船用柴油机均值模型建模及仿真研究

柴油机模型的研究是探究柴油机性能、实现虚拟仿真的基础,可缩短仿真计算时间、有效节约柴油机开发成本。本文以RK270柴油机为研究对象,使用GT-POWER软件建立稳态性能仿真模型,在此基础上,采用仿真精度高、计算速度快的平均值法,以C++语言建立柴油机平均值模型,并归纳通用的平均值模型建模标定校核流程;提出二元响应拟合的方法,解决了涡轮增压器特性参数处理困难的问题,并借助数学工具,获得了压气机主要工作区域内拟合精度较高的模型。完成模型开发后,分析了8组工况下的仿真结果,通过误差分析,验证了模型的准确性,丰富完善了柴油机建模理论和方法,可应用于实时控制模型的动态仿真或者实现与船舶动力系统的交互。

ViTH:面向医学图像检索的视觉Transformer哈希改进算法

对海量的医学图像进行有效检索会给医学诊断和治疗带来极其重要的意义.哈希方法是图像检索领域中的一种主流方法,但在医学图像领域的应用相对较少.针对此,提出一种面向医学图像检索的视觉Transformer哈希改进算法.首先使用视觉Transformer模型作为基础的特征提取模块,其次在Transformer编码器的前、后端分别加入幂均值变换(Power-Mean Transformation,PMT),进一步增强模型的非线性性能,接着在Transformer编码器内部的多头注意力(Multi-Head Attention,MHA)层引入空间金字塔池化(Spatial Pyramid Pooling,SPP)形成多头空间金字塔池化注意力(Multi-Head Spatial Pyramid Pooling Attention,MHSPA)模块,该模块不仅可以提取全局的上下文特征,而且可以提取多尺度的局部上下文特征,并将不同尺度的特征进行融合.最后在输出幂均值变换层之后将提取到的特征分别通过两个多层感知机(Multi-Layer Perceptrons,MLPs),上分支的MLP用来预测图像的类别,下分支的MLP用来学习图像的哈希码.在损失函数部分,充分考虑了成对损失、量化损失、平衡损失以及分类损失来优化整个模型.在医学图像数据集ChestX-ray14和ISIC 2018上的实验结果表明,该研究所提出的算法相比于经典的哈希算法具有更好的检索效果.

基于局部均值分解与局部离群因子动力电池故障诊断

动力电池故障诊断是保证电动汽车正常运行的关键。提出一种基于局部均值分解和局部离群因子的动力电池故障诊断方法,用于电池组故障识别与定位。通过局部均值分解对电压信号预处理,并根据相关系数高低重构电压信号。进一步提取重构信号的峭度因子作为故障特征输入到局部离群因子算法中,根据局部离群因子算法自适应阈值输出故障电池。采用实车数据验证了所提方法能有效、准确地检测出故障,具有较好的可靠性与鲁棒性。

光伏波动平抑下改进K-means的电池储能动态分组控制策略

针对电池储能系统(battery energy storage system,BESS)进行光伏波动平抑时寿命损耗高及荷电状态(state of charge,SOC)一致性差的问题,提出了光伏波动平抑下改进K-means的BESS动态分组控制策略。首先,采用最小最大调度方法获取光伏并网指令。其次,设计了改进侏儒猫鼬优化算法(improved dwarf mongoose optimizer,IDMO),并利用它对传统K-means聚类算法进行改进,加快了聚类速度。接着,制定了电池单元动态分组原则,并根据电池单元SOC利用改进K-means将其分为3个电池组。然后,设计了基于充放电函数的电池单元SOC一致性功率分配方法,并据此提出BESS双层功率分配策略,上层确定电池组充放电顺序及指令,下层计算电池单元充放电指令。对所提策略进行仿真验证,结果表明,所设计的IDMO具有更高的寻优精度及更快的寻优速度。所提BESS平抑光伏波动策略在有效平抑波动的同时,降低了BESS运行寿命损耗并提高了电池单元SOC的均衡性。

