基于时序生成对抗网络的居民用户非侵入式负荷分解

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。

基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测

考虑到输入信息和预测模型的不确定性对负荷预测结果的影响,本文提出一种基于条件变分自编码器和贝叶斯神经网络的短期电力负荷概率预测方法.通过条件变分自编码器生成指定天气因素预测值和日历特征条件下实际天气因素可能的多个随机样本,以模拟天气预测信息的不确定性;构建GRU-S2S贝叶斯神经网络学习模型参数的分布特征,以反映预测模型的不确定性,并结合MC dropout技术获得多个可能的负荷预测值;遍历天气因素全部模拟样本,将预测模型输出的负荷预测值构成集合,并通过核密度估计获得预测时段内各时刻预测负荷服从的概率分布.实际算例结果表明,该方法在短期负荷概率预测中具有更高的分位数预测精度和更可靠稳定的区间预测结果.

融合EEMD-CNN的水电机组磨碰故障声纹识别模型

水电机组声纹信号包含大量反映内部机械状态的有效信息,为了准确提取水电机组磨碰故障声纹特征,提出一种基于聚合经验模态分解(EEMD)与卷积神经网络(CNN)相结合的水电机组磨碰声纹识别模型。首先将水电机组噪声信号进行EEMD分解,得到若干本征模态分量(IMF)和残余分量(Res),然后将得到的IMF和Res与原噪声信号构建融合特征向量;以融合特征向量为输入,碰磨故障输出,正常和碰磨故障试验数据为样本,训练CNN深度学习神经网络,得到水电机组磨碰故障识别器,识别水电机组磨碰故障。结合水机电耦合平台和实际机组试验磨碰数据,验证了所提方法对水电机组碰磨故障识别效果,平均准确率达到99.8%,且该方法识别效果显著优于其他几种识别模型。

基于GAF-CNN的机组振动信号特征提取方法研究

随着水电机组运行时间增长,机组运行数据不断增加,在机组健康状态识别过程中存在着健康样本过多、特征参数不明显等问题。本文结合格拉姆角场(GAF)与卷积神经网络(CNN)在特征表达与提取方面的优势,对水电机组健康运行数据进行处理。通过格拉姆角场将机组振动信号进行编码并生成相应特征图像,进而将其输入至卷积神经网络(CNN)模型以达到特征提取及分类的目的。使用仿真数据与机组实测数据,将GAF-CNN模型与传统长短期记忆(LSTM)网络模型进行对比,结果表明,GAF-CNN模型的特征提取方法具有更高的准确度与鲁棒性,在面对更长时间序列数据时依然能保持良好的准确度与抗噪性能,为水电机组健康评估模型性能提升提供数据基础。

基于SSA-VMD-WDCNN的水电机组故障诊断

为提高水电机组故障诊断的诊断精度和诊断速度,提出了一种自适应变分模态分解与第一层为宽卷积核的深度卷积神经网络相融合的水电机组故障诊断方法。首先利用麻雀搜索算法对VMD分解参数进行寻优,利用最优分解参数对水电机组振动信号进行VMD分解,实现振动信号的最优自适应分解,再对分解后IMF分量进行归一化处理,最后将处理后的分量输入到WDCNN模型中进行训练和测试,得到故障诊断结果。以实测水电机组振动信号进行对比试验,结果表明所提方法具有最优的诊断精度及良好的训练速度和降噪效果,在实际的水电机组故障诊断中有一定的参考作用。

基于ICEEMDAN和CNN的水电机组故障诊断

为实现水电机组故障的准确识别,首先结合改进的自适应白噪声完全集合经验模态分解模型(ICEEMDAN)和相关性分析方法对振动信号进行分解及重构处理;接着,为解决因卷积神经网络(CNN)输入具有多样性问题,比较分析了3种不同输入信号构造方式对CNN模型故障诊断识别准确率的影响;最终选定了一维重构信号的方形矩阵形式作为CNN的输入方式,通过某电厂转轮室碰摩故障实测数据验证该方法能有效提高水电机组故障诊断精度。

基于EKF-GRU的车辆轨迹预测

为提升行车安全,实现自动驾驶车辆正确的决策规划,提出基于扩展卡尔曼滤波(EKF)-门控循环单元(GRU)的车辆轨迹预测方法,结合学习方法与物理模型,在提升预测精度的同时,提高轨迹预测的合理性。首先,基于GRU构建预测网络,通过提取车辆的历史轨迹特征预测车辆的纵向加速度及横摆角速度;其次,基于车辆非线性运动学构建EKF状态估计器,结合观测值生成车辆未来有限时域的行驶轨迹;最后,在高速公路多车轨迹数据集NGSIM I-80和US-101上进行轨迹预测方法验证。结果表明:采用传统的物理模型生成预测轨迹,其最终距离误差(FDE)、均方根误差(RMSE)、平均距离误差(ADE)值分别为6.48、7.69和3.03 m。相比之下,利用EKF-GRU生成的预测轨迹表现出更高的准确性,对应的数值分别为5.45、6.67和2.56 m,分别提升15.90%、13.26%和15.51%。

