A spacecraft re-entry attitude control method using sliding mode control (SMC) theory is developed. The controller utilizes double-loop SMC scheme and provides the robust, de-coupled tracking of both the angular veloc...A spacecraft re-entry attitude control method using sliding mode control (SMC) theory is developed. The controller utilizes double-loop SMC scheme and provides the robust, de-coupled tracking of both the angular velocity and the shuttle orientation angles. In accordance with the hybrid-controlling characteristics of the aerodynamic surfaces and reaction control system of the spacecraft, the control torque commands are allocated into the actuators such as the aerodynamic surfaces and reaction control system by using the optimal control selection allocation algorithm. The simulation of the spacecraft re-entry attitude controlling demonstrates the robust, de-coupled tracking performance of the proposed method and its validity.展开更多
对于小电流接地系统的单相接地故障选线,传统方法普遍采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。为此提出一种改进的变分模态分解及Conv Ne Xt的小电流接地系统单相接地故障选线方法。首先引入蚁狮算法优化变分模...对于小电流接地系统的单相接地故障选线,传统方法普遍采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。为此提出一种改进的变分模态分解及Conv Ne Xt的小电流接地系统单相接地故障选线方法。首先引入蚁狮算法优化变分模态分解算法,通过蚁狮算法自动寻优选取合适的分解次数和惩罚因子,计算分解得到的各分量的分布熵,将其中的噪声分量筛选去除,将其余有效分量进行线性重构得到降噪后的零序电流信号;其次,将经过降噪处理后的一维零序电流信号经格拉姆角场转换为二维图像,制备故障选线数据集;然后,引入预训练的ConvNeXt模型,根据该研究数据模型特征,在其已有权重基础上对模型参数进行对应微调,从而提高模型精度并形成最终的选线模型;最后引入绝对平均误差、均方根误差作为评价指标验证所提降噪算法有效性。分别在加入噪声与否的前提下,将所提模型与3种选线模型相比较。实验结果表明该模型的准确率最高、抗噪性方面更好,其中该研究算法准确率达到了99.82%并且在不同噪声条件下都能维持91%以上的准确率,高于其他选线模型,克服了传统故障选线方法准确率低、抗噪性差的问题。展开更多
传统的窃电检测方法大多直接在原始功率序列上构建模型,且没有同时考虑长时序列中的周期依赖关系以及周期之间的局部关联特征,限制了电力用户行为规律的深层挖掘。提出了一种综合采用时频模态融合和多尺度特征提取的高精度窃电检测模型...传统的窃电检测方法大多直接在原始功率序列上构建模型,且没有同时考虑长时序列中的周期依赖关系以及周期之间的局部关联特征,限制了电力用户行为规律的深层挖掘。提出了一种综合采用时频模态融合和多尺度特征提取的高精度窃电检测模型。采用经验模态分解方法,将原始信号分解为多个本征模态信号和一个残差信号,依据模糊熵值与皮尔逊相关系数找到同时包含局部信息与原始信号信息较多的模态,并将选择的模态信号与原信号进行拼接,这样既可以提升模型的维度,又能放大窃电用户与正常用户的局部差异;将拼接好的数据先输入卷积神经网络进行局部特征提取,并从提取到的特征输入多头自注意力机制神经网络模型中提取全局特征,从而实现多尺度特征提取,以增强模型提取特征的适应性。在公开数据集上的实验结果表明,所提模型的F1值达到了76.71%、召回率达到了87.99%、曲线下面积(area under the curve,AUC)值达到了93.11%,相比于现有方法均取得了明显提升。展开更多
为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首...为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。展开更多
文摘A spacecraft re-entry attitude control method using sliding mode control (SMC) theory is developed. The controller utilizes double-loop SMC scheme and provides the robust, de-coupled tracking of both the angular velocity and the shuttle orientation angles. In accordance with the hybrid-controlling characteristics of the aerodynamic surfaces and reaction control system of the spacecraft, the control torque commands are allocated into the actuators such as the aerodynamic surfaces and reaction control system by using the optimal control selection allocation algorithm. The simulation of the spacecraft re-entry attitude controlling demonstrates the robust, de-coupled tracking performance of the proposed method and its validity.
文摘对于小电流接地系统的单相接地故障选线,传统方法普遍采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。为此提出一种改进的变分模态分解及Conv Ne Xt的小电流接地系统单相接地故障选线方法。首先引入蚁狮算法优化变分模态分解算法,通过蚁狮算法自动寻优选取合适的分解次数和惩罚因子,计算分解得到的各分量的分布熵,将其中的噪声分量筛选去除,将其余有效分量进行线性重构得到降噪后的零序电流信号;其次,将经过降噪处理后的一维零序电流信号经格拉姆角场转换为二维图像,制备故障选线数据集;然后,引入预训练的ConvNeXt模型,根据该研究数据模型特征,在其已有权重基础上对模型参数进行对应微调,从而提高模型精度并形成最终的选线模型;最后引入绝对平均误差、均方根误差作为评价指标验证所提降噪算法有效性。分别在加入噪声与否的前提下,将所提模型与3种选线模型相比较。实验结果表明该模型的准确率最高、抗噪性方面更好,其中该研究算法准确率达到了99.82%并且在不同噪声条件下都能维持91%以上的准确率,高于其他选线模型,克服了传统故障选线方法准确率低、抗噪性差的问题。
文摘传统的窃电检测方法大多直接在原始功率序列上构建模型,且没有同时考虑长时序列中的周期依赖关系以及周期之间的局部关联特征,限制了电力用户行为规律的深层挖掘。提出了一种综合采用时频模态融合和多尺度特征提取的高精度窃电检测模型。采用经验模态分解方法,将原始信号分解为多个本征模态信号和一个残差信号,依据模糊熵值与皮尔逊相关系数找到同时包含局部信息与原始信号信息较多的模态,并将选择的模态信号与原信号进行拼接,这样既可以提升模型的维度,又能放大窃电用户与正常用户的局部差异;将拼接好的数据先输入卷积神经网络进行局部特征提取,并从提取到的特征输入多头自注意力机制神经网络模型中提取全局特征,从而实现多尺度特征提取,以增强模型提取特征的适应性。在公开数据集上的实验结果表明,所提模型的F1值达到了76.71%、召回率达到了87.99%、曲线下面积(area under the curve,AUC)值达到了93.11%,相比于现有方法均取得了明显提升。
文摘为解决光伏序列的强噪音干扰以及单一模型在光伏功率预测方面精度偏低和泛化性较差的问题,提出了一种基于特征优化和混合改进灰狼算法优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的短期光伏功率预测方法。首先,运用互信息算法进行输入数据的变量选择,以消除冗余变量。其次,通过互补集合经验模态分解和改进的小波阈值算法对筛选后的数据进行特征重构,旨在降低数据中的噪声干扰并完成输入变量的特征优化。随后,结合改进的Tent混沌映射、非线性递减因子、动态权重策略和差分进化算法对标准灰狼优化算法进行混合优化,以确定双向长短期记忆神经网络的最优超参数组合,并引入注意力机制以挖掘数据中的关键时序信息,最终构建出一种新型的短期光伏功率预测模型。仿真实验表明,相较于最小二乘支持向量机、长短期记忆网络和双向长短期记忆网络,所提模型在晴天、多云、阴天和降雨等不同工况下的均方根误差平均分别降低了12.45%、7.95%和5.37%,显示出优秀的预测性能、良好的泛化能力和潜在的工程应用价值。
