基于PSO-BP神经网络的5G基站位置确定方法

5G基站位置的确定对室内定位服务和网络安全有着重要意义。首先对5G信道状态信息CSI进行Hample滤波和降维,然后构建基于粒子群优化PSO的误差反向传播BP神经网络信号损耗模型,建立5G CSI和距离的映射关系,最后基于模型预测的距离实现对5G AP的探测。实验采用室外探测室外和室内5G AP的实测数据,结果表明,与BP神经网络相比,基于PSO-BP神经网络的距离预测值更加精确,室外探测室外和室内5G AP的精度分别达到了0.32 m和0.96 m。随着测量方向数的提升,5G AP的定位精度不断提升。当方向数达到5个时,精度提升最为显著。

基于变分模态分解与鲸鱼算法优化回声状态网络的风速预测模型

风速受多种因素影响常伴随着随机性和非平稳性,给风电接入电网造成了相当大的困难,准确的风速预测对风力发电有着极大的研究意义。将变分模态分解算法与鲸鱼算法优化回声状态网络模型相结合,提出了一种风速预测模型。首先通过变分模态分解算法将风速序列分解成多个分量以减少风速内部信号间的耦合性,降低建模难度。然后对这些分量分别建立对应的回声状态网络预测模型。针对回声状态网络模型性能受储备池参数影响较大的问题,采用鲸鱼优化算法对储备池参数进行优化。风速的最终预测值由分解后各分量预测值相加得到。最后,将实际采集的短期风速数据作为研究对象,通过与其他4种预测模型的对比分析表明提出的风速预测模型具有更高的预测精度,能够更好地对风速的变化趋势进行预测。

基于迁移学习与GRU神经网络结合的锂电池SOH估计

为解决退役电池梯次利用过程中单体剩余使用寿命估计困难、测试流程复杂与能耗高等问题,提出迁移学习与GRU网络结合的锂离子电池健康状态估计方法;设计的基础模型结构为输入层+GRU层+全连接层+输出层;根据健康因子的得分,选择训练基础模型的数据集、划分电池相似度等级并制定对应的迁移学习策略。实验结果表明:与其他模型相比,分别使用数据集的前40%与前25%训练得到的基础模型与迁移学习模型,两者的精度分别最大提高42.48%与95.28%,而预测稳定性分别最大提高55.38%与93.55%。

基于潮流引导神经网络的配电网贝叶斯状态估计

针对量测不足条件下配电网状态估计方法精度较低的问题,提出了基于潮流引导神经网络的配电网贝叶斯状态估计方法。首先,基于各节点的历史数据学习注入有功、无功功率的2维高斯混合概率分布,据此进行蒙特卡洛抽样和潮流计算,以获取用于神经网络训练的丰富样本;其次,以最小化状态估计误差和潮流方程失配量为目标,建立了基于潮流引导神经网络的配电网贝叶斯状态估计模型,通过在损失函数中融入潮流物理损失惩罚项,获取满足电网运行约束的一致解;再次,采用BOHB(贝叶斯优化+Hyperband)方法对神经网络超参数进行优化,并提出了基于迁移学习的拓扑变化和分接头调整条件下的自适应方法;最后,实际数据和三相平衡/不平衡配电网的测试结果表明,所提方法较基于伪量测的状态估计方法和无潮流引导的贝叶斯估计方法估计精度更高,且在拓扑变化和分接头调整时具有较好的自适应性能。

基于TCN-BiLSTM-Attention-ESN的光伏功率预测

针对光伏发电功率随机性强、难以准确预测的问题,提出一种基于时间卷积网络(TCN)、双向长短期记忆网络(BiLSTM)和回声状态网络(ESN)的组合预测方法。首先,使用自适应噪声完备集合经验模态分解(CEEMDAN)将功率数据分解为一系列相对平稳、不同波动模式的子功率序列;再将分解重构后的功率序列和其他特征序列输入到TCN-BiLSTM-Attention-ESN组合模型中,其中TCN-BiLSTM-Attention用于提取光伏序列波动特征并构建时空特征向量;最后,将所提取的时空特征向量输入ESN获得预测结果。采用新疆某光伏电站的光伏功率数据进行验证,结果表明与时下先进的预测方法相比,所提方法具有更高的预测精度,有助于提升光伏发电占比,保障电力系统平衡和运行安全。

