基于量子粒子群算法多目标优化的配电网动态重构

为保证配电网动态重构后系统安全稳定的运行,提出了以网损和节点电压稳定性为目标函数的量子粒子群算法的配电网动态重构。针对配电网动态重构过程中时段划分问题,提出以负荷曲线的单调性和幅值变化大小为依据初步划分时间段落。采用整数型量子粒子群算法进行动态重构,重构过程中以相邻时段的网损变化值的关系获取最佳重构段落,然后综合考虑配电网网损最小和节点电压值最大且波动最小为目标寻找最佳重构结构。以IEEE33配电系统为例验证了所提方法的有效性和实用性。     

基于双目标混沌粒子群算法的射频天线宽带阻抗匹配

考虑实际阻抗匹配网络的非理想因素,为兼顾射频天线的驻波比小和功率传输效率高的目标,提出一种基于混沌粒子群算法的射频天线阻抗匹配方法,利用双目标优化混沌粒子群算法实现单频率点的阻抗匹配,实验结果证明实现的驻波比与输出功率性能都有所提高。另外结合实频法进行宽带阻抗匹配,选取2G,3G与4G移动通信技术的工作频段进行实验,结果表明在整个工作频段都能实现良好的阻抗匹配效果与传输效率。     

无模型自适应模糊算法的多晶硅棒温度控制

多晶硅还原炉硅棒表面温度控制既要保证硅棒表面在最佳反应温度,又不要使其波动较大。由于多晶硅生产过程中的气相沉积反应使硅棒电气结构发生变化,因而存在很强的耦合作用和非线性特性。提出了以无模型自适应模糊控制器为主控制器,以PI为副控制器的双闭环结构的控制系统,采用基于无模型自适应控制器的结构,根据无模型自适应控制器的参数学习因子和步长序列对系统动态性能影响趋势,使用模糊自适应方法,通过模糊规则在线修正无模型自适应控制器的学习因子和步长序列两个参数,使温度控制系统既能保证收敛稳定性,又能提高系统对于温度控制的动态性能。仿真结果表明了该控制方法的有效性。     

基于QPSO算法的电力载波通信自适应阻抗匹配

电力载波通信技术是电力系统中的重要通信手段,针对电力载波通信中阻抗失配问题,提出一种基于量子粒子群算法的电力载波通信自适应阻抗匹配模型。采用[∏]型网络结构,有效地消除了匹配禁区问题,能够快速精准地获得匹配结果。针对遗传算法收敛速度慢、优化精度不高的缺陷,对量子粒子群算法在非对称区间进行分层变异改进处理,并将其应用于自适应阻抗匹配元件参数值的优化。测试结果表明此方案在阻抗匹配的精度和时间方面都有很大的提高,解决了电力线阻抗变化的问题,满足了电力载波通信在精准性、高效性和实时性的要求,在工程实践中具有一定的理论意义和应用价值。     

模拟电路故障诊断的小波方法

利用小波变换与神经网络相结合的(WNT)方法,将小波作为消噪工具,对信号进行消噪和小波多尺度分解,提取特征信息。并从函数型和权值型小波神经网络中寻找最优故障辨识器,提出了模拟电路故障诊断的系统方法。本文详述了其诊断原理及诊断步骤,并给出了诊断实例。     

模拟电路故障诊断的小波方法

利用小波与神经网络相结合的方法,将小波作为消噪工具,对信号进行消噪和小波多尺度分解,进行正交和归一化处理后,提取特征信息,作为样本输入神经网络进行分类,提出了模拟电路故障诊断的系统方法.本文详述了其诊断原理及诊断步骤,并给出了诊断实例.     

基于小波分析及网络的电力电子电路故障诊断方法

针对电力电子电路故障,结合小波多分辨分析,将信号的特征提取作为网络的第一层,用小波函数代替普通神经网络中的S函数,提出了函数型和权值型两种不同的4层小波神经网络方法,给出了相应的数学模型和学习算法。以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路的故障诊断,并与用普通BP网络诊断的结果进行了比较。仿真结果验证了两种方法的正确性。     

基于CCCII的电感及高阶Butterworth滤波器实现

利用控制传输器(CCCII)构造了模拟电感电路,并在此基础上实现了高阶Butterworth滤波器。PSPICE计算机仿真证实了此模拟电感符合设计要求,并可进一步推广至更高阶高通滤波器的设计。     

SystemView与MATLAB数据通信的研究

在很多应用场合，需要在System View与MATLAB之向进行数据通信。本文提出了一种以M-LINK为桥梁的通信方式，并给出了具体操作步骤。为了验证通信方式的可行性，以PCM为例，探讨如何通过M-LINK模块进行两种软件的数据通信，实现通信系统联合仿真。仿真结果表明，本文提出的通信方式是可行的。     

基于混合pi-sigma神经网络的故障诊断

由于电力变压器故障的模糊性和多样性,目前利用IEC三比值法在变压器故障诊断中存在准确率不高之难题.针对电力变压器的特点,综合考虑各因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于混合Pi-sigma神经网络及其算法的变压器故障诊断模型,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.用训练过的混合pi-sigrna神经网络模型对变压器故障进行验证和诊断的仿真结果表明,算法具有较快的收敛速度和较高的计算精度.证实了算法应用于电力变压器故障诊断的有效性.