小波包和改进粒子群算法的电力电子故障诊断

为提高广泛应用的电力电子电路故障的诊断准确率与速度，提出一种基于小波包变换和改进粒子群算法的电力电子电路故障诊断方法。首先，利用小波包对故障信号进行分解与重构得到小波包系数，应用Fisher准则降维并进行归一化处理，得到优化的故障特征向量；然后，采用具有扭曲粒子位置的措施和增加动态惯性权重系数的改进粒子群算法求取各类故障的故障特征中心，通过计算测试样本与故障特征中心的欧氏距离实现对故障的分类诊断；最后，通过典型电力电子电路仿真实验对所提出的方法进行实验验证。实验结果表明，文中选用改进后的粒子群算法进行故障诊断时，与小波包-BP神经网络和小波包-极限学习机比较，准确率分别提高了3.52%和6.3%，诊断所需时间分别减少2.4 s和3.5 s。     

基于WOA-PNN算法的电力电子电路故障诊断分析

为进一步提高电力电子电路可靠性,提出了一种基于鲸鱼优化算法(WOA)的优化概率神经网络(PNN)算法,对电力电子电路进行了故障诊断。通过Simulink软件建立电路模型,利用小波变换分析电路中的直流输出。将分析后的参数作为特征值,将电路正常工作状态下的特征值与故障状态中的特征值作为训练样本,输入WOA-PNN,并进行训练。仿真验证结果表明,与直接应用PNN进行故障诊断相比,WOA-PNN算法能更准确地诊断和分析电力电子电路的故障。     

粒子群优化RBF神经网络谐波电流检测方法研究

谐波污染问题,众所周知是使用了很多的电力电子器件导致进一步加重,所以谐波治理就变得愈来愈紧要。而瞬时无功功率的检测方法不能满足目前谐波检测对其检测精度的要求,故文中提出一种用粒子群优化RBF神经网络权重的谐波检测方法来检测谐波。改善的方法措施是以瞬时无功功率检测的输入作为RBF神经网络的输入,其输出作为RBF神经网络的期望输出,使用MATLAB软件对RBF神经网络模型进行搭建并进行仿真分析。从实验结果可以得出:使用粒子群优化RBF神经网络权重的谐波检测方法,克服了RBF神经网络检测方法精度不足的欠缺,提高了RBF神经网络的收敛速度和谐波检测的精度。     

神经网络在高校图书馆图书借阅流量预测中的应用

由于高校图书馆图书借阅流量具有一定的非线性特性,传统的回归分析、灰色模型等方法难以处理这种非线性时间序列问题,影响了预测精度。为了提高预测精确度,提出粒子群优化RBF神经网络的图书借阅流量预测模型。该方法以图书馆图书借阅流量历史数据进行RBF神经网络建模,采用粒子群算法对RBF神经网络参数进行优化,最后建立了图书借阅流量动态响应模型。预测结果表明该模型预测结果合理,精度较高,为图书馆提高工作效率和服务质量提供了参考依据。     

基于群智能神经网络的线性直流电源故障诊断

反向传播算法是应用广泛的一种多层前馈神经网络模型,具有求解精度低、易于陷入局部极小值的缺点.群智能研究领域主要有粒子群优化算法和蚁群算法.粒子群优化算法有收敛速度快、算法参数简洁等特性;蚁群算法具有正反馈、启发性收敛等特性.将群智能神经网络的方法应用于线性直流电源的故障诊断:利用蚁群算法来约简故障特征参数;用粒子群优化算法来训练神经网络的权值.实验表明:此方法提高了网络训练效率和故障定位准确性.     

基于优化支持向量机参数的变压器故障诊断

电力变压器是电力系统输变电的枢纽设备,为了提高电力变压器故障诊断的准确性,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力。首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够正确的分类变压器故障,从而达到故障诊断的目的。     

电力电子电路智能故障诊断技术探讨

在人们科技水平快速发展的背景下,市面上各种新型电力电子产品不断问世。现代人对相应系统的各类品质需求随之拓展增加,导致电力电子电路故障诊断的智能化发展成为相关领域亟待解决的重要课题。因此,以该问题为导向,通过Matlab高效仿真计算机软件构建仿真模型,获得输出型电压ud,并用傅里叶分析方式提取基波幅值、直流分量、三次和二次波幅值等。将这些数据信息进行一体化处理分析,输入于BP神经网络整体结构中,获得拥有编码性质特征的6个基本数字,继而确立故障具体发生部位以及故障基本发生点位。同时,运用这个方式,将三相桥型整流电路作为仿真实验案例,具体测试误差能够降低至10-4。最终,通过该实验充分证明,此方式和其他传统诊断方式相比较,有着更加高效的诊断效率,并且能够在全面提升电力电子电路故障诊断效率的同时,提升诊断质量,是一项诊断水平高、稳定性强、可靠性高、应用范围广阔以及未来发展前景良好的电力电子电路诊断技术。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于量子粒子群优化的BP神经网络的汽轮机振动故障诊断研究

为了提高汽轮机诊断系统的诊断速度与精度,提出了将量子粒子群算法和BP神经网络相结合的故障诊断方法。用量子粒子群算法来训练网络的权值和阈值,再将优化后的权值和阈值代入BP网络,进行故障诊断。实例证明,它是一种高效,可靠的诊断方法。     

基于PSO-RBF神经网络的模拟电路故障诊断研究

针对模拟电路故障诊断的难点和传统诊断方法的不足之处,提出了一种基于PSO算法优化的RBF神经网络模拟电路故障诊断方法。为了约简网络结构从而提高诊断效率,采用主成分分析方法对故障特征进行有效提取。针对RBF网络传统训练算法中隐层节点中心及基函数宽度选取困难问题,提出采用PSO算法来优化训练RBF网络,以提高网络的训练速度和泛化性能。最后,通过电路仿真对所提方法的有效性进行了验证。