基于能源分解的用户用电行为模式分析

随着智能电网的普及和大数据技术的发展，利用用电数据分析用户的用电行为越来越受到关注，现存的能源分解方法无法满足实际应用中对分辨率和分解准确率的高要求，以及聚类分析方法过于粗糙没有充分挖掘每类电器的用电特点。提出了基于能源分解的用户用电行为分析方法。在判别式稀疏编码算法模型的基础上，针对L₀正则项不易求解、L₁正则项稀疏约束效果不理想的问题，提出用L_1/2正则项稀疏约束进行能源分解，并且把用户之间的同质性作为正则项加入基础模型来修正模型的性能。基于能源分解的结果，使用用户单类电器的用电特征代替总用电特征精细化分析用户的用电行为，并改进传统的K-Mean聚类算法进行实验验证。实验结果表明:所提出的基于L_1/2正则项稀疏约束和同质性约束的能源分解方法相比于传统判别式稀疏编码算法，能够有效提升能源分解的准确率。同时，基于能源分解的用户用电行为聚类分析效果也有明显提升。      

基于PSO-BP神经网络的固冲发动机推力估计器设计

为了对固体火箭冲压发动机的推力进行直接控制，提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值，而后以最优权值进行BP网络训练，对其进行精调，如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系，从而完成推力估计器的设计。利用240组训练集数据对网络进行训练，并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中，基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法，不仅形式简单，而且对于测试集数据而言，其能够将推力相对误差控制在5%以内。     

变循环发动机风车起动建模及仿真研究

为了满足变循环发动机风车起动性能仿真的需求，建立了变循环发动机部件级风车起动模型。针对旋转部件等熵效率不连续的问题，提出使用换算扭矩代替等熵效率的方法，给出了旋转部件全转速特性拓展方法。提出了考虑点火及燃烧稳定性的燃烧室稳定性模型。考虑了变循环发动机的8个可调参数，采用差分进化算法对变循环发动机的风车及风车起动性能进行了优化。结果表明，风车状态时，变循环发动机在单外涵模态具有更高的核心机物理转速，有利于点火之后核心机物理转速快速趋于其慢车值。单外涵模态时，变循环发动机在风车状态的可调参数仅与飞行马赫数有关，为了保持较高的核心机物理转速，后涵道引射器外涵面积需随飞行马赫数的增加而减少，其余参数皆固定在其最佳值。飞行高度6km、马赫数0.8时，变循环发动机在单外涵模态下的风车起动时间为1.4s。风车起动过程中燃油流量的增长主要受燃烧稳定性所约束。通过对可调参数的优化，可使变循环发动机在风车起动过程中的关键性能参数最大程度的逼近其限制值，从而减少风车起动时间。     

导弹海上补给指挥关系优化分析

针对导弹海上补给指挥关系的优化问题,首先提出了整合导弹海上补给指挥机构从而优化指挥关系的设想,继而分别建立了导弹海上补给指挥关系相应拓扑结构的时效熵和质量熵模型,并通过计算分析对比优化前后指挥关系的优劣,得出了与设想一致的结论。