基于集成机器学习的电力系统窃电行为辨别方法

电力系统中窃电行为对线损计算和电网经济运行造成不利影响，严重影响电力市场的经济秩序。基于此，本文提出了一种基于集成机器学习的电力系统窃电辨别方法，以快速准确的辨别窃电行为。首先，该方法建立了基于改进神经网络的电力系统窃电行为特征提取模型，利用实测数据与神经网络全变量重构值进行比较，以获取用电数据的抽象行为特征；然后，利用提取出的窃电行为特征，采用集成机器学习方法进一步推导出电力系统窃电行为辨别方法；最后，基于实际数据集，验证了所提算法具有较高的检测灵敏度和分类精度。     

时序数据驱动的化工过程风险动态预警研究

对化工过程进行在线监测与动态风险预警是降低事故发生的有效途径。提出了一种基于深度学习时序预测与模糊数学定量风险评估相结合的预警方法。针对化工过程数据的动态性、时序性、非线性强，且预测周期短等问题，将卷积神经网络(Convolutional Neural Networks, CNN)与长短期记忆网络(Long Short-Term Memory, LSTM)模型结合形成深度学习时序预测模型，实现过程参数108 min的超前预测。将该方法应用于合成氨过程，对温度、压力、流量、氢氮比等6个风险参数进行预测。结果表明，该预测方法具有较高的预测精度，其线性回归相关系数及均方根误差表明所提出的方法具有非常高的精度。同时利用三角模糊数对时序预测结果进行风险评估，得到时序风险变化曲线，实现了化工过程风险预警。研究对使用人工智能和大数据实现过程控制和风险预警进行了有益探索，为实现化工过程的超前预警提供参考。     

基于IWOA-PNN模型的管道焊缝腐蚀剩余强度预测

针对管道焊缝腐蚀问题构建基于改进鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)的概率神经网络(Probabilistic Neural Network, PNN)剩余强度预测模型。首先，通过种群初始化、非线性收敛因子和惯性权重因子提高鲸鱼优化算法的寻优速度和精度；然后，利用IWOA算法优化PNN的光滑因子，构建IWOA-PNN预测模型；最后，以水压爆破试验数据为基础，使用MATLAB软件进行仿真试验，并与另外2个模型进行对比分析。结果表明：IWOA-PNN模型的E_RMS为0.633 1,E_AR为2.19%,R²为0.954 6,均优于PNN和鲸鱼优化算法(Whale Optimization Algorithm, WOA)-PNN模型；IWOA-PNN模型与传统模型相比误差更小，能够更为准确地预测焊缝腐蚀后剩余强度，为管道的维修和更换提供参考。     

基于ISOA-RBPNN的埋地管道剩余强度预测*

为提高腐蚀管道剩余强度的预测精度，提出引入弹性梯度下降法改进BP神经网络，并融合改进海鸥优化算法(ISOA)，构建腐蚀管道剩余强度预测模型。关于改进BP神经网络模型的参数寻优，首先采用Cat混沌映射初始化改进海鸥优化算法(SOA)初始种群的分布，提升寻优能力，优化SOA的搜索方向和攻击形式，增强其全局搜索能力并提高收敛速度，然后用ISOA对弹性BP神经网络（RBPNN）模型中的权值和阈值进行寻优，最后构建ISOA-RBPNN预测模型。以管道爆破数据为例，利用MATLAB进行仿真模拟，并与PSO-BPNN模型和IFA-BPNN模型预测结果进行对比分析。研究结果表明:ISOA-RBPNN模型的各项评价指标均优于其他2个模型，预测结果较实际值误差更小，在预测腐蚀管道剩余强度领域具有更好的性能，可为后续研究腐蚀管道剩余寿命和制定维修策略提供参考依据。     

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态，降低作业风险，利用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化反向传播(Back Propagation, BP)神经网络，构建疲劳识别模型。首先，通过模拟日常作业进行疲劳诱发试验，将OpenBCI Cyton开发套板作为心电信号的采集装置；其次，借助MATLAB对所采集心电信号(Electrocardiogram, ECG)数据进行预处理，基于疲劳等级形成初始样本数据集；进而利用Pan-Tompkins算法进行特征提取；最后，针对特征间皮尔逊相关系数进行假设检验，从而获得优选指标并用于模型训练，经疲劳识别模型得出结果。结果表明，与传统BP神经网络、支持向量机(Support Vector Machines, SVM)、遗传算法(Genetic Algorithm, GA)优化BP神经网络相比，模型准确率分别提高6.25百分点、22.92百分点、2.78百分点，从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。     

IAFSA-GRNN在油田集输管道CO2腐蚀速率预测中的应用

为提高油田集输管道CO₂腐蚀速率预测的准确性,针对原始广义回归神经网络(GRNN)预测精度低的问题,提出改进的群智能算法优化原始GRNN的预测模型;分别使用GRNN模型、人工鱼群算法(AFSA)优化的GRNN(AFSA-GRNN)模型和自适应改进的AFSA-GRNN(IAFSA-GRNN)模型预测X65管线钢的CO₂腐蚀速率。结果表明:采用AFSA和IAFSA优化光滑因子S后,能大大提高GRNN模型的预测精度,预测结果的平均相对误差由36.09%分别减小至7.20%和6.90%;与AFSA相比,IAFSA优化的GRNN不仅具有更高的预测精度,还具有更快的收敛速度。AFSA-GRNN在第164次迭代计算时收敛,而IAFSA-GRNN在第109次迭代计算时收敛,说明AFSA经自适应优化能提高优化过程的收敛速度和GRNN的预测精度。     

基于BP神经网络城市环境噪声预测及实证研究

城市噪声污染严重影响着人们的生活与工作,采用合适的方法对噪声污染进行评价并预测,进而提出有效的预防及治理措施是噪声污染防治的关键问题,文章利用灰色关联分析选取了影响环境噪声的主要因素,采用BP(Back propagation,BP)神经网络对北京市1994~2006年的环境噪声污染进行评价并预测,验证结果误差较小,说明基于灰色关联的BP神经网络能够有效地对城市环境噪声污染进行评价和预测。     

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题，采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾，并提出了一种基于粒子群算法(Particle Swarm Optimization, PSO)优化长短期记忆(Long Short-Term Memory, LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据，然后用PSO优化LSTM的隐藏层神经元个数和学习率，提高了LSTM的预测精度。通过与其他3种神经网络对比，PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿，可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。     

基于BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型，为了强化预测效果，选取BFGS算法对BP神经网络模型进行优化。选取应力系数■、脆性系数■和弹性能量指数W_et作为预测指标，国内外46组案例作为样本库，分别建立BFGS-BP神经网络模型和传统BP神经网络模型，对比验证其优化效果，将建好的模型用于锦屏二级水电站和秦岭隧道加以检验，得到一种有应用前景的机器学习预测模型。     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多，导致存储和速度问题突出，很大程度上限制了其在一些硬件平台上使用的问题，基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构，构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据，采用数据增强的方法来增加数据量，制作火灾火焰图像数据集，形成学习样本，并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点，且具有良好的抗干扰能力，有效缓解了当前卷积神经网络中存在的存储和速度问题。