考虑天气影响的火电机组空冷系统性能预测方法

【目的】直接空冷机组是一部分缺水地区常用的火力发电形式,由于其采用空气作为冷却介质,因此运行受到诸多限制。为解决直接空冷机组受环境影响大和耗煤量高的问题,对空冷岛换热性能进行预测研究。【方法】基于河北省某超临界2×600 MW机组的历史运行数据,利用MATLAB软件计算历史空冷岛性能,将历史数据作为训练集和测试集,通过长短期记忆(long short-term memory,LSTM)神经网络机器学习算法,实现对未来一段时间内的空冷岛性能预测。在不改变模型参数的条件下,通过去除各项特征的方式确定特征重要性排名,基于此确定最佳特征选择策略,进一步优化模型。考虑到空冷岛性能受天气影响大,为提升模型在特殊天气下的预测能力,将原数据集结合历史天气预报数据,编写考虑天气因素的预测程序,以预测空冷岛未来一段时间性能,并对预测结果进行可视化分析。【结果】所采用的预测模型预测准确度明显高于传统自回归移动平均模型(autoregressive integrated moving average model,ARIMA),对未来1 h以内的直接空冷机组换热性能预测拟合优度均在0.90以上。【结论】模型所采用的数据特征及算法可以为直接空冷机组的稳定运行提供数据支撑,为智慧电厂的建设提供技术基础。

引入位置编码机制对抗网络的文本生成模型

针对目前对抗网络文本生成模型在生成文本时,出现词与词之间位置关系紊乱导致文本逻辑不通的问题,该文提出了一种引入位置编码机制对抗网络的文本生成模型(Position-Encoding GAN,PE_GAN)并进行探讨和验证。在对抗神经网络模型的基础上引入位置编码机制,可以通过带有位置编码的词向量来标记文本中词与词之间的位置关系,生成器和判别器使用GRU神经网络的门控机制来减少梯度消失,同时利用蒙特卡洛策略思想来降低数据过拟合风险并提高生成文本的准确性。为了验证PE_GAN模型的有效性,使用开源数据和网络爬取的小说和新闻文本共同作为实验的数据集,结果表明:该模型中生成器和判别器loss值的差距比对比模型小,表明生成的文本更加接近真实文本;与Gumbel-softmax GAN模型、seq-GAN模型和LFMGAN模型相比,PE_GAN模型的BLEU-2、BLEU-3和BLEU-4的值分别都有明显的提高,表明引入位置编码机制后可以改善生成文本的逻辑性,由此可知该模型有较好的应用性。

基于CNN-GRU并联网络的海上风电支撑结构损伤识别

利用振动响应和深度学习进行结构损伤识别时,会遇到需要较多测点数据、损伤识别准确率不高以及网络容易发生过拟合等问题。为此,提出了一种基于卷积神经网络-门控循环单元(convolutional neural networks-gated recurrent unit,CNN-GRU)神经网络并联网络的结构损伤识别新方法。首先,对响应信号进行广义S变换(generalized S-transform,GST)得到其时频图像。然后,分别利用CNN和GRU从时频图像和响应信号中提取时频域特征和时序特征,并将时频域特征和时序特征拼接后输入全连接层和Softmax分类器中进行结构损伤识别。位移激励下的海上风电支撑结构模型试验数据验证结果表明,该方法仅需要一个测点的响应信号,与其他同类方法相比具有更高的识别准确率和效率。

基于图卷积神经网络的机组组合问题加速求解方法

针对传统的精确优化算法求解规模较大的机组组合问题面临时间可行性的挑战,提出了一种基于图卷积神经网络的机组组合问题加速求解方法。将机组组合问题构建为一个混合整数线性规划模型,根据分支定界法的求解原理,将分支策略定义为从候选变量的特征到候选变量得分的映射关系;提出在离线阶段使用图卷积神经网络来模拟强分支策略的决策行为,并将学习到的映射关系应用到在线分支过程中,从而加速分支定界法求解机组组合问题。通过IEEE 39节点10机组和IEEE 118节点54机组系统的算例分析,验证了所提方法的有效性。

面向工业入侵检测的数据增强和检测模型的研究

由于采集到的工业互联网流量数据存在正常流量和攻击流量的样本数目不平衡、样本特征复杂的问题,提出一种使用梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)并结合卷积神经网络(CNN)与门控循环单元(GRU)的深度学习入侵检测方法。使用WGAN-GP数据增强并使用CNN与GRU混合模型进行深层特征提取解决上述问题。使用加拿大网络安全研究所公布的CICIDS2017数据集对模型进行实验,结果表明,对比不同机器学习算法,采用该方法的入侵检测结果准确率更高。利用密西西比州立大学天然气管道数据集对模型进行验证,结果证明了该模型在工业网络环境下的可行性和有效性。

