冰蓄冷系统中融冰负荷变化时运行策略的研究

分时蓄冷时负荷变化大,但可充分利用低谷电来制冰蓄冷,而在高峰时,制冷机不开以融冰供冷,满足空调负荷要求,真正起到在电网中削峰填谷作用。分时蓄冷时,负荷变化大,在融冰循环运行时,流量变化幅度随之变大,情况特殊,因此需要系统要有应对策略。     

基于Elman神经网络的磁场探头校准建模

针对大多数磁场探头都是在频域上校准、不能较好地满足测量电磁瞬变现象的问题,提出了一种基于Elman神经网络的磁场探头时域校准建模方法。利用Helmholtz线圈、浪涌发生器、示波器等仪器搭建了时域校准平台,对磁场探头进行校准实验,并采集浪涌发生器输出的电流波形和磁场探头的感应电压。分别以磁场探头的感应电压和Helmholtz线圈产生的磁感应强度数据作为输入输出,建立Elman神经网络模型。建模效果表明,所建模型能够准确地预测出磁感应强度的变化趋势,该校准模型具有一定有效性。     

联合BIC准则和多重注意力机制的空调能耗预测

建筑空调系统能耗预测对空调系统优化控制至关重要,因此提出一种联合BIC(贝叶斯信息)准则和多重注意力机制的空调能耗预测模型。针对空调能耗影响特征的复杂性,采用BIC分别对气象特征和空调内部特征进行特征选择,并引入双特征注意力机制。为改善双向长短期记忆网络(BiLSTM)梯度消失的问题,改进了网络的激活函数,并在此基础上引入时序注意力机制,以提高模型在长时间序列预测时的稳定性。最后,以某建筑空调系统为例对模型效果进行验证,研究结果表明,所提模型的MAPE、RMSE和MAE相较于传统的BiLSTM模型分别降低了0.013 1,2.929 6和1.841 3,取得了很好的效果,为后续优化控制提供了良好的基础。     

分离式螺旋热管管外融冰放冷特性分析

在提出分离式螺旋热管蓄冷空调系统的基础上,建立了螺旋热管管外融冰放冷过程的理论模型;分析了蓄冷桶内融冰量及放冷量随时间的变化关系。研究结果表明,在蓄冷桶进口水温一定的情况下,外融冰的循环水流量越大,其融冰放冷过程就越快;在外融冰循环水流量一定的情况下,放冷过程随蓄冷桶进口水温的升高而加快。     

K-means+SSA-Elman网络可见光室内位置感知算法

由于室内环境复杂,基于Elman神经网络的可见光位置感知存在收敛速度慢、定位精度低等缺点。论文提出基于麻雀搜索算法（sparrow search algorithm, SSA）优化Elman神经网络,同时融合K-means聚类的一种可见光室内位置感知算法。对采集到的数据建立数据库,利用SSA对Elman的拓扑结构和连接权阈值进行优化,建立训练模型,解决基于Elman神经网络室内位置感知算法易陷入局部最优的问题,提高收敛速度和稳健性;利用K-means对数据库优化分类,将处理好的数据代入模型训练得初步预测结果;将初步预测结果代入子类二次训练得预测点的最终坐标,进一步提高定位精度。基于0.8 m×0.8 m×0.8 m的立体空间进行实验,结果表明：论文算法平均定位误差3.22 cm,定位误差小于6 cm,概率达到90%,相较SSA-Elman算法定位精度提高7.5%;相较Elman网络算法定位精度提高16%。     

基于深度学习的patch-match双目三维重建

以patch-match为核心的算法在双目立体重建中有着广泛应用,因其具有低内存消耗、重建精度高等优良性能;然而,传统patch-match算法需要有序地对图像中的每一个像素点进行迭代求取最优视差值d,从而导致运行时间较高。为了解决该问题,在传统patch-match算法的基础上引入基于学习的模型作为指导来降低运行时间,提高立体重建精度。利用深度学习模型输出每个像素伴有异方差不确定度的初始视差图,异方差不确定度用于衡量网络模型所预测视差值的准确度;将异方差不确定度和初始视差作为patch-match算法的先验信息;在平面细化步骤中,利用每个像素点的异方差不确定度大小动态调整其搜索区间,实现减少运行时间的目标。在Middlebury数据集上,通过与原有算法比较可知,改进后的算法在运行时间上减少20%,同时,在不连续等区域上的重建精度得到略微提高。     

