度的优势,证明了优化策略的有效性。

基于改进蚁群算法的机器人路径规划算法

针对机器人路径规划中,传统蚁群算法收敛速度慢、易陷入局部最优解等问题,提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型,并基于人工势场建立启发信息素矩阵,降低了蚂蚁在初始阶段搜索的盲目性;引入激励函数,降低搜索过程中的死锁现象;改进信息素的更新机制,增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明:改进后蚁群算法的机器人路径规划算法加快了收敛速度,具有较强的鲁棒性和全局寻优能力。

改进蚁群优化算法的移动机器人路径规划研究

针对传统的蚁群优化算法存在易陷入局部最优解,搜索时间过长等问题,提出了一种改进的蚁群优化算法。通过建立栅格地图模型,采用状态转移规则结合轮盘赌的方法对下一节点进行选择,对陷入死锁的蚂蚁采用回退策略,避免陷入局部最优。同时改进信息素增强系数、改善信息素挥发因子、建立信息素因子与所需启发函数因子之间的互锁关系,缩短最短路径的长度,减少算法的迭代次数,提高算法的收敛速度。运用MATLAB进行仿真,仿真结果表明:改进后的蚁群算法明显优于传统的蚁群算法。

改进蚁群算法的机器人路径规划研究

针对传统蚁群算法存在算法收敛速度慢、易陷入局部最优的问题,文中提出了一种改进的蚁群算法。在传统A*算法的基础上,改进其估价函数,并将其引入到蚁群算法中,提出了改进启发函数η,增加目标点对路径搜索的吸引力,提高了收敛速度。新方法还改进了信息素挥发因子ρ,使信息素挥发因子处于动态变化,提高了算法的全局搜索能力,避免陷入局部最优。仿真结果表明,改进的蚁群算法在收敛速度上比传统蚁群算法提高了近50%,在最短路径上明显优于传统的蚁群算法,证明了改进算法的有效性。