基于LSTM-GA的过热蒸汽两级减温器协同预测控制

火力发电机组中,由于过热蒸汽减温控制系统存在高延迟、大惯性、参数多变等特点,使用PID控制器难以取得良好的控制效果,且传统的自动控制策略缺乏一二级减温器的互动手段。针对以上问题,提出了一种基于LSTM-GA的预测控制算法,使用长短期记忆网络(Long Short-Term Memory,LSTM)建立两级过热蒸汽减温系统的预测模型,遗传优化算法(Genetic Algorithm,GA)求解两级减温水最优控制量,实现两级减温器协同优化预测控制。根据某330 MW亚临界燃煤机组运行数据建立仿真模型,经计算分析,LSTM-GA预测控制器能够提前预测,做出判断,其快速性稳定性准确性均优于传统PID控制,并且实现了两级减温器的联动控制。验证结果表明了此算法的可行性、有效性,为优化过热蒸汽的减温控制提供了一种新方法。

基于PNN的水轮发电机组振动故障诊断

概率神经网络(PNN)是一种训练速度快、结构简洁明了、应用广泛的人工神经网络。它采用贝叶斯分类决策理论建立系统的数学模型,以高斯函数作为激励函数,具有非线性处理和抗干扰能力强等特点。提出基于PNN的水轮发电机组振动故障诊断方法,并在水轮发电机组振动频谱波形特征的基础上,对几种典型故障模式进行了实例研究。理论分析和实例结果验证了基于PNN的水轮发电机组振动故障诊断方法是正确和有效的。

基于粗糙集-RBF神经网络的水电机组故障诊断

由于水电机组监测数据量过大,基于神经网络的故障诊断存在网络结构复杂,训练时间长的问题,本文将粗糙集理论引入到水电机组故障诊断中,提出了基于粗糙集理论与RBF神经网络相结合的水电机组故障诊断方法。利用粗糙集理论在处理不确定信息方向的优点,在保持分类能力不变的前提下,去掉机组的冗余信息,保留必要的要素,并结合RBF神经网络对预处理后的信息进行诊断,使神经网络的输入神经元数目明显减少,其结构也得以简化,可以有效地提高故障诊断准确度。通过对实测机组振动数据进行诊断,证明了该诊断方法的有效性。

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换(FFT)方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足,提出了集小波分析、模糊理论和径向基函数神经网络(RBFNN)优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪,提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化,提取关系型征兆;然后将这2种特征组合,形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明,该方法能够全面准确地提取水电机组稳定性状态特征,在水电机组故障诊断上具有一定的可行性和有效性。

汽轮发电机组故障智能诊断方法研究

该文针对汽轮发电机组故障特点,研究了用于故障智能诊断的神经网络结构,对传统的BP神经网络进行了改进,提出了神经网络的逐层优化法,优化后的神经网络更加适用于故障诊断。通过对汽轮发电机组常见故障的分析,提出了适用于汽轮机故障诊断的原因-征兆表,在此基础上对某热电厂的汽轮发电机组故障进行了诊断,诊断结果表明,该方法能够正确地诊断出存在的故障,具有实用价值。

基于机器学习的住院患者压力性损伤分析与预测

压力性损伤是护理工作的重点,也是评价护理质量的重要指标,设计合理的评估量表和科学预测是预防的关键措施。基于传统的12个指标,再新增3个风险指标,设计更全面的风险评估量表;据此收集一段时间内住院患者的信息,采用卡方检验分析对损伤有显著影响的指标,将患者分为入院时和院内获得性压力性损伤两类,分析其特征、产生部位和分布科室。基于支持向量机、概率神经网络和广义回归神经网络3种方法建立预测模型,在支持向量机中,采用高斯核函数构建模型,并使用遗传算法优化核函数参数。比较4种场景下3种方法的预测精度,支持向量机的预测准确率最高,达到84.68%,另外2种方法的准确率较低,均为82.78%。

水轮发电机组振动故障诊断的神经网络方法研究

本文通过对水轮发电机组振动问题的分析，提出了应用人工神经网络对水轮发电机组振动故障进行分类和识别的方法．在振动频谱波形特征的基础上，用三层ＢＰ网络对几种典型故障模式进行了试验研究和分析．结果表明，神经网络技术能够有效的解决水轮发电机组振动故障中的状态识别问题．

基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法

光伏发电功率预测对太阳能开发利用、电网稳定安全运行具有重要意义。提出一种融合了概率神经网络(PNN)、主成分分析法(PCA)、分散搜索(SS)和支持向量机回归(SVR)的光伏输出功率预测模型。首先结合天气信息通过PNN将天气划分为晴、多云、阴、雨4种类型,然后在每种天气类型下,利用PCA对影响光伏出力的多个气象因素,如太阳辐射强度、温度和相对湿度等进行降维、转换成少数几个主成分作为输入向量,最后建立SS算法优化SVR的光伏发电功率短期预测模型。结果表明,该模型实现了对不同天气类型下的光伏出力较为精准的预测,具有一定的可行性及指导意义。