基于风电运维人员紧张程度的运维操作模式

安全可靠的运维是保证风电场正常运行的一个重要条件然而大多数风电场处于环境恶劣的偏远地区，给风电运维人员带来了巨大的挑战恶劣的运维环境降低了运维人员的可靠性，增加了运维人员人为失误的概率近年来，由运维人员人为失误导致的事故频发，为减少人为失误导致的事故，提出了一种基于风电运维人员紧张程度的运维操作模式以肌电图、呼吸作用和皮肤电导这3种生理信号作为运维人员紧张程度的评估参数，采用随机森林算法对运维人员的紧张程度进行分类与预测，通过实验验证了基于生理信号划分紧张程度的可行性最后以发电机U1绕组温度超限故障为例，分析了运维人员在不同紧张程度下的操作模式     

混合蛙跳算法神经网络及其在语音情感识别中的应用

该文将混合蛙跳算法(SELA)优化方法应用于人工神经网络训练中,对6种语音情感进行了语音情感特征的分析与识别。研究了谐波噪声比特征随情感类别的变化特性。利用混合蛙跳算法训练随机产生的初始数据优化神经网络的连接权值,快速实现了网络收敛。实验比较了BP神经网络、RBF神经网络和SFLA神经网络的语音情感识别性能。结果表明,SFLA神经网络的平均识别率分别高于BP神经网络和RBF神经网络4.7%和4.3%。     

基于认知计算的WINDRIVE 风电故障运维管理机制

摘要：运维效率的提高是当下风电后市场面临的重大困境，基层运维人员对于故障的认知以及在风电机组极端运维条件下的情感状态对运维结果有着较大的影响.该文提出了一种基于认知计算的WINDRIVE运维管理模型以风电机组匝间短路故障为例，将情感节点考虑在内，以证据承载机会(EBO)及概率分布展示了潜在变量和故障认知(Cognition)之间的关系最后，运用马尔科夫链蒙特卡洛(MCMC)方法模拟了运维人员的认知计算结果该模型可以得到运维人员对于特定故障更加全面的认知计算结果，方便电力企业对于运维人员的操作水平进行准确把握并进行高效派遣及管理，应用空间广阔     

改进的混合蛙跳算法及其应用

针对混合蛙跳算法(SFLA)后期搜索速度变慢,容易陷入局部极值的缺点,提出一种改进的混合蛙跳算法(ISFLA).借鉴分子动力学模拟思想,将正态云模型云滴的随机性和稳定倾向性特点应用于比例积分微分(PID)控制器的参数整定中.ISFLA将青蛙个体等效成分子,提出一种新的分子间作用力.利用Velocity-Verlet算法和正态云发生器代替SFLA的更新策略,平衡了搜索的高效性和种群的多样性.仿真结果表明:ISFLA提高了收敛精度、收敛速度、寻优时间、稳定性和后期跳出局部极值的能力,其全局寻优能力优于SFLA;基于ISFLA整定的PID控制器具有良好的鲁棒性、优良的抗干扰性和满意的闭环控制效果.     

基于MD-CM-SFLA神经网络的耳语音情感识别

提出了一种基于分子动力学模拟与云模型理论的改进混合蛙跳算法(MD-CM-SFLA).该算法将青蛙个体等效成分子,仅考虑最差个体和全局最优个体之间的吸引力,采用一种新的分子间作用力来代替两体间经典的Lennard-Jones作用力,并利用Velocity-Verlet算法和正态云发生器代替混合蛙跳算法的更新策略,有效平衡了种群的多样性和搜索的高效性.然后,将MD-CM-SFLA算法与BP神经网络相结合,设计出一种MD-CM-SFLA神经网络,并将其应用于耳语音情感识别中.耳语音情感识别结果表明,MD-CM-SFLA神经网络相对于BP神经网络具有明显的优势,在相同的测试条件下,其平均识别率较BP神经网络提高5.2％.由此表明,利用MD-CM-SFLA算法优化BP神经网络的参数,可以实现BP神经网络的快速收敛,获得较好的学习能力,从而为耳语音情感识别提供一种新思路.