电力自动化技术论文提纲

论文题目：电力调度自动化机房设备健康状态评估方法的研究与应用

摘要：随着智能自动化技术的快速发展,很多行业都从中受益。智能自动化技术在电力调度系统中的不断应用也促进了电力调度系统的不断升级。电力调度系统从传统的人工监测、人工控制慢慢转变为融自动化监测与自动化控制为一体的自动化调度系统。电力调度自动化系统的运行离不开大量信息设备,所以确保这些信息设备的稳定正常运行显得至关重要。为降低设备出现意外故障的可能性,关键是要对设备进行预防性维护,而预防性维护的核心是设备状态评估,因此本文的重点研究内容就是进行电力调度自动化设备状态评估。首先,为得到直接可用的高质量样本数据,本文对采集的原始数据进行预处理操作,减少了噪声数据对模型训练的干扰。然后,针对各类样本数目比例及其不均衡的问题,本文利用改进SMOTE过采样技术,对经过数据预处理后的数据集集进行过采样,将原始不均衡数据集调整为均衡数据集,缓解了不均衡样本集对模型训练的干扰。然后,为解决电力调度自动化设备状态评估存在的非线性、模糊性问题,本文采用结合神经网络与模糊理论的模糊神经网络,既可以分析各影响因素和设备状态之间存在着复杂非线性关系,又可以精确地描述处于两个状态之间的设备状态。接着,为进一步提高模型的识别精度和模型收敛速度,本文采用粒子群优化方法对模糊神经网络的权重参数初始值和隶属函数参数初始值进行寻优,然后基于搜索到的最优初始参数进行模糊神经网络模型的训练。同时对粒子群的惯性因子的递减策略进行改进,进一步提高了粒子群优化算法前期的全局搜索能力和后期的局部搜索能力。通过实验结果,验证了模糊神经网络在进行电力调度自动化设备健康评估时的可行性和有效性。同时,通过实验证明,本文改进的粒子群优化算法进一步提高了模糊神经网络的精度和模型的收敛速度。

关键词：设备健康状态评估;模糊神经网络;改进粒子群算法

学科专业：计算机软件与理论

摘要

abstract

第1章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 本文研究内容和论文结构

1.3.1 本文研究内容

1.3.2 论文结构

第2章 数据预处理与非平衡数据学习技术

2.1 电力调度自动化机房设备状态数据预处理技术

2.1.1 数据清洗

2.1.2 数据集成

2.1.3 数据转换

2.1.4 数据规约

2.2 非平衡数据学习技术

2.2.1 采样技术

2.2.2 基于代价敏感方式进行不均衡数据集学习

2.2.3 不均衡数据集学习的评价指标

2.3 本章小结

第3章 基于模糊神经网络的电力调度自动化机房设备状态评估

3.1 神经网络算法与梯度更新

3.1.1 人工神经网络简介

3.1.2 BP神经网络

3.1.3 梯度下降

3.2 模糊集合理论

3.2.1 模糊集合定义

3.2.2 模糊集合隶属函数

3.2.3 模糊集合操作

3.3 模糊神经网络

3.3.1 模糊神经网络基本原理

3.3.2 基于模糊神经网络的电力调度自动化机房设备健康评估模型

3.3.3 实验分析

3.4 本章小结

第4章 基于改进粒子群优化的模糊神经网络

4.1 群体智能优化算法简介

4.1.1 蚁群算法简介

4.1.2 人工蜂群算法简介

4.1.3 粒子群优化算法简介

4.1.4 三种群体优化算法的优缺点

4.2 粒子群算法的研究进展

4.3 粒子群算法的构成要素

4.4 粒子群算法的改进

4.5 改进粒子群优化的模糊神经网络在电力调度自动化机房设备健康评估中的应用

4.6 实验结果及分析

4.7 本章小结

第5章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