为有效统筹与调度综合能源系统资源,合理规划综合能源系统多元负荷,构建了一种基于LASSO(Least Absolute Shrinkage and Selection Operator,压缩估计)算法和PSO(Particle Swarm Optimizer,粒子群算法)优化LSTM(Long and Short Term Mem...为有效统筹与调度综合能源系统资源,合理规划综合能源系统多元负荷,构建了一种基于LASSO(Least Absolute Shrinkage and Selection Operator,压缩估计)算法和PSO(Particle Swarm Optimizer,粒子群算法)优化LSTM(Long and Short Term Memory,长短时记忆神经网络)的综合能源系统负荷预测新模型。针对综合能源系统气象因素导致数据复杂程度增大,首先研究了基于LASSO的大数据分析及选择的算法,对气象因素进行选择和分析,获得有效数据集;然后引入PSO算法优化LSTM神经网络,帮助LSTM神经网络参数寻优;最后利用PSO-LSTM神经网络进行负荷预测。通过对北方某园区区域综合能源系统进行负荷预测,验证了该模型的可行性,保障了区域综合能源系统优化运行。展开更多
信号的特征提取是轴承故障诊断的关键所在,项目小组针对机械系统的非平稳、非线性特性,利用自适应时频分析方法——局部均值分解(Local Mean Decomposition,简称LMD)方法,同时提取信号LMD分解后的PF分量的能量、时域特征指标、近似熵作...信号的特征提取是轴承故障诊断的关键所在,项目小组针对机械系统的非平稳、非线性特性,利用自适应时频分析方法——局部均值分解(Local Mean Decomposition,简称LMD)方法,同时提取信号LMD分解后的PF分量的能量、时域特征指标、近似熵作为混合特征向量,可以分别从信号的不同特征来描述轴承系统的故障信息。实验结果证明:故障识别采用FCM聚类算法,聚类效果好;将混合多特征量提取与FCM聚类算法应用于轴承故障模式识别中,可以有效进行轴承故障诊断。展开更多
文摘为有效统筹与调度综合能源系统资源,合理规划综合能源系统多元负荷,构建了一种基于LASSO(Least Absolute Shrinkage and Selection Operator,压缩估计)算法和PSO(Particle Swarm Optimizer,粒子群算法)优化LSTM(Long and Short Term Memory,长短时记忆神经网络)的综合能源系统负荷预测新模型。针对综合能源系统气象因素导致数据复杂程度增大,首先研究了基于LASSO的大数据分析及选择的算法,对气象因素进行选择和分析,获得有效数据集;然后引入PSO算法优化LSTM神经网络,帮助LSTM神经网络参数寻优;最后利用PSO-LSTM神经网络进行负荷预测。通过对北方某园区区域综合能源系统进行负荷预测,验证了该模型的可行性,保障了区域综合能源系统优化运行。
文摘信号的特征提取是轴承故障诊断的关键所在,项目小组针对机械系统的非平稳、非线性特性,利用自适应时频分析方法——局部均值分解(Local Mean Decomposition,简称LMD)方法,同时提取信号LMD分解后的PF分量的能量、时域特征指标、近似熵作为混合特征向量,可以分别从信号的不同特征来描述轴承系统的故障信息。实验结果证明:故障识别采用FCM聚类算法,聚类效果好;将混合多特征量提取与FCM聚类算法应用于轴承故障模式识别中,可以有效进行轴承故障诊断。