偏置剪枝叠式自编码回声状态网络的时序预测

针对大多数模型对时间序列预测数据的预测准确率较低,为提升时间序列的预测精度,提出一种基于Biased Drop-weight的偏置剪枝叠式自编码回声状态网络(BD-AE-SGESN)的深度模型。以叠式ESN为多层深度网络框架,提出一种生成式AE算法生成每一层的输入权值,利用BD算法根据输入权重激活值进行剪枝。对比实验结果表明,该模型能够有效提升预测准确率,在3个不同的数据上,相比其它模型有着较小的预测误差和较高的稳定度。

基于孪生神经网络的楔形环连接结构预紧状态辨识

楔形环连接结构由于其连接简单可靠、同时兼具节省空间及减重的优势,常被应用于鱼雷、航天飞行器等武器装备。针对楔形环连接结构预紧状态辨识方面存在的机理模型复杂、样本量小且类别不平衡的问题,提出了一种基于孪生神经网络模型的预紧状态辨识方法。为提高模型训练效率和效果,首先利用时频处理技术进行孪生神经网络模型特征增强,基于增强特征建立了3层孪生神经网络分类模型,实现楔形环预紧状态宏观分类。同时,为指导楔形环精密装配,通过特征可视化技术,深入分析了孪生神经网络训练过程特征聚类效果,并基于二维特征建立了预紧状态定量表征模型,引入目标状态聚类中心与接受域参量,用于实现楔形环连接结构预紧状态定量评估。通过试验验证了所提方法的有效性,该方法可为楔形环连接结构定量辨识提供新的技术途径和思路,具有一定工程应用价值。

基于蝙蝠算法优化ESN的氯乙烯质量分数软测量模型预测

为解决氯乙烯因其精馏过程具有较强的非线性,无法实现对氯乙烯质量分数实时测量的问题,提出一种基于蝙蝠算法(bat algorithm,BA)优化回声状态网络(echo state network,ESN)的软测量模型BA-ESN.首先,通过对氯乙烯精馏过程的分析,选取模型的辅助变量,并将归一化处理后的数据作为模型输入变量;其次,由于回声状态网络中的权值和阈值都是随机产生的,影响其泛化能力,故采用蝙蝠算法对回声状态网络的输出权值进行优化,从而提高ESN模型的收敛速度;最后,将BA-ESN模型预测氯乙烯质量分数的预测结果与ESN模型和BP模型的预测结果进行对比.仿真结果表明:BA-ESN模型的预测精度较高,泛化能力和鲁棒性都较好,能够满足氯乙烯精馏过程实时测量的要求.

以高校图书馆为中心的专利信息服务区域网构建探赜——基于美国PTRC模式的考察镜鉴

以高校图书馆为中心的专利信息服务区域网建设对促进知识产权信息公共服务体系的完善具有积极意义。通过文献调研与网络调研方法,分析美国区域专利信息服务的独特模式与丰富经验,提出我国专利信息服务区域网建设可以借鉴美国模式,以高校图书馆为主体,基于资源互联和利益共生,与多个合作伙伴结成联盟,同时规范准入规则、促进统一建设、加强品牌推广,保障专利信息服务区域网的稳定高效运行。

旋转导向系统稳定平台自适应动态面控制

井下的多种干扰因素为旋转导向系统稳定平台的控制器设计增加了复杂性。为了应对未知摩擦力矩和建模误差对稳定平台的不良影响,提出一种自适应神经网络动态面控制方法,该方法使用RBF神经网络逼近摩擦及干扰力矩,设置状态观测器获取由于相关参数不确定导致的建模误差,并引入动态面方法避免传统反步控制带来的“微分爆炸”,最后使用李雅普诺夫法证明系统的稳定性。结果表明,该控制方法在稳定平台模型存在摩擦力矩、未知干扰和建模误差的情况下,仍能使工具面角准确、快速地跟踪输入指令信号,具有较好的自适应性和鲁棒性。

含丢包和量化的网络控制系统随机鲁棒稳定

针对一类含有随机丢包和考虑信号量化情况下的网络控制系统,通过量化状态反馈控制方法,研究了系统的随机鲁棒稳定性问题。采用满足伯努利分布的随机变量对丢包过程进行建模;同时,采用对数量化器对传感器-控制器通道的信号进行量化,利用扇形界的方法将产生的量化误差描述为扇形界的不确定性。设计状态反馈控制器,结合所设计的量化器和随机丢包模型,利用Lyapunov函数和线性矩阵不等式方法得到系统稳定和鲁棒稳定的充分条件。最后,利用数值仿真实例验证了所提方法的有效性。