模糊神经网络系统在微波效应数据处理中的应用

 描述了建立神经网络驱动的模糊系统的基本过程，结合部分微波效应数据建立了一个小型的效应预测评估模型。对应于学习样本，给出了网络输出值与样本输出真实值的比对情况，并对部分非学习样本输出值进行了预测，由对比情况可知，网络系统基本能够再现原始数据的真实面貌，并能对未知事件有一定的预测能力，作为一种效应数据处理方法，模糊神经网络系统具有一定的潜在应用价值。     

竖直盘管直接蒸发内融冰式冰蓄冷空调融冰机理

以竖直盘管直接蒸发内融冰式冰蓄冷空调蓄冰槽内的传热过程为基础,利用热阻网络法和能量平衡建立了融冰过程的数学模型,对其融冰机理进行了理论分析。计算结果表明,融冰过程中蓄冰槽盘管出口的制冷剂温度随时间逐渐升高,但在后期存在一个因冰柱碎裂上浮导致自然对流瞬时得到强化从而引起的短时间轻微下降现象。另外,蓄冰槽内的传热系数经历了先骤然降低,然后维持稳定,最后又快速上升的过程。该现象与盘管外由于冰融化所形成的水环直径有关,水环直径越大,释放冷量的速度就越小。通过与实验数据的对比,验证了计算模型的合理性和准确性。     

差分吸收光谱系统监测污染物浓度实时预测模型

差分吸收光谱(DOAS)法是一种有效的监测大气污染气体浓度的光学遥感方法,不仅有好的时间分辨率,而且测量灵敏度也很高。但是由于遥测系统处于复杂的大气环境中,各种干扰因素以及恶劣的气候条件,都会对系统产生影响。针对现有实时、在线监测差分吸收光谱系统中存在的不足,作者提出了一种基于改进Elman网络的实时预测模型。利用逐步回归筛选预测因子,不仅降低了预测网络的复杂程度,而且增强了系统的预测实时性。利用带自适应学习率的动态BP算法对改进的Elman网络进行训练,使预测系统能更好地辨识要预测的差分吸收光谱系统,该模型能较准确地对DOAS系统监测污染物数据进行实时跟踪监控,一定程度上弥补了遥测系统的不足。     

基于神经网络的轨道车辆振动预测

车体振动加速度是反映车辆振动状态及轮轨接触品质的重要参数;基于NARX神经网络,结合车辆动力学模型,构建了轨道不平顺激励下的车辆振动加速度神经网络预测模型;为提高模型的预测精度,运用遍历法确定了网络的时延阶数、隐节点等模型参数;基于车辆系统SIMPACK模型仿真数据的验证结果表明,模型输出与目标输出具有较高的相关性以及较小的均方根误差值,模型能够较好的预测出车体振动加速度的变化趋势;最后采用实测数据进一步验证了模型的预测性能,证明了构建的神经网络模型可以准确预测车体振动加速度输出,并有良好的泛化效果。     

Investigation of structural response and noise reduction of an acoustical enclosure using SEA method

Noise reduction capability of acoustical enclosures has been extensively investigated and is commonly quantified by noise reduction. Although much work has been done in predicting the noise reduction by using statistical energy analysis (SEA) method, discrepancy often exists between the predicted and measured results, especially at the low and intermediate frequencies. This is largely due to the fact that some physical mechanisms which affect the prediction of noise reduction were not addressed in the available SEA models. In this paper, the sources of the discrepancy were identified by investigating the limitation of SEA for energy transfer in the entire frequency range and the effect of structural–structural coupling, acoustical–structural coupling on the prediction of noise reduction. An improved SEA model including the non-resonant response and more accurate transmission coefficient of finite panels is presented. Finally, the predicted structural response and noise reduction of an acoustical enclosure were compared with measured results, and the improved agreement between the prediction and experiment was observed.     

人工神经网络结合多光谱遥感数据用于立地质量评价

多光谱遥感数据蕴含着大量的地表立地信息,而传统立地质量评价体系主要使用了人工地面调查数据。为了建立一套有效的立地质量评价体系,以内蒙古赤峰市旺业甸林场为研究对象,基于研究区域的多光谱遥感数据结合地面小班调查数据,采用一种改进的反向传播人工神经网络(back Propagation artificial neural network,BPANN)模型,以落叶松为例,建立了遥感光谱因子结合立地因子与地位指数关系的神经网络模型,对研究区域的小班进行立地质量评价研究。通过训练数据集的敏感度分析剔除弱相关或不相关的因子,简化了神经网络的规模,提高了网络的训练效率,得到了最优的地位指数预测模型,模型的预测精度达到95.36%,与使用传统小班调查数据建立的神经网络模型的预测结果进行了比较,精度提高了9.83%,说明使用多光谱遥感数据+小班调查数据确定的落叶松地位指数预测模型具有最高的预测精度。多光谱遥感数据十分适用于森林立地质量评价,改进BP神经网络具有理想的预测精度,充分证实了该方法的有效性和优越性。     

