基于AJAFSA-SVM温度补偿算法的SF_6泄漏检测方法研究

针对现有六氟化硫(SF_6)气体泄漏在线检测方法检测精度低的问题,提出了一种基于差分吸收激光雷达(DIAL)检测方法及系统。该系统通过测量SF_6气体浓度达到泄漏检测的目的。实验研究表明,检测系统在不同温度下测量误差值超过允许范围,需要进行温度补偿,因此提出了一种基于改进人工鱼群算法(AJAFSA)的支持向量机(SVM)温度补偿算法。针对SVM中惩罚因子C和高斯核函数σ的传统选择方法精度低,搜索时间长且难以获得最佳值的问题,该算法自适应获取人工鱼群(AFSA)算法的视野和步长并加入全局信息,对SVM算法中参数C和σ寻优。研究表明,与AFSA优化的SVM算法相比,该算法训练时间减小了35.300 s,测试时间减小0.657 s,测试极差值减少到49,为之前的60.49%,算法性能更优。     

AFSA-BP速度辨识器在DTC系统中的应用研究

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解.将人工鱼群算法与BP算法相结合的AFSA+BP算法.实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合.将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用Matlab/Simulink实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果.     

基于人工鱼群神经网络算法的建筑能耗预测

为克服传统BP神经网络方法在建筑能耗预测的不足,提出了一种基于时间序列自相关分析的人工鱼群神经网络预测模型。对建筑标准能耗进行自相关分析,确定输入变量的维数,结合人工鱼群算法寻优速度快、易跳出极值等优点,对BP神经网络的初值权值和阈值进行优化,建立能耗预测模型,并用模型对西安某高校建筑一个月的能耗值进行预测。结果表明,较传统的BP神经网络模型,人工鱼群神经网络预测模型具有更快的收敛速度,预测精度在±1%左右,预测误差随着迭代次数的增加而降低。     

改进GA-SVM的湿度传感器温度补偿研究

针对地面遥测自动气象站采用的HMP-45D湿度传感器测量准确度易受温度影响的问题,通过改进遗传算法(GA)的适应度函数、选择、交叉、变异操作优化支持向量机(SVM)的惩罚函数、径向基核函数、不敏感损失函数,利用不同温湿度条件下的多组实测数据,建立了温度补偿模型,并与传统的SVM回归模型补偿结果对比分析。实验结果表明,利用GA-SVM模型进行温度补偿最大误差绝对值为0.1367%,比传统SVM温度补偿模型提高了2.8351%,GA-SVM算法克服了传统SVM补偿算法补偿精度低、处理速度慢的问题,具有全局寻优能力强、收敛速度快、补偿精度高的特点,能够有效地对湿度传感器进行温度补偿。     

LabWindows／CVI下基于BP神经网络的温度补偿虚拟湿度测量系统设计

湿度传感器的输入输出存在非线性,而且输出会因工作环境温度的改变使其零点、灵敏度均发生漂移。为消除温度对湿度传感器测量结果的影响,在LabWindows／CVI下实现虚拟湿度测量系统,并应用反向传播（BP）神经网络,通过样本对网络进行训练。测试结果表明温度补偿效果非常好,同时具备传感器测量值的转换和非线性校正功能,该虚拟湿度测量系统具有很大的实用价值。     

基于SAAFSA优化加权模糊聚类算法的变压器故障诊断

针对加权模糊聚类算法(WFCM)应用于变压器DGA分析时存在收敛速度慢、对初始值敏感的问题,提出了一种改进人工鱼群优化加权模糊聚类算法(SAAFSA-WFCM)的变压器故障诊断方法.该方法利用模拟退火算法(SA)来改进人工鱼群算法(AFSA)以求取最佳初始聚类中心,在发挥AFSA优异的全局寻优能力的同时,利用SA的概率性突跳搜索机制对AFSA实施局部优化,提高了AFSA的搜索精度.WFCM算法以得到的最佳初始聚类中心为初值进行迭代运算,最终求得更接近实际位置的聚类中心,克服了WFCM易受初值影响的缺陷,加快了收敛速度.仿真与实例分析表明,该方法可有效应用于变压器的故障诊断,并有着较高的诊断正确率和诊断效率.     

压力变送器温度补偿技术研究

对压力变送器误差补偿原理进行深入研究,采用BP神经网络算法对由温度变化造成的压力传感器输出结果的误差进行补偿。首先分析压力变送器测量影响因素,建立神经网络补偿模型,其次通过部分实验样本数据进行训练得到具体神经网络结构,并通过剩余实验样本数据验证神经网络的有效性。实验结果表明,该方法有效的抑制了温度对压力传感器输出的影响,提高了传感器测量结果的稳定性和准确性,可以在变送器设计、生产中采用该方法进行温度补偿。     

基于遗传小波神经网络的机器人腕力传感器动态补偿研究

提出一种基于改进遗传算法进化小波神经网络用于机器人腕力传感器动态补偿的新方法,介绍算法原理。该方法利用腕力传感器的动态标定数据,用改进的遗传算法来优化小波神经网络结构和参数,建立腕力传感器的动态补偿模型。结果表明,采用遗传小波神经网络进行腕力传感器动态补偿,能克服BP算法存在易陷入局部极小点的缺点,网络的复杂度、收敛性和泛化能力得到了好的综合,补偿模型建立的速度和精度得到提高。     

一种神经网络热导气体传感器的设计

为了克服环境温度对热导气体测量的影响,设计一种基于BP神经网络的热导气体传感器。本文介绍了神经网络的热导气体传感器的测量原理和总体设计,利用BP网络实现了热导气体测量的温度和气体压力补偿。实验结果表明,提高了热导气体测量的精度和稳定性。具有较高的实用价值。     

