摘要：电力负荷的预测涉及环境和社会因素,因此,设计一种高效准确的预测模型是电力行业的重要任务。设计了一种基于传统机器学习模型组合的电力负荷预测模型。该模型从特征层面入手并采用Wrapper与梯度的特征排序选择方法对主要特征进行筛选和优化。在实验中,对预测结果进行了基于时序扩展窗口拆分的K折时序交叉验证和比较。结果表明,该模型能够有效预测电力负荷的短期时序变化,且预测效果比传统的单一机器学习模型好。通过贝叶斯超参数调优方法得到的超参数组合能够显著提高模型的准确性和泛化能力。这说明贝叶斯超参数调优方法能够在一定程度上解决模型过拟合和欠拟合问题,提高模型的稳定性和可靠性。

摘要：针对运行中的风力机叶片,提出一种基于机器视觉特征分类的故障诊断方法。通过对叶片叶尖进行圆形标记,利用工业相机周期性获取叶片尖端的图像,并在Halcon软件上对图像进行预处理,对大雾天气下采集的图像利用暗通道除雾算法进行清晰化处理。利用叶尖标记检测算法提取标记、计算区域圆度和区域中心等区域特征。对相邻叶片上标记计算位移差,并与系统预警阈值比较,判断叶片在扭转或偏摆方向的变形程度和故障趋势,从而实现风力机叶片变工况运行状态在线检测和自适应预警。