基于BP神经网络的开关磁阻电机建模

开关磁阻电机(SRM)的模型直接影响电机性能分析以及控制效果,虽然SRM结构简单,但其运行时磁路高度饱和,磁路呈严重非线性,这使其精确建模十分困难。神经网络理论上可以实现任意复杂的非线性映射,且具有很强的学习能力,因此应用反向传播(BP)神经网络算法来建立SRM的非线性模型,并针对标准BP神经网络算法的不足对算法进行改进。仿真与实测结果的对比显示该模型可以十分精确地反映SRM运行时的电流以及转矩特性,且具有较强的泛化能力。     

神经网络在开关磁阻电机建模中的应用

为实现开关磁阻电机系统（SRD）的高性能控制,需建立开关磁阻电机（SRM）的准确磁特性模型。由于SRM磁特性为转子位置和相电流的高度非线性函数,因此建模非常困难。利用神经网络具有良好的非线性映射能力,在获取准确磁特性样本数据基础上,建立SRM的非线性模型。仿真结果表明,该模型能正确反映SRM的磁特性。     

基于WOA-BP神经网络的磨煤机出粉量估算

为了解决火电厂磨煤机出粉量难以估算的问题,运用软测量方法,结合磨煤机工作时的系统参数和磨煤机出粉量建立BP神经网络模型,建立各参数与出粉量的非线性映射关系,对磨煤机出粉量进行估算。为了减小该模型的误差,采用鲸鱼算法（WOA）优化BP神经网络的权重和阈值,建立了WOA-BP算法模型。为了验证WOA-BP算法模型的可靠性,将鲸鱼算法（WOA）、粒子群算法（PSO）、遗传算法（GA）和BP神经网络分别建立磨煤机出粉量的WOA-BP、PSO-BP、GA-BP、BP神经网络算法模型。计算结果表明在4种算法模型中,WOA-BP算法估算模型对磨煤机出粉量有最好的预测能力,平均绝对误差仅0.94。     

基于改进的开关磁阻电机无位置传感器技术

由于开关磁阻电机（SRM）的双凸极结构与高饱和性,其磁链为相电流和转子位置的高度非线性函数。在简化磁链法中建立精确而小规模的SRM磁链模型,是实现SRM无位置传感器控制的关键。采用预处理方法优化神经网络（BPNN）模型可以减小尺度,提高精度;为了进一步优化该模型,在此基础上提出粒子群（PSO）优化BPNN的建模方法。利用PSO算法进行全局优化,避免了BP神经网络易陷入局部极小值的缺点。并通过实验样机实测磁链值,对两种磁链模型进行对比分析。仿真结果表明,此改进方法具有一定的准确性。最后通过Matlab仿真验证将精确度高的磁链模型应用于简化磁链法中,实现SRM无位置传感器控制具有可行性。     

基于神经网络非线性模型的开关磁阻电机调速系统动态仿真

实现开关磁阻电机调速系统(SRD)的准确动态仿真是进行系统参数优化、控制策略研究的重要依据.本文在以实测开关磁阻电机(SRM)准确特性曲线为样本数据,并基于BP神经网络建立SRM非线性模型的基础上,构建了Matlab环境下SRD系统的整体动态仿真模型.通过仿真揭示了SRD系统的稳态、动态运行特性,实现了系统性能的准确分析,为设计SRD系统高性能控制提供了理论依据.经与实测电流、转速波形对比,验证了本文提出的SRD动态仿真方法的有效性.     

基于BP神经网络的开关磁阻电机转矩观测器

转矩的精确估算对于开关磁阻电机的瞬时转矩控制和转矩脉动的抑制是必不可少的。由于转矩的严重非线性特性,电机转矩的精确估算是很困难的。为此,本文以Matlab／Simulink中一台三相6／4极SRM电机模型的转矩特性数据为样本,建立了以电流和角度为输入,电机转矩为输出的BP神经网络模型,用于瞬时转矩的估计。最后通过MATLAB对三相（6／4）结构的SRM电机进行了仿真实验。实验结果表明,基于神经网络的开关磁阻电机瞬时转矩估测具有较高的精度。     

基于 MEA-BP算法的IGBT的寿命预测

针对IGBT寿命预测问题,提出了基于思维进化算法(MEA)优化的反向传播(MEA-BP)神经网络算法的IGBT结温预测算法模型,确定了集电极-发射极关断电压尖峰峰值为失效预测依据,构建了遗传算法(GA)优化的BP(GA-BP)神经网络算法以及经典BP神经网络算法寿命模型作为对比模型,采用均方误差、平均绝对误差、最大相对误差作为各模型预测性能的评估指标.预测结果表明,基于MEA神经网络的IGBT寿命预测模型均方误差为0.150％,平均绝对百分误差为0.36％,可以更好地实现IGBT寿命的预测.     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

神经网络在开关磁阻电机建模中的应用

为实现开关磁阻电机系统(SRD)的高性能控制,需建立开关磁阻电机(SRM)的准确磁特性模型.由于SRM磁特性为转子位置和相电流的高度非线性函数,因此建模非常困难.利用神经网络具有良好的非线性映射能力,在获取准确磁特性样本数据基础上,建立SRM的非线性模型.仿真结果表明,该模型能正确反映SRM的磁特性.     