谐波分量提高动态光谱法无创血液成分检测精度

为增加动态光谱数据的信噪比,提高预测模型稳定性和预测精度,提出将多次谐波分量计入动态光谱数据频域数据处理的改进方法。对110名志愿者进行临床采集,依据其脉搏波信号质量和谐波分布状况,确定其中60例样本为研究对象。在提取样本动态光谱时,以是否加入谐波分量为标准分成实验组和对照组。分别建立两组动态光谱和人体血红蛋白含量的BP神经网络模型,结果显示实验组预测集相关系数为0.91,远大于对照组预测集相关系数0.80,其余各项指标均有明显改善。实验证明利用谐波分量可提高动态光谱数据信噪比,有利于推动基于动态光谱的无创血液成分检测技术的进一步发展。     

基于神经网络的托卡马克能量约束时间预测

使用机器学习理论中的神经网络方法,根据通用逼近原理对能量约束时间的复杂函数进行逼近,采用托卡马克装置的典型实验数据,设计一种组合结构的神经网络.通过大量的调参试验,给出一套性能最好的参数组合,并与传统幂指数形式的多元线性回归方法进行准确性和数据集迁移能力的比较.结果表明:神经网络模型对于能量约束时间的预测准确率更高,回...     

基于加权改进的AR模型的负载预测研究

负载预测在故障管理中有着十分重要的作用,通过对CPU负载以及内存使用率的预测可以对系统进行实时监控,预知未来时间段资源的可用性,发出异常告警;文中提出一种加权改进的自回归模型,通过对最小二乘法求出的参数进行加权处理,结合时间序列分析理论,建立一个负载预测模型,用于CPU负载和内存使用率的预测;实验证明,对AR模型的参数进行加权的方法优化了参数估计,预测误差减小了60%~80%。     

Electricity,Heat, and Gas Load Forecasting Based on Deep Multitask Learning in Industrial-Park Integrated Energy System

Different energy systems are closely connected with each other in industrial-park integrated energy system (IES). The energy demand forecasting has important impact on IES dispatching and planning. This paper proposes an approach of short-term energy forecasting for electricity, heat, and gas by employing deep multitask learning whose structure is constructed by deep belief network (DBN) and multitask regression layer. The DBN can extract abstract and effective characteristics in an unsupervised fashion, and the multitask regression layer above the DBN is used for supervised prediction. Then, subject to condition of practical demand and model integrity, the whole energy forecasting model is introduced, including preprocessing, normalization, input properties, training stage, and evaluating indicator. Finally, the validity of the algorithm and the accuracy of the energy forecasts for an industrial-park IES system are verified through the simulations using actual operating data from load system. The positive results turn out that the deep multitask learning has great prospects for load forecast.     

基于退化数据和DBN算法的IGBT健康参数预测方法

绝缘栅双极型晶体管(IGBT)等电子元器件被广泛用于运输和能源部门,其健康状态对于设备安全和有效至关重要;在对IGBT的结构和损伤机制分析基础上,结合NASA艾姆斯中心开展的IGBT加速退化试验,选择集电极-发射极关断峰值电压作为失效特征参数,提出了一种基于深度信念网络的预测模型对其进行分析和预测;以Levenberg-Marquardt(LM)算法模型作为对比,实验结果显示文章提出的三隐藏层DBN模型相比于LM模型有更好的预测性能和更高的预测精度。     

Prediction of energy consumption and risk of excess demand in a distribution system

An empirical model for prediction of energy consumption in a distribution system is described. The model resembles a normalized radial basis function neural network whose neurons contain prototype joint data about the consumption process and the environment. A set of prototype patterns of consumption and environmental variables is formed from a record of a multi-component time series by a self-organized process. Prediction of energy consumption is performed by a conditional average estimator based upon known prototype patterns and given future values of environmental variables. Importance of these variables for the prediction is determined by a genetic algorithm. Prediction performance of the model is tested on a one-year-long consumption record of a gas distribution system. Prediction error is determined by the difference between predicted and actually observed consumption. Its value depends on time and amounts to a few percent of the actual consumption. The probability distribution of prediction error is estimated from a properly selected time interval of prediction. This distribution can be used to estimate the risk of energy demand beyond some prescribed value. For an optimization of the distribution process, a cost function that includes operation and control costs of a distribution system as well as penalties related to excess energy demand is proposed. Its minimum corresponds to an economically optimal energy distribution.