点云密度对无人机激光雷达森林参数估测精度的影响

[目的]点云密度是影响无人机激光雷达数据获取和预处理成本和效率的关键因素,探明点云密度对林分尺度无人机激光雷达森林参数估测精度的影响,有助于优化无人机激光雷达森林应用技术方案。[方法]以马尾松、桉树人工林为研究对象,采用百分比重采样方法,对密度为247点·m^(-2)的原始点云按40%、20%、8%、4%和2%的比例降低点云密度,得到1个全密度原始点云数据集和5个稀疏密度点云数据集;每个数据集独立进行点云分类、地面点滤波和数字高程模型生成、点云高度归一化等预处理并提取激光雷达变量;对于同一森林类型的同一个森林参数(林分蓄积量、断面积、平均高和平均直径)的估测,各个数据集都采用相同的乘幂模型结构式进行模型拟合,然后比较分析模型优度统计指标的差异,包括:决定系数(R^(2)),相对根方根误差(rRMSE)和平均预报误差(MPE);采用配对样本t检验方法对各个数据集的森林参数估测结果和激光变量的差异进行统计分析。[结果]当点云密度分别稀疏至100、50、…、5点·m^(-2)时,各个森林参数估测模型的精度保持基本一致;各个稀疏密度点云数据集的森林参数估测值的均值与原始点云数据集的估测值的均值不存在显著性差异(p≥0.05);各个稀疏密度点云数据集激光变量的均值和原始点云数据集激光变量的均值基本上不存在显著性差异(p>0.05)。[结论]在无人机激光雷达森林资源调查监测应用中,点云密度可低至5点·m^(-2)。然而,本试验结果仍需通过不同飞行高度获取不同密度点云数据予以验证。

优化模糊C均值聚类的台区用户用电特征分析方法

精准的用户特性分析方法是配电网模型计算与电力服务制定的重要基础之一,为克服现有配电台区多样性用户划分的数量选择与特征选择难题,提出一种优化模糊C-均值聚类的用户用电特征分析方法。利用优化的模糊C-均值算法实现聚类分析,通过聚类中心建立特征模型,从而获知多样化场景下配电台区用户特性。在聚类过程中,通过蜜獾算法优化选取模糊C-均值聚类初值,来应对易局部最优的难题,找到目标函数最小的结果;利用指标自适应极小值的原则选取最佳聚类数,使聚类中心代表性更强。通过天津地区的典型案例获取用户用电特征,实现聚类目标函数与结果综合性评价指标最优的目的。

基于TSO-ELM的广东省电力需求预测方法

针对极限学习机(extreme learning machine,ELM)的输入层权值以及隐含层偏值的不同取值对预测结果影响较大和现有的预测模型对广东省电力需求预测精度不高的问题,提出一种基于金枪鱼群优化(tuna swarm optimization,TSO)算法优化ELM得到最优数值,构建TSO-ELM预测模型的方法。将2008—2018年广东省的6个影响因素和电力需求量数据进行归一化处理之后构建预测模型,对2019—2021年广东省的电力需求量进行预测。仿真结果表明,与SVM、BP、ELM和GWO-ELM这4种预测模型相比较,TSO-ELM预测模型具有更高的预测精度。

基于K-means聚类和极限学习机组合算法的短期光伏功率预测

考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。

基于图谱功率谱熵和最大均值差异的GIS机械状态辨识方法

针对常规方法对于气体绝缘金属封闭开关设备(Gas Insulated Switchgear,GIS)机械缺陷的特征识别稳定性差、识别率低的问题,在图谱理论的基础上,提出一种基于图谱功率谱熵和最大均值差异(Maximum Mean Discrepancy,MMD)的GIS机械状态辨识方法。首先将采集得到的GIS振动信号转化为图信号,并利用图傅里叶变换技术变换至图谱域进行分析处理;然后提取图谱功率谱熵作为表征GIS不同状态的特征参数;最后利用MMD距离判别函数实现GIS不同工况下的状态辨识。实验结果表明:在噪声干扰的情况下,所提方法能够有效提取GIS不同状态下的特征参数,并成功区分出屏蔽罩松动及内部异物缺陷,状态辨识精度高达93.89%,较常规方法有明显提高。