基于固态断路器主动注入式直流故障测距方法

随着直流配电网的快速发展与深化应用,准确可靠的故障测距技术对直流故障检修和恢复至关重要。该文提出一种基于固态断路器(SSCB)主动注入式直流故障测距方法。首先,利用SSCB开断主动注入不同脉冲宽度的信号,并检测注入脉冲首末端和反射波首末端的时间差作为注入波形传播时间间隔,能够减小采样频率带来的误差。然后,提取电缆线路电压线模量作为检测量,削弱正负极线路之间的耦合作用,获得稳定波速。最后,基于小波变换原理提出改进自适应模极大值方法来检测脉冲首末端时刻,减小噪声和过渡电阻对测距精度的影响。仿真结果表明,基于SSCB主动注入式测距方法在直流配电网单极接地和极间短路故障情况下均能够实现准确且快速的定位。

基于CWT-RES34的风电机组叶片裂纹状态评估

为有效进行风电机组叶片运行时的裂纹状态评估,提出一种基于连续小波变换(Continue Wavelet Transform,CWT)和残差神经网络(Residual Networks,ResNet)结合的叶片裂纹状态评估方法。首先对叶片加速度振动信号做CWT后生成二维彩色时频图像,然后将图像分别作为训练集和测试集,使用34层ResNet进行训练和诊断,最后选取天津某风电场提供的1.5 MW风力发电机作为研究对象,根据其样本数据将叶片故障程度按照裂纹长度和宽度分为健康、轻微、中等、严重、危险5种状态,评估平均准确率高达98.23%,方法的有效性和可行性得到验证。

基于事件触发加密的配电网预测辅助状态估计

电力信息-物理系统背景下,配电网的通信链路相较于输电网更易遭受到信息攻击。现有考虑信息攻击的状态估计方法中,检测-修正方法过度依赖于攻击检测,而抗差估计方法将信息攻击粗略视作量测异常值,信息攻击下的状态估计性能需进一步提高。为此,提出了一种基于事件触发加密的配电网预测辅助状态估计方法,旨在增强配电网状态估计应对信息攻击的主动防御能力并保证状态估计的性能。首先,构建事件触发加密传输框架以提高配电网状态估计应对信息攻击的主动防御能力。然后,针对事件触发加密传输框架带来的量测误差分布未知性,设计了一种基于柯西核函数的增强最大相关熵容积卡尔曼滤波算法,利用状态预测值辅助鲁棒滤波以实现未知量测噪声分布下的状态准确估计。最后,在改进的IEEE 33节点和IEEE 118节点配电系统上进行仿真分析以验证所提算法的有效性。

忆阻耦合异构忆阻细胞神经网络的多稳态与相位同步研究

忆阻具有天然的可塑性,可实现与生物神经元和突触所具有的相似或相同机制的硅基神经元和纳米突触。将忆阻用作突触耦合两个异构的忆阻细胞神经网络,该文构建了一个忆阻耦合异构忆阻细胞神经网络。该耦合网络含有一个与忆阻突触初值条件和子网初值条件相关的空间平衡点集,可呈现出复杂的动力学演化。利用数值仿真方法,揭示了耦合网络依赖于初值条件而存在的稳定点、周期、混沌、超混沌以及无界振荡等多稳态行为。此外,在忆阻突触的调控下,两个异构子网可达成相位同步。最后,基于STM32单片机硬件平台完成了电路实验验证。

基于定位校正指数的嘧啶类含能材料爆轰性能

为研究嘧啶类含能化合物的爆轰性能与其分子结构的构效关系,根据嘧啶类含能化合物分子中原子相互连接的空间特性,提出了一种新的分子结构指数——定位校正指数B;此外还计算了19个含能化合物分子的电拓扑态指数,并优化筛选出其中的E 13作为分子结构描述符,将E 13与定位校正指数B结合,与嘧啶类含能化合物的爆轰性能进行回归分析;将B和E 13这两种结构指数作为BP神经网络的输入变量,神经网络结构采用2-3-1的结构方式,构建了预测嘧啶类含能化合物爆轰性能好的神经网络法模型。结果表明,每个模型的总相关系数均超过0.99,达优级相关,计算得到的氧平衡、爆热、爆速和爆压的预测值与文献值的平均相对误差分别为1.59%、1.05%、0.37%和1.28%;如将指数扩展到与噁三唑稠环类含能材料分子、含氟唑类含能化合物分子的爆轰性能等进行分析预测,同样能得到令人满意的结果。说明嘧啶类含能材料分子的爆轰性能与定位校正指数、电拓扑态指数有良好的非线性关系。