湿敏电容式传感器测量SF6气体湿度的研究

高分子湿度电容传感器是唯一可以实现从0％～100％RH全程监测气体相对湿度的传感器。研究了使用高分子湿度电容在线测量SF6气体湿度的方法,提出了基于径向基函数(RBF)神经网络的湿度电容传感器的温度补偿和曲线拟合的方法,并提出了一种实现在线监测的电路。实验结果证明,此种方法可以实现对任意温度下测量的湿度进行有效补偿,为实现在线监测提供了理论基础。     

基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。     

基于改进Levy飞行的PSO湿度传感器补偿算法

针对综合管廊中温度变化导致湿度传感器数据失真的问题,提出一种改进Levy飞行的粒子群优化(PSO)算法(ILPSO),用于补偿数据误差。首先,建立一个预测误差的神经网络,通过PSO寻找网络初始参数;然后,在PSO寻找过程中加入改进的Levy飞行,粒子飞行的概率与到最优粒子的距离成反比,靠近最优粒子时以较大概率反向逃离最优粒子,克服粒子早熟问题;最后,网络以PSO的输出作为初始参数重新训练。在算法寻优性能实验中,相比于其他测试算法,ILPSO算法的寻优能力更强,在传感器误差测试实验以及稳定性实验中,ILPSO算法的补偿效果最好,补偿后的湿度值误差在5%以内,均方误差(MSE)最低,稳定性最好。实验结果表明,与传统的Levy飞行相比,ILPSO算法对误差预测网络的适应度更强,收敛更快,提高了湿度传感器温度补偿的准确性以及稳定性。     

基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。     

智能配电网环境下负荷预测研究

智能配电网环境下,负荷预测精度的高低影响着电网运行的安全性和经济性,为了提高负荷预测精度,提出了人工鱼群-反向传播算法（AFSA-BP）的电力负荷预测模型。传统BP算法由于输入神经元,隐层神经元和输出神经元之间的初始权值和阈值为随机获取,降低了算法的收敛速度和预测精度,采用AFSA算法对BP算法的初始权值和阈值进行全局寻优,获得最优的网络模型。在分析了电力系统负荷特性的基础上,采集历史负荷数据,天气和节假日信息,采用AFSA-BP算法建立短期负荷预测模型。为了验证该算法的准确性,分别采用BP、最小二乘-支持向量机（LS-SVM）、AFSA-BP算法对某省的电力负荷进行仿真实验,AFSA-BP算法的均方根误差（RMSE）为0.0862,而BP算法和LS-SVM算法的RMSE分别为0.2558和0.1522,结果验证了AFSA-BP算法适用于短期电力负荷预测。     

改进遗传模拟退火神经网络的双相机标定算法

针对双目相机标定算法中BP神经网络精度低、收敛性差的问题，提出了一种基于改进遗传模拟退火算法的BP神经网络优化方法(improved genetic simulated annealing algorithm-BP,IGSAA-BP)。该方法通过改进遗传模拟退火算法的适应度扩展，交叉、变异概率和退火准则来改善BP神经网络的性能，为BP神经网络提供了最优权值和阈值。将IGSAA-BP神经网络与BP神经网络和TGSAA-BP神经网络两种相机标定算法进行对比，利用其标定的真实值与预测值相差结果得出结论，3种标定方法进行相机标定的平均标定精度分别为0.02、0.71和0.28 mm。结果表明，IGSAA-BP神经网络可以提高双目相机的标定精度，提高全局寻优能力，加快收敛速度。     

基于IAFSA-BPNN的短期风电功率预测

为提高短期风电功率预测精度,提出一种基于IAFSA-BPNN的短期风电功率预测方法。该方法通过改进的人工鱼群算法来优化BP神经网络的权值和阈值,从而提高BP神经网络的收敛速度和泛化能力。利用2014年上海某风场实测数据对新算法进行检验。试验结果表明,改进的人工鱼群算法一定程度上克服了原算法后期搜索的盲目性较大,收敛速度减慢,搜索精度变低的缺陷。IAFSA-BPNN混合算法在预测的稳定性和精度、收敛速度等方面优于BPNN、AFSA-BPNN算法。IAFSA-BPNN算法不仅能提高短期风电功率预测的精度,而且改善了预测结果稳定性。     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

改进遗传神经网络在传感器温度补偿中的应用

精确辨识传感器温度补偿模型对于提高系统测试精度具有重要的意义.神经网络具有良好的自学习、自适应和非线性映射能力,但往往训练速度慢、易陷入局部极小值,而遗传算法具有很强的全局寻优能力,但其局部搜索能力却不足.本文探讨了利用改进遗传算法优化函数链神经网络,以获得全局最优解的方法,并根据多温度条件下的实测数据,对电涡流传感器温度补偿模型进行了有效辨识.结果表明,该方法运算快速、精度高、通用性强,在智能传感器建模与补偿等领域具有良好的应用前景.     

基于人工鱼群算法的多目标分布式光伏电源规划

分布式电源(distributed generation,DG)对智能电网的稳定安全运行至关重要,为了合理地对分布式电源进行选址定容,针对现有算法对初值要求高,收敛慢,容易陷入局部极值等缺点,提出了人工鱼群算法(artificial fish swarm algorithm,AFSA)。首先,确定了DG规划的多目标函数与约束条件;其次,介绍了人工鱼群算法,针对DG规划对AFSA进行的调整;最后,在IEEE-33节点系统中进行仿真验证,并与遗传算法(genetic algorithm,GA)进行对比。结果表明:利用AFSA对DG选址定容进行寻优,可有效地降低电压偏差,降低网损,提高系统稳定性和安全性。AFSA寻优效果较好,效果显著。