基于排列熵重构的EEMD-RVM短期光伏功率预测

针对光伏功率序列周期性非平稳特性,难以准确预测的问题,提出一种基于排列熵重构原则的集合经验模态分解(ensemble empirical mode decomposition, EEMD)和相关向量机(relevance vector machine,RVM)的短期光伏功率预测新方法。仿真结果表明:该方法不仅能够有效提高短期光伏功率预测的准确性,而且缩短了预测时间,提高了光伏功率预测效率,适用于光伏功率短期在线预测。     

矿井主风机不停风倒机系统最优控制研究

为解决矿井停机切换主要通风机过程中引起的井下风量波动很大,易造成瓦斯积聚等引发的安全问题,提出1种基于智能控制的主通风机稳风切换系统.建立动态风机倒机数学模型,提出基于改进粒子群算法优化的模糊自适应PID的控制方法,并应用MATLAB进行仿真实验,结果表明:控制方法控制效果明显,在系统运行的120 s内,井下风量波动始...     

支持向量机法在煤与瓦斯突出分析中的应用研究

通过分析采煤工作面煤与瓦斯涌出量与地质构造指标的对应关系,应用支持向量机(SVM)方法对煤与瓦斯涌出类型及涌出量进行分析。建立两类突出识别的SVM模型、多类型突出识别的H-SVMs模型以及预测瓦斯涌出量的支持向量回归模型。研究结果表明:SVM方法能够很好地对煤与瓦斯突出模式进行识别,所建立的采煤工作面瓦斯涌出量预测模型的精度高于应用BP神经网络预测精度;SVM理论基础严谨,决策函数结构简单,泛化能力强,并且决策函数中的法向量W可以反映突出模式识别的地质结构指标的权重。     

基于支持向量回归机的煤层瓦斯含量预测研究

为了对煤层瓦斯含量进行准确预测,应用支持向量回归机(SVR)理论建立煤层瓦斯含量预测模型,结合现场实测数据利用支持向量机(SVM)工具箱进行模型的求解及预测,并从均方根误差、希尔不等系数和平均绝对百分误差3个不同误差指标与人工神经网络预测模型进行比较分析。研究结果表明:SVR模型其预测精度及可行性高于神经网络模型,而且运算快,实时性较好,用于煤层瓦斯含量的预测较理想,具有良好的应用前景,可以为煤矿瓦斯防治提供理论依据。     

矿井通风系统多级机站的合理配置

多级机站通风方法自８０年代以来在国内矿山得到推广应用,其理论日趋成熟,但机站的合理配置仍是一个有待深入研究的问题。为解决这一问题,引入了机站比风压的概念,定量化地解决了机站合理风压确定和矿井通风系统机站级数合理配置的问题。     

多级机站通风系统在武山铜矿的应用

介绍了武山铜矿北矿带西部通风系统实施多级机站改造的技术和方法,及改造后的效果。     

机掘工作面有效通风及其评价指标研究

就评价机掘工作面的有效通风提出了空气年龄、空气品质、换气效率、排污效率等概念,并分析给出了其指标的计算模型。有效通风指标不仅与空气年龄有关,而且与掘进工作面通风气流组织、污染物浓度及分布特性有关。提高机掘工作面空气品质,除了要提高换气排污效率外,还应有效地组织掘进工作面的通风气流     

基于连续小波变换的土壤重金属镉含量的高光谱估测

选择合理的处理方法可增强土壤光谱中有效信息特征,提高模型估测精度。以新疆渭-库绿洲土壤为研究对象,基于连续小波变换(continuous wavelet transformation, CWT)与传统数学变换相结合的方法进行光谱数据处理并提取特征波段,采用偏最小二乘回归(PLSR)、BP神经网络(BPNN)、随机森林回归(RFR)和支持向量机回归(SVMR)方法构建土壤重金属镉含量估测模型。结果表明：(1)土壤原始光谱曲线趋势基本一致,在600～2 450 nm范围内,随着重金属镉含量增加,其光谱反射率降低,二者呈负相关。(2)CWT与原始光谱一阶微分(R′)相结合的处理效果最佳,|r|值可达到0.586,为极显著负相关(P<0.001),表明数学变换与连续小波变换相结合的处理方法可有效反应光谱细节特征。(3)对比各模型的反演结果,发现CWT-R′-SVMR模型的训练集和验证集的决定系数(R²)大于0.86,均方根误差(RMSE)小于0.02 mg/kg,相对分析误差(RPD)大于2,建模效果较好,可作为最优模型对研究区土壤重金属镉含量进行估测。结合数学变换...     

基于深度置信网络的管网泄漏故障诊断方法研究

针对当前管网系统数据量大不利于传统模型方法诊断故障的问题,设计了1种基于深度置信网络的管网故障诊断算法。首先,对管网数据结构以及管网系统运行状态进行分析,选取管网主要数据作为故障诊断网络的输入,确定相应运行状态作为诊断网络输出;其次,设计了基于多个受限制玻尔兹曼机与Softmax分类器级联的深度置信网络,并且利用对比散度算法和BP算法对模型进行预训练与调优,使模型参数达到全局最优;最后,通过实验测试确定所设计的深度置信网络的训练迭代次数与网络层数,使算法诊断准确率达到最优。研究结果表明:提出的基于深度置信网络的管网故障诊断算法对管网故障诊断可以达到良好的诊断结果,泄漏预测准确率在验证集样本上可达96.87%,在管网泄漏检测方面,相较于传统基于模型的方法优势明显。     

基于Kohonen-SVM模型的驾驶行为险态动态辨识

对驾驶行为的危险状态进行动态辨识并提前预警是防止交通事故发生的重要手段。提出一种基于Kohonen神经网络和支持向量机(SVM)的驾驶行为险态动态辨识方法。基于国内外相关研究,选取油门、方向盘转角、刹车、离合、X轴速度、Y轴速度、X轴加速度、Y轴加速度、发动机转速作为驾驶行为状态指标。应用Kohonen神经网络对9个指标组成的向量进行非监督聚类。用聚类结果组成的时间序列表示驾驶员行为指标的动态变化特征并以此作为输入,通过训练SVM实现驾驶行为险态辨识,解决了高维指标数据监督聚类困难和险态识别的静态性问题。最后,采用驾驶模拟器进行试验设计,对方法的有效性进行验证。以8个危险场景作为诱发驾驶行为险态出现的刺激,10个被试共产生8 400组识别序列,选取600组标识为险态的时间序列进行验证。结果表明:该模型的驾驶行为险态识别正确率为82.22%。不同被试的正确率差异控制在6%以下,表明此模型具备一定的泛化能力。