基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

基于Adaboost-INGO-HKELM的变压器故障辨识

针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次,利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率,通过结合Adaboost集成算法,构建Adaboost-INGO-HKELM变压器故障辨识模型。最后,将提出的Adaboost- INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap- GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%,均高于其他模型,验证了该模型对变压器故障辨识具有很好的效果。     

基于ABC-SVM算法的光伏阵列故障诊断

针对光伏阵列的四种典型故障(老化、遮阴、短路和开路),提出了一种基于人工蜂群算法(ABC)优化支持向量机(SVM)的故障诊断模型,用Matlab对光伏阵列进行仿真,提取故障状态下光伏阵列输出特征向量作为训练样本,通过人工蜂群算法对支持向量机的惩罚因子和核函数参数进行寻优,利用寻优后的参数建立模型进行训练与验证.仿真结果表明,本算法可有效判别光伏阵列的典型故障,且故障诊断精度较高.     

多策略改进 MPA 算法与 HKELM 的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法( MPA) 与混合核极限学习机 (HKELM)的变压器故障辨识方法。 首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特 征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进 MPA,加强全局开发能力;最后使用改 进的 IMPA 算法对 HKELM 的参数寻优,构建变压器故障诊断模型。 为验证模型有效性,分析比较常用算法优化的 HKELM 的 4 种变压器故障诊断模型。 其中 IMPA-HKELM 的诊断精度为 94. 7%,相比于另外 3 种基础算法优化的模型,诊断精度分别提升 了 5. 4%、8%、10. 7%。 结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。     

基于HHO-ELM的光伏阵列故障诊断方法研究

光伏阵列长期暴露在恶劣的环境中,导致光伏组件易发生故障,从而影响光伏阵列的发电效率。在实际运行过程中,光伏阵列除发生单一故障之外,还会出现多类型的复合故障,给故障诊断加大了难度。提出了一种基于哈里斯鹰(HHO)算法优化极限学习机(ELM)的光伏阵列多类型复合故障诊断方法。用HHO算法优化ELM的权值和阈值,建立HHO-ELM故障诊断模型,并与ELM、粒子群优化算法(PSO)-ELM、正余弦优化算法(SCA)-ELM以及鲸鱼优化算法(WOA)-ELM算法进行对比。实验结果表明,对于复合故障类型,HHO-ELM模型具有更高的诊断准确率,提高了光伏阵列复合故障的识别精度。     

多策略融合LSSVM-NGO的滑动电接触失效诊断

为提高弓网滑动电接触失效判断的准确率,提出了一种多策略融合改进北方苍鹰优化算法(INGO)和最小二乘支持向量机(LSSVM)的滑动电接触失效诊断模型。首先,通过自制的滑动电接触摩擦磨损实验机进行载流条件下的滑动摩擦实验,分析载流稳定系数在不同工况条件下的变化规律,确定弓网接触失效判据;其次,采用tent混沌映射、均匀分布的动态自适应权重,以及黄金正弦算法和非线性收敛因子多种融合策略综合改进NGO。通过测试函数对其进行仿真测试,结果证明INGO算法收敛速度和稳定性更优;最后,使用INGO算法进行模型参数寻优,构建滑动电接触失效诊断模型。将本文所提模型与其他诊断模型对比,诊断精度分别提高了16.67%、12.5%、8.33%,进一步证明该诊断模型具有较高的准确率和泛化能力。     

基于半监督机器学习法的光伏阵列故障诊断EI北大核心CSCD

由于光伏组件的非线性输出特性,传统故障保护装置难以检测到所有故障,从而导致光伏阵列出现安全问题和火灾危险。针对传统故障保护装置存在的缺陷问题,提出一种基于半监督机器学习(semi-supervised machine learning,SSML)算法的光伏阵列故障诊断模型,模型利用参考光伏组件将光伏阵列电压与电流归一化,通过半监督机器学习算法分析光伏阵列工作点状态,进而检测故障和识别故障类型。该故障诊断模型仅需要少量容易测量的标签数据,且对环境变化有较强适应能力。最后,通过仿真和实验,验证该故障诊断模型的有效性。     

基于半监督机器学习法的光伏阵列故障诊断

由于光伏组件的非线性输出特性,传统故障保护装置难以检测到所有故障,从而导致光伏阵列出现安全问题和火灾危险。针对传统故障保护装置存在的缺陷问题,提出一种基于半监督机器学习(semi-supervised machine learning,SSML)算法的光伏阵列故障诊断模型,模型利用参考光伏组件将光伏阵列电压与电流归一化,通过半监督机器学习算法分析光伏阵列工作点状态,进而检测故障和识别故障类型。该故障诊断模型仅需要少量容易测量的标签数据,且对环境变化有较强适应能力。最后,通过仿真和实验,验证该故障诊断模型的有效性。     

基于KPCA-ISSA-KELM的光伏阵列故障诊断方法

为提高光伏阵列故障诊断的精度,提出一种基于核主成分分析（KPCA）和改进麻雀搜索算法（ISSA）优化核极限学习机（KELM）的光伏故障诊断方法。利用KPCA降维提取故障数据的非线性特征,减少外界条件产生的冗余数据,有效提高复杂故障识别准确率。通过融入Levy飞行和自适应权重t对麻雀搜索算法进行改进,并利用ISSA对KELM中的核参数γ和正则化系数C进行优化,建立了基于KPCA-ISSA-KELM的光伏阵列故障诊断模型。实验结果表明,经ISSA优化KELM的光伏阵列故障诊断模型与其他光伏阵列诊断模型相比,在故障诊断精度上达到97%,验证了该模型的准确性和有效性。     