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影(KLPP)对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。

基于充电曲线特征的退役动力电池快速分选方法

准确快速分选对退役动力电池梯次利用具有重要意义。通过充放电试验获取退役动力电池充电曲线和容量,运用灰色关联分析方法确定与容量相关性最优的电压区间,基于电池老化机理提取最优电压区间对应的充电容量ΔQ、充电时长T、主峰中心电压V 1、充电容量与区间电压比值K作为表征电池不一致性的特征参数。运用局部异常因子算法筛选异常老化电池,利用K-means聚类算法完成退役电池分选,提出静态与动态双维度指标体系评价分选一致性,采用2组退役电池充放电数据进行验证。结果表明:分选后电池的静态一致性和动态一致性最大分别提升55%、82%,且单个电池测试时间平均缩短至30 min。与K-means聚类算法相比,融合局部异常因子算法(local outlier factor,LOF)后,静态一致性和动态一致性最大分别提升50%、33%;与容量增量方法和静态参数方法相比,该方法的静态一致性最大分别提升28%、5%,动态一致性最大分别提升76%、61%。

基于改进K-means算法的电力营销档案信息管理系统

为满足档案管理用户需求,实现不同营销档案管理信息分类,提出改进K-means算法的电力营销档案信息管理系统。设计电能信息收编、客户缴费管理、营销报表管理及系统开发等子系统功能;利用改进的K-means方法定义系统算法,引入权重概念,将元素分配到和中心点距离最近的簇中,实现档案分类统计。仿真实验证明,该系统可实现不同营销档案的准确分类,减少响应延时,提高系统吞吐量,满足电力营销档案管理用户需求。

基于风电场景概率的电热混合储能优化配置

为有效提高风电入网的经济性和可行性,文中提出一种考虑风电典型场景概率的电热混合储能优化配置方案。首先通过场景分析,利用K-means聚类法将大量风机历史出力数据简化为6个典型出力场景,确定各场景发生的概率,其中聚类数目由肘部曲线法和Dunn指数法综合确定;其次提出电热混合储能系统控制策略,建立适用于多场景的风储联合系统模型;最后,以经济性成本最低与弃风量最小为目标,建立包含电、热负荷综合响应的容量配置优化模型,并将场景概率以权值的形式加入到目标函数中,采用粒子群算法求解模型。通过仿真分析和与其他储能配置场景对比,发现所提配置策略能够提高风电利用率约16.12%,同时减少系统综合成本约43.76%,验证了所提策略的合理性和有效性。

基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测

由于光伏发电的随机性和不稳定性会影响功率预测的精度,提出一种基于皮尔逊相关系数(PCC)、K-均值算法(K-means)、变分模态分解(VMD)、麻雀搜索算法(SSA)、核函数极限学习机(KELM)的光伏功率短期预测模型。首先,用PCC选取主要因素作为输入;K-均值算法进行相似日聚类,将历史数据聚类为晴天、多云和雨天;其次,VMD对原始信号进行分解,充分提取集合中的输入因素信息,提高数据质量;SSA优化KELM模型的核函数参数和正则化系数解决其参数选择敏感问题;最后,将不同序列预测值叠加得到最终预测结果。仿真结果表明,所提相似日聚类下PCC-VMD-SSA-KELM模型具有较小的预测误差。

基于RBF神经网络参数优化的电源柜热电偶温度测量校正研究

为提高电源柜温度测量精度,提出一种基于多通道高精度测量的电源柜温度校正方法。方法首先采用K均值聚类算法和人工鱼群优化算法优化径向基函数网络的最佳基函数中心和宽度,以及隐藏层与输出层的连接权值等参数,实现RBF神经网络的优化;然后将优化后的RBF网络应用于多通道高精度电源柜测温系统,实现测量电源柜温度的校正。仿真结果表明,所提方法可实现基于多通道高精度测量的电源柜温度非线性误差的校正,使测量的温度误差小于0.4℃;相较于标准RBF网络和BP神经网络,所提的方法具有更快的训练速度和更小的均方根误差,可用于对测温精度要求较高的测温环境。而本研究的创新点在于基于热电偶测量原理,实现了非线性温度变化的自适应补偿,提高了测量的精度。