一种新型两相励磁开关磁阻电机驱动系统的静态特性

该文主要分析了一种两相同时励磁的开关磁阻电机（SRM）的静态特性，文中首先简要介绍了这种两相励磁系统的结构，然后提出了两相励磁下SEM的磁链模型，基于详细的非线性有限元分析（FEA）的结果，建立了简化的线性模型且利用此线性模型导出了SRM的转矩－转角特性，并和非线性FEA模型下的结果进行了比较。最后，根据FEA的结果，提出了一种优化的控制策略来提高这种SRM的性能。     

基于图像增强的瓷质绝缘子灰密程度检测方法

由于雾天、光线较暗等恶劣现场条件下采集到的绝缘子图像清晰度与可读性较低,绝缘子目标及盘面区域色彩特征的提取较难,导致现有的可见光图像污秽检测方法不具备通用性,为此提出了一种基于图像增强的瓷质绝缘子灰密程度检测方法。先用改进的带颜色恢复的多尺度Retinex(MSRCR)算法对采集到的绝缘子图像进行增强,提高图像的清晰度和对比度;然后,采用二维最小误差法结合形态学滤波分割提取出绝缘子盘面区域,分别提取6个通道的均值、最大值、最小值等7个特征量并用Fisher准则函数筛选出分类能力较强的特征Smean,Smax,Svar作为灰密程度判别特征;最后,用思维进化算法(MEA)优化反向传播(BP)神经网络进行仿真预测。实验结果表明,概率神经网络和粒子群优化算法优化BP神经网络的判别准确率分别为88.00%和93.00%,而所提方法的准确率可达95.00%,可以准确判别恶劣条件下的绝缘子灰密程度。     

遗传算法和神经网络结合的PSD非线性校正

针对光电位置传感器(PSD)检测系统在大坝变形观测中所呈现的非线性问题,建立改进的遗传算法和LM-BP神经网络结合的模型,对PSD的非线性进行补偿?该方法先用遗传算法对LM-BP网络的权阈值进行优化后再用LM-BP网络逼近任意非线性函数的特点对实际位置数据与理想值进行拟合后并进行测试,经过多次任意产生的种群优化后选择较为优秀个体作为神经网络的和阈值,并对任意位置进行校正,仿真结果表明,该方法克服了LM-BP网络对初始权阈值的依赖和泛化能力弱的特点,多次实验平均误差都小于1%,其泛化能力优于标准的遗传算法和神经网络结合的模型。     

配电网经济运行的BP神经网络评估模型

针对配电网经济运行属性的多样性和复杂性,提出一种基于证据融合理论的配电网经济运行BP神经网络评价模型.该模型首先利用证据理论将专家群给出的指标隶属度进行融合,避免只考虑一位专家意见的片面性;其次运用BP神经网络算法进行评价属性的训练和测试,同时为提高计算速度和充分了解综合评价值及各属性状况,建立基于神经网络群的评估模型...     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

基于IPSO-BPNN算法的开关磁阻发电机实验建模

文章实现了一种利用改进的粒子群算法优化BP神经网络(IPSO-BPNN)的建模方法,建立了SRG的非线性模型.该方法利用了BP神经网络较强的非线性处理能力和逼近能力,改进粒子群算法的引入克服了BP神经网络容易陷入局部最优及初值敏感的缺点.建模的实验数据采用间接测量法采集,分为训练样本与测试样本两个集合.建模效果表明IPSO-BP神经网络的泛化能力很强,可以近乎完美地表达SRG的磁链和转矩特性.     

基于改进果蝇算法优化BP神经网络的接地网腐蚀速率预测模型

为进一步提高接地网腐蚀速率的预测精度,解决传统模型易陷入局部最优且随机初始化模型参数影响预测准确性和稳定性的问题。文中首先将混沌映射、动态搜索半径策略和优化气味浓度判定公式引入果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)得到改进后的果蝇优化算法(Update Fruit Fly Optimization Algorithm,UFOA);然后利用UFOA优化BP神经网络的初始权值和阈值,建立基于UFOA优化的BP神经网络接地网腐蚀速率预测模型(UFOA-BP);最后以重庆24座变电站的接地网数据进行实验验证。结果表明相对FOA优化的BP神经网络模型、BP神经网络模型、人工蜂群算法优化的支持向量机模型和广义回归神经网络模型,文中提出的UFOA-BP模型在预测精度和模型稳定性方面均优于其他四种模型,验证了该模型的有效性和可行性,为运维人员提前发现接地网安全隐患,并安排检修,进而保障电网安全稳定运行提供帮助。