基于BP神经网络的光伏阵列故障诊断研究

光伏阵列多安装在较恶劣的室外环境中,因此在运行过程中常会发生故障。为辨别光伏阵列故障类型,提出了基于L-M算法的BP神经网络的故障诊断方法。在深入分析不同故障状态下光伏阵列输出量变化规律的基础上,确定了故障诊断模型的输入变量。本方法无需额外的设备支持,具有简便、成本低的优点;可以在线实时地进行故障诊断。仿真和初步实验结果验证了基于BP神经网络的故障诊断方法可以有效地检测出光伏阵列短路、断路、异常老化及局部阴影等四种故障。     

基于NGO-VMD-DE的单相接地故障信号特征提取

针对电力系统输配电线路发生单相接地故障时,电气设备的电磁环境干扰,故障零序电流成分复杂等原因导致故障特征信息提取困难,变分模态分解参数人为确定导致其对零序电流分解效果差,常用的熵运算慢,鲁棒性差,进而后续选线准确率低的问题,提出了一种新的基于NGO-VMD-DE的单相接地故障的零序电流故障特征提取方法。首先,通过北方苍鹰优化算法(NGO)优化变分模态分解(VMD)实现零序电流信号的自适应分解,建立了自适应相关系数的本征模态函数(IMF)分量选取准则选取有效分量,然后对选取的分量进行重构,最后对重构后的信号进行散布熵(DE)计算以提取单相接地故障的零序电流故障特征,通过搭建模型进行仿真实验,并与近似熵、样本熵、模糊熵、排列熵等其他特征熵值指标进行对比表明,所提出的故障特征提取方法可以更加准确、有效地表征发生单相接地故障线路的零序电流故障信息。     

改进支持向量机在电力变压器故障诊断中的应用研究

针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法。通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力。通过仿真和实例进行对比分析,验证了该方法的优越性。结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力。基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了7.50%,具有一定的实用价值。     

非线性电路多软故障的智能优化递阶特征选择诊断方法*

针对非线性模拟电路的多软故障诊断中由于部分状态特征近似而影响诊断准确率的问题,在不提高电路信息采集工作量的情况下,采用分层诊断的思路,提出了基于Wiener核的智能优化递阶特征选择方法。该方法在获得电路各种状态的Wiener核后,采用智能优化算法对各状态的核特征进行特征选择,以代表各状态的特征构成的矢量的集总欧氏距离为评价函数,对集总欧氏距离的最大值进行寻优得到最优解;再对各个特征矢量间的距离进行判别,找到相互距离小于设定阈值的各个状态,构成次阶故障状态类,对该类故障状态采用前述的方法进行智能优化故障特征选择,得到次阶各状态的最优特征矢量;以此类推,直到得到满意的分辨率为止。实验表明,该方法有效地提高了多软故障诊断的准确率。     

融合聚类及随机配置网络的短期光伏功率预测

为了降低天气因素对光伏发电功率的输出值预测精度的影响,从聚类分析和信号分解两方面入手,提出了一种融合聚类算法(KDGMM),改进的变分模态分解(VMD)与随机配置网络(SCN)的预测模型。首先通过KDGMM聚类将气象数据划分成晴天、阴天和雨天,针对阴天难以准确预测的问题,采用灰色关联度分析(GRA)选择相似日,其次引入莱维飞行北方苍鹰优化算法(LNGO)优化VMD得到最优参数,从而降低阴天光伏功率的非平稳性。最后构建SCN预测模型对光伏功率数据进行预测,输出其预测结果。通过实验分析,所提方法的均方根误差(RMSE)和平均绝对百分比误差(MAPE)仅为1.44和1.3%,拟合优度指标R²高达0.99,与其他预测方法相比,本文所提方法有较高的预测精度。     

基于深度信念网络的光伏阵列故障诊断

光伏阵列所处环境恶劣严峻,导致故障频发。为提高光伏阵列故障诊断精度,针对光伏阵列的常见故障类型,提出基于深度信念网络（deep belief networks,DBN）的故障诊断方法。利用Matlab仿真模拟获取实验特征参数,建立以光伏阵列5种运行状态为输出的故障诊断模型;根据深度信念网络的特点,通过识别实验,分析不同训练集、训练周期以及受限玻尔兹曼机（restricted boltzmann machine,RBM）层数等对模型性能的影响,并从整体诊断精度和各类型故障诊断精度2方面,与模糊C均值聚类（fuzzy C-means clustering,FCM）、支持向量机（support vector machine,SVM）和BP神经网络（back propagation neural networks,BPNN）方法进行对比。实验结果表明,该方法适用于光伏阵列故障分类,相比于其他诊断模型,有效提高了故障识别准确率。     

螺杆转子盘铣刀铣削表面粗糙度预测

螺杆转子主要应用在压缩机、螺杆泵等设备中,其表面质量对使用性能及工作寿命起到关键性作用。工艺参数为影响螺杆转子表面粗糙度的主要因素之一。为了探究工艺参数对螺旋曲面铣削表面质量的影响规律,设计转子铣削实验,获取预测及实验对比样本。利用改进的北方苍鹰搜索算法(INGO)对BP神经网络的初始权值和阈值进行优化,以便提高铣削后的多头螺杆转子表面粗糙度的预测精度。通过实验结果验证所提出算法的预测精度。结果表明,提出的预测模型在平均训练精度及预测精度等方面均优于GRU神经网络及CNN-GRU神经网络模型,其中平均训练精度及预测精度分别约为94.502%和95.523%。故提出的算法具有较高的预测精度,可为合理选择螺杆转子铣削加工的工艺参数提供理论依据。