融合能量熵编码和分类模型的牵引电机故障诊断

针对牵引电机故障特征不明显、识别定位困难等问题,提出一种融合能量熵编码与分类模型的故障特征量化诊断方法。结合故障机理特性,对故障严重程度进行建模,用微弱电流信号重构对故障敏感的电磁转矩信号,建立基于经验模态分解能量熵和故障属性知识编码的故障特征矩阵;为消除牵引电机故障样本少、非线性模式识别对精确诊断的影响,提出一种改进的灰狼优化算法(IGWO)对支持向量机分类SVM模型参数进行辨识,通过对多类故障准确识别率寻优实现对牵引电机状态预测。在高速列车牵引系统半实物仿真平台进行优化模型对比试验,通过对故障诊断指标分析可知,能量熵编码与IGWO-SVM融合方案可以很好地识别牵引电机故障。

风电功率爬坡气象场景分类模型及阈值整定研究

为了判定和预报引发风电功率爬坡事件的风速突变的强对流气象类型,考虑风电场实际运行状态、电力系统运行方式以及区域电网的热备用启动速度和承受能力确定风电功率爬坡定义及其爬坡气象场景判定标准。在此定义上,引入支持向量标记法构造了风电功率爬坡场景分类的极小值和极大值的初始化模型,通过合适的显著性参数因子及预分类结果,建立风电功率爬坡场景分类模型。进而根据气象学物理意义分类出典型爬坡气象类型和相关特征因子阈值范围。实例分析表明,风电功率爬坡气象场景分类模型和确定的分类特征因子阈值对预报判别出目标区域风电功率爬坡气象类型有较好的指导作用。

面向3D打印的模型优化研究综述

在设计可3D打印模型时常常会较少考虑模型自身的物理因素,导致实际打印模型时出现如模型表面极易产生断裂、打印出的实体重心不稳以及一些受力等问题,这些问题可依据3D打印工艺特点对3维模型优化得以解决。目前3维模型优化研究可分为:基于力学特征分析的模型优化、面向模型可打印的支撑结构优化与面向模型可打印的模型分割优化。结合相关文献的观点及其研究工作,从上述3方面分类介绍当前基于3D打印模型优化的方法、技术及特点。在分析研究基础上,提出未来面向3D打印的模型优化技术方法发展的新趋势。该研究成果可为相关3D打印技术研究提供参考。

光伏发电功率预测中雪检测算法的机器学习方法

光伏(PV)面板是光伏发电技术中广泛使用的主要可再生能源设备。由于光伏发电受天气条件影响巨大,降雪和面板积雪会极大地影响光伏面板的输出功率。如何在降雪和积雪因素影响下,预测光伏发电系统的输出功率对于电力部门完成电力调度控制十分重要。考虑到降雪和积雪因素无法直接使用具体公式表达。本文将介绍一种机器学习方法,使用SVM和KNN作为检测雪效应的分类器,将光伏发电功率预测中雪检测问题转换为分类问题。文中提出的雪检测算法在真实有记录的数据上进行了验证,通过光伏发电功率预测精度的提升评估方法的效果。