基于UMAP流形特征提取和KELM的非侵入式负荷监测方法研究

非侵入式负荷监测是“坚强智能电网”用户侧智能数据挖掘的关键技术。针对现有辨识算法对叠加态负荷辨识准确率低的问题,提出了一种基于均匀流形逼近与投影(UMAP)和KELM结合的非侵入式负荷辨识模型。首先利用UMAP对原始负荷特征作嵌入,提取负荷的类内流形结构,并结合随机梯度下降法优化负荷的全局结构,在保留负荷原始相邻位置信息的前提下有效增大负荷特征的区分度;然后,采用径向基函数搭建核映射网络,利用ACO算法对映射网络的径向范围和模型的惩罚系数寻优,建立最优辨识模型。与多种基于机器学习的辨识方法相比,所提模型对叠加态负荷的辨识准确率提升显著,在TIPDM和BLUED数据集上的辨识准确率分别达到了98.48%和99.44%。

基于WP-EMD和UMAP的液压泵故障识别方法研究

由于液压泵工作环境的恶劣,直接导致其实际测量的振动信号表现为有用特征信号和干扰噪声的叠加,因此有必要对液压泵的振动信号进行模式分解,进而对液压泵的故障状态进行诊断识别。针对现有方法在液压泵故障分类识别中准确率低的问题,这里提出一种基于小波包和经验模式分解(WP-EMD)以及均匀流形逼近与投影(UMAP)的液压泵故障模式识别方法。首先通过振动传感器测得含有液压泵状态信息的振动信号;然后采用WP-EMD对振动信号进行模式分解,获得能够表征液压泵状态的模式分量;最后利用UMAP对选取分量的多个统计学特征进行降维处理和聚类分析,以实现液压泵不同故障模式的识别。研究表明,这里提出的方法对正常泵、松靴故障、中心弹簧故障分类的正确率可以达到96.67%。

基于加权UMAP和改进BLS的锂电池温度预测

锂电池热过程的温度预测对锂电池的寿命管理和使用安全有着重要意义。一般电池管理系统热管理依赖准确的热过程模型。然而锂电池热过程的机理复杂,属于强非线性分布参数系统,具有参数时空耦合、时变、强非线性的特点,常规方法难以实现其热过程的精确建模。针对上述问题,提出了一种基于加权UMAP和改进BLS的三段式锂电池热过程建模方式。首先通过引入加权改进的均匀流形逼近与投影(weighted uniform manifold approximation and projection,WUMAP)降维算法解决非线性降维难题的同时保留了数据的全局与局部信息。然后利用一段宽度学习系统(broad learning system,BLS)模型对降维得到的时序数据预测。最后再通过一段粒子群算法优化的混合核宽度学习系统(particle swarm optimization-mixed kernel broad learning system,PSO-MKBLS)模型对时空域温度数据重构。为验证模型有效性,使用平板式32 Ah的Li(Ni_(0.5)Co_(0.2)Mn_(0.3))O_(2)三元软包锂电池的热过程建模试验。实验结果表明:最终模型与改进前相比,R2提高0.0546,MAE和RMSE分别降低0.0082和0.0092;同时与多个对比模型相比,相对误差ARE较低(在0.035以内),并且各误差指标也更好,证明模型具有良好的预测精度。