基于知识与AW-ESN融合的烧结过程FeO含量预测

氧化亚铁(FeO)含量是衡量烧结矿强度和还原性的重要指标,烧结过程FeO含量的实时准确预测对于提升烧结质量、优化烧结工艺具有重要意义.然而烧结过程热状态参数缺失、过程参数波动频繁给FeO含量的高精度预测带来巨大的挑战,为此,提出一种基于知识与变权重回声状态网络融合(Fusion of data-knowledge and adaptive weight echo state network, DK-AWESN)的烧结过程FeO含量预测方法.首先,针对烧结过程热状态参数缺失的问题,建立烧结料层最高温度分布模型,实现基于料层温度分布特征的FeO含量等级划分;其次,针对烧结过程参数波动频繁的问题,提出基于核函数高维映射的多尺度数据配准方法,有效抑制离群点的影响,提升建模数据的质量;最后,针对烧结过程数据驱动模型缺乏机理认知致使模型预测精度不高的问题,将过程数据中提取得到的FeO含量等级知识与AW-ESN (Adaptive weight echo state network)结合,建立DK-AWESN模型,有效提升复杂工况下FeO含量的预测精度.现场工业数据试验表明,所提方法能实时准确地预测烧结过程FeO含量,为烧结过程的智能化调控提供实时有效的FeO含量反馈信息.

CNN-LSTM车辆运动状态识别的AUKF组合导航方法

针对固定的噪声协方差难以适应车辆不同运动行为下噪声统计特性差异大的问题,提出了一种基于卷积神经网络与长短期记忆网络(CNN-LSTM)的车辆运动状态识别自适应无迹卡尔曼滤波(AUKF)组合导航方法。首先,应用CNN-LSTM网络模型进行车辆运动状态识别,解决车辆自我运动不确定性的问题;其次,将特定运动状态约束下的噪声协方差应用于UKF的时间更新与量测更新;最后,将所提方法在采集的数据集上进行验证。实验结果表明,与经典的UKF算法相比,所提方法的位置均方根误差与速度均方根误差分别下降了22.67%与2.63%,验证了所提方法的有效性。

基于BP神经网络与H∞滤波的锂电池SoH-SoC联合估计研究

锂电池健康状态(SoH)和荷电状态(SoC)的精确估计是新能源汽车安全运行的重要保障。针对SoH-SoC联合估计精度低、鲁棒性差的问题,提出一种基于变学习率BP神经网络和自适应渐消扩展H∞滤波的SoH-SoC联合估计方法。首先,提出一种基于单位充电压差时间间隔的新型SoH特征参数;其次,通过设计新型变学习率BP神经网络,提高传统BP网络误差收敛速度及缩短权值寻优时间;最后,通过设计新型自适应衰减因子对传统扩展H∞滤波误差协方差矩阵进行加权,建立自适应渐消扩展H∞滤波算法,减小陈旧量测值对估计结果的影响,提高扩展H∞滤波的估计精度及鲁棒性。实验结果表明,本文所提算法SoH估计误差小于0.35%,SoC估计误差小于0.5%,展现出较高的估计精度和鲁棒性。

考虑SOC的混合储能功率分配与自适应虚拟惯性控制

电力电子化的直流配电网存在低惯性问题,不利于系统稳定运行。混合储能设备可向电网提供虚拟惯性,但不同类型的储能之间存在功率协调问题,并且储能的荷电状态(state of charge, SOC)对虚拟惯性的调节也有约束作用。针对上述问题,提出了一种自适应时间常数的分频控制策略,时间常数根据混合储能系统(hybridenergy storage system, HESS)的SOC而动态调整以改变功率分配。首先,通过分析储能SOC与虚拟惯性的关系,并考虑储能充放电极限问题,研究兼顾SOC、电压变化率以及电压幅值的自适应虚拟惯性控制策略,提高系统惯性。然后,建立控制系统的小信号模型,分析虚拟惯性系数对系统的影响。最后,基于Matlab/Simulink搭建直流配电网仿真模型,验证了所提控制策略能合理分配HESS功率,提高超级电容器利用率,改善直流电压与功率稳定性。