基于AP-HMM混合模型的充电桩故障诊断

确定性的相似性传播(AP)聚类方法和统计性的隐马尔可夫模型(HMM)是2种常用的设备故障诊断方法,但电动汽车充电桩结构设计复杂且目前积累的故障样本不多,使用上述2种方法均不够理想。针对充电桩故障诊断本身具有的特点,结合AP聚类快速、准确提取故障的特征和HMM强大的故障分类能力,本文提出一种基于AP-HMM混合模型的充电桩故障诊断方法。为了研究充电桩长期工作的状态性质,采用马尔可夫平衡方程组求得充电桩发生故障的稳态概率值。实验结果表明,与传统模型相比,AP-HMM混合模型的充电桩故障诊断学习精度提高了3%以上。本文提出的混合模型具有一定的可行性与普适性,可在一定程度上用于速度要求低但精度要求高的其他电子设备故障诊断。     

基于隐生灭过程模型的充电桩故障诊断研究

文章提出了采用隐生灭过程研究电动汽车充电桩故障诊断的一般模型及分析方法,将状态转移仅发生在相邻状态之间的方式加以考虑,在给定规则下建立了隐生灭过程模型;利用生灭过程局部平衡方程组研究了充电桩发生故障的稳态分布,解释了稳态分布的物理意义。实验结果验证了上述理论分析的正确性,该文提出的模型和结论具有一定可行性与普适性,在一定程度上适用于诊断速度要求较高而精度要求低的其他电子设备故障诊断。     

计及可拓理论与聚类算法的变压器异常状态检测

传统变压器异常状态检测算法的有效性与精度仍然有待进一步研究。文章提出了采用投影滑动窗口和可拓K-means聚类相结合的变压器状态异常检测一般模型及分析方法。将空间状态变量投影到坐标轴加以考虑,在可拓距离度量下构造指标关联函数,按照给定的规则建立异常检测模型。以湖州某变电站各项历史监测数据对上述模型进行算例分析,结果表明,该方法可定量分析在线监测数据与变压器异常状态之间的动态关系,为实施变压器状态异常检测提供了一定的理论依据。     

复杂动态车削过程的神经网络直接自适应控制

动态是系统最基本的特性，为了实现复杂动态系统的实时控制。文中对已有动态神经网络结构进行了改进，使之易于应用于一般未知系统：在此基础上研究了运用动态神经网络实现直接自适应控制的方法，并针对回转类复杂曲面车削过程的特点，提出了相应的动态神经网络直接自适应控制方案，以综合实时校正加工过程中参数缓慢时变，突变以及非线性等复杂动态因素的影响。针对典型零件的车削实验表明，该方法可有效地减小复杂轮廓加工误差。     

基于振动技术的内燃机活塞复杂裙面加工方法研究

基于分解设计、叠加成型的思想，研究了非圆截面车削方法和非线性型线加工方法，提出了结合偏心振动技术和数控单元的中凸变椭圆裙面加工原理，本方法可实现普通车床的数控改造，成为活塞裙面加工专用数控车床，经济可靠，容易实现．     

具有两类上限条件的虚拟样本生成数量优化

面对小样本数据集,虚拟样本生成(virtual sample generation,VSG)技术已被证实能有效提升机器学习算法的性能,然而对于最优的生成数量并未有明确的结论。本文首先在给定训练样本标准方差上限的条件下,采用信息熵理论研究最优虚拟样本生成数量;其次将虚拟样本所产生的噪声加以考虑,在给定的置信水平(0.95)下建立了最优虚拟样本生成数量的一般概率模型及分析方法;最后以2016年浙江湖州某变电站历史监测故障数据建立小样本数据集,设计4次相关虚拟样本生成实验,结果表明,上述两种最优虚拟样本生成数量法则行之有效,相应的机器学习预测精度有所提高。     

基于房间温度响应特性的实时负荷建模方法

空调能耗是建筑能耗的主要组成部分,空调是建筑节能的重点攻关对象。准确计算空调的实时负荷有助于调整空调的实际运行,使其达到兼顾良好的空调调节效果并尽可能的减少能源消耗的目的。通过采用基于房／可温度响应特性的实时负荷建模方法,能够在空调实际运行的过程中快速准确的计算出房间实际的冷负荷,为根据实际情况调节空调供冷量提供良好的理论依据。     

基于深度学习的房间冷负荷预测模型

准确的房间冷负荷预测是空调运行过程节能的基础.首先,根据房间能量平衡方程,通过分析供冷量、冷负荷和蓄热量的关系,提出调温模式下房间负荷预测模型;然后,利用频域分解法实现蓄热计算,应用深度循环神经网络实现温度恒定条件下冷负荷预测;最后,综合温度变化下的蓄热量和温度恒定条件下的冷负荷预测,得到调温模式下房间冷负荷预测值.为提升深度学习算法收敛速度,在深度循环神经网络反向传播修正参数的过程中引入了高斯-牛顿法-LM (Levenberg-Marquardt)法自适应切换的学习算法.仿真实验和实测实验均表明,该方法能快速有效地实现房间逐时负荷预测.本方法实现了调温模式下房间负荷需求的快速精确计算,可用于实现建筑被动热储能的定量计算,同时为整个电网需求侧直接负荷控制提供可借鉴的思路.