凸域内的平均随机弦长及其极值

为研究在不同随机意义下平面凸域内的平均随机弦长问题,以圆域、正三角形域、矩形域、正方形域为例,用定义法得到这些凸域内的各平均随机弦长。用弦幂积分及其不等式,讨论了任意凸域内5种平均随机弦长的极值问题,并建立了相应的不等式。在此基础上,提出了2个猜想。

融合充放电曲线特征与改进K-means聚类的退役锂电池分选方法

为提高退役锂电池分选重组的一致性,提出一种融合电压曲线与能量曲线的数值特征与形态特征,并运用欧氏距离和形态距离进行K-means聚类的分选方法。通过试验获取退役锂电池充放电曲线,融合电压曲线和能量曲线作为分选依据;采用欧式距离度量融合曲线的数值差异;利用分位数方法将融合曲线转化为描述曲线形态变化的特征序列,运用最长公共子序列算法提取特征序列的形态距离用来度量融合曲线的形态差异;以融合曲线的欧式距离和特征序列的形态距离为度量判据,采用改进K-means聚类算法对退役锂电池进行聚类。结果表明:相较于电压曲线或容量曲线分选,采用融合曲线分选,容量、充电电压、放电电压一致性最大提高约23%、93%、16%。相较于欧式距离方法,采用改进K-means算法,容量、充电电压、放电电压一致性最大分别提高了约67%、40%、51%。

基于多尺度分解的风火储协同调频控制策略

为提升风火两大主力电源对电网频率的主动支撑能力,提出一种基于多尺度分解的风火储协同调频控制策略。首先,考虑风火及储能参与电网调频时的不同响应时间尺度,提出基于小波包分解的频差指令多尺度分解方法及风火储分别响应中低高频差分量的互补匹配方案;提出适应火电调频响应特性的频差指令低频分量获取方法,发展考虑风电有功裕度和储能容量约束的风储出力自趋优调配方法,实现风火储与中低高频分量的精准对应;针对不同运行工况,提出基于调频裕度的风电场聚类分区方法及风力机有功功率智能调控方法,提升风电场对电网频率的主动支撑能力。仿真结果表明,所提策略能有效实现风火储联合参与一次调频,在满足约束的前提下,充分利用风储调频容量,有效改善系统频率特性。

电力工程数据自动分类提取与分析技术研究

为解决目前电力工程数据处理过程中的数据种类复杂、规模庞大以及分析处理困难等问题,提出了一种基于改进K-means聚类算法和长短期记忆(LSTM)神经网络的电力工程数据自动分类提取与分析技术。针对传统K-means聚类算法存在K值选取不确定性强、电力数据与簇中心点的空间距离特性相关性较弱的缺陷,采用了一种基于阈值判定的K值选取及属性加权方法,对空间距离算法进行改进。同时,通过麻雀搜索算法(SSA)对LSTM加以优化,解决了传统网络在进行超参数选择时因存在不确定性而导致预测精度不足的问题。在公开电力工程数据集上的测试结果表明,该技术分类的准确率、容错率分别为92%和98%,对造价数据的预测准确率较为理想。该研究有助于工程数据的分析和预测。

一种二模态天气分型方法及其在光伏功率概率预测的应用

天气分型是光伏功率预测中不可或缺的预处理步骤,为精细刻画光伏出力的不确定性,提出一种新的基于光伏功率聚类的二模态天气分类方法。该方法结合气象信息和功率信息进行天气分型,为天气分型在光伏功率预测的应用提供了一条有效的新路径。此外,该方法使用数据融合技术,依据融合数值天气预报(numeric weather prediction,NWP)气象和实际气象二者间的相关信息进行天气分型,以减少模型对NWP准确度的依赖并提高模型的鲁棒性。以吉林某光伏电站数据为例,验证了该天气分型方法的合理性,同时,将天气分型方法与功率概率预测相结合,其测算结果表明,使用所提方法进行天气分型概率预测的区间覆盖率更接近预设的置信水平,且平均带宽更窄。