基于蝙蝠算法优化ELM的模拟电路故障诊断研究

极限学习机(extreme learning machine,ELM)具有学习速度快、测试精度高的优点。近年来被广泛用于模式识别和故障诊断等领域,但是ELM固有的随机性对其泛化性能和精度有很大的影响。蝙蝠算法(bat algorithm,BA)是一种新型的智能优化算法,具有良好的全局搜索能力。将蝙蝠算法引入到极限学习机输入权值和阈值的优化中,有机结合2种算法的优点,建立了基于蝙蝠算法优化极限学习机的故障模型,以带通滤波器作为测试电路,并和ELM、DE-ELM、SAE-ELM进行对比,仿真和实验结果表明蝙蝠算法有效地改善了ELM网络的诊断精度和泛化能力。     

改进极限学习机应用于电网故障诊断

电网故障诊断中交叉数据模式识别问题占据重要位置,传统的人工智能方法处理效果不甚理想。提出运用改进极限学习机进行故障诊断的算法,随机选取输入权值向量和隐含层的偏差,并且利用最小二乘法分析计算输出权值,以达到提高故障诊断容错性的目的。仿真结果表明:在保护动作信息不完备的情况下,该算法的故障判断准确性明显优于BP神经网络,该算法对存在一定错误数据的故障信息也具有良好的识别能力。     

基于DGA的粒子群极限学习机电力变压器故障诊断

传统单一人工智能方法对变压器故障诊断中采用的大量不完备信息不能够有效处理,导致故障诊断准确率不高。为弥补这一不足,在全面分析粒子群算法(particle swarm optimization,PSO)和极限学习机(extreme learning machine,ELM)各自优势的基础上,构建了一种基于粒子群优化极限学习机的变压器故障诊断方法。该方法以DGA作为特征输入,利用粒子群算法对极限学习机的输入层权值和隐含层阈值进行优化,从而提高变压器故障诊断的精度。实例对比分析表明,与BP神经网络和极限学习机方法相比,粒子群极限学习(PSO-ELM)方法有更高的诊断准确率。     

基于优化极限学习机的直流微电网并网等效建模

针对直流微电网的并网建模问题,提出了一种基于优化极限学习机的直流微电网并网等效建模方法。以直流微电网并网接入点的电压和功率数据分别作为极限学习机的输入和输出,构建基于极限学习机的直流微电网并网等效模型。由于极限学习机在初始化过程中,输入权值和隐层阈值随机设定且不再改变,会导致极限学习机建模缺乏自适应性,影响建模精度。利用鲨鱼气味优化算法对极限学习机的输入权值和隐层阈值进行优化,进一步提高建模精度。鲨鱼气味优化算法通过模拟鲨鱼捕猎过程进行寻优,通过气味粒子浓度引导鲨鱼位置的更新,是一种效率极高的优化算法。通过与微电网的实际仿真模型对比,验证了建模方法的合理性和准确性,说明所提方法具有较好的实际应用价值。     

模拟电路故障诊断的多小波神经网络算法

提出了基于多小波变换和能量归一化预处理的模拟电路故障诊断多小波神经网络算法.这种方法能够有效提取故障信号特征,从而减少小波网络训练时输入层和隐层节点的个数,减小网络的规模,降低计算的复杂度,也加快了训练速度.最后在Matlab和模拟电路仿真软件IsSpice4下对算法的收敛性能进行了仿真比较,结果表明基于多小波变换的算法能够对模拟电路的故障进行有效诊断和定位,而且收敛速度比小波包变换更快一些.     

采用最优小波树和改进BP神经网络的感应电动机定子故障诊断

为了准确及时地识别并排除感应电动机定子匝间短路故障,保障电动机设备的安全运行,提出了一种基于最优小波树和捕食搜索遗传算法优化神经网络的新型故障诊断方法。结合故障电流的特征,采用最优小波树,将滤除基波分量后的定子残余电流信号进行分解,提取表征信号内在规律最强的分解节点能量成分,作为BP神经网络的输入特征向量。采用BP神经网络进行分类,通过捕食搜索策略优化的遗传算法选择神经网络训练的初始权值和阈值,提升网络训练的速度和准确度。实验结果表明,该方法不但可以提取优于小波包方法的最优特征向量,同时可以准确识别三种故障下的电动机定子匝间短路故障。     

基于PSO-ELM的热力系统参数预测

高精度的参数预测对热力系统变负荷过程中的实时监控和故障诊断有着至关重要的意义。极端学习机是一种单隐层前馈神经网络,具有泛化能力强,学习速度快等优点。但是,由于输入权值和偏差的随机性使得ELM需要较多的隐含层节点才能达到理想精度,为了提高极端学习机对热力系统参数的预测精度,利用粒子群算法优化极端学习机的输入权值矩阵和隐含层偏差,从而计算出输出权值矩阵。仿真实验结果表明,相比ELM算法,经过粒子群优化的极端学习机对热力系统参数的预测具有较高的精度。     

遗传小波神经网络及在电机故障诊断中的应用

本文给出了基于优化遗传算法的小波神经网络故障诊断模型。首先利用改进的遗传算法对神经网络的权值和阈值进行遗传操作,获得具有一定遍历性的初始权值和阈值,然后再利用神经网络的L-M训练方法进行训练,克服了BP神经网络搜索速度慢和容易陷入局部极值的缺点,保证了训练过程收敛,而且故障识别的能力和精度也大大提高。同时引进比小波分析具有更强高频分析能力的小波包技术,并将其应用到故障信号的特征频率分析中,以得到的结果作为改进遗传神经网络的输入信号,保证训练网络的准确性。通过对电机故障进行仿真试验,证实该方法的有效性及正确性。     

基于粒子群优化极限学习机的断路器故障诊断方法研究

断路器动作时,分合闸线圈电流特征能够反映断路器操动机构或者二次回路的运行状态,文中基于分合闸线圈电流特征值创建了样本库,并提出使用粒子群优化学习机进行故障诊断的方法。该方法首先通过粒子群优化算法寻找最优解,即极限学习机模型中输入层与隐含层间的权值以及隐含层的偏置,然后利用最优值进行极限学习机网络训练,最后使用训练好的网络对测试样本进行诊断并验证该方法的有效性。同时搭建了未优化的极限学习机模型和遗传算法优化的极限学习机模型,仿真结果表明,经过粒子群算法优化后的极限学习机能100%识别出样本中不同的断路器故障状态,相比另外两种算法具有更好的稳定性和更高的精确度。     

基于遗传算法改进极限学习机的变压器故障诊断

针对变压器故障的特征,结合变压器油中气体分析法以及三比值法,提出了基于遗传算法改进极限学习机的故障诊断方法。由于输入层与隐含层的权值和阈值是随机产生,传统的极限学习机可能会使隐含层节点过多,训练过程中容易产生过拟合现象。该方法运用遗传算法对极限学习机的输入层与隐含层的权值与阈值进行优化,从而提高模型的稳定性和预测精度。将诊断结果与传统的基于极限学习机故障诊断进行对比,结果表明,基于遗传算法改进极限学习机变压器故障诊断的精度更高。     

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机（ELM）随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法（SSA）优化极限学习机的组合预测模型（SSA-ELM）。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。     

基于改进秃鹰算法优化极限学习机的谐波发射水平估计

针对目前电力系统谐波发射水平难以直接测量的问题,提出了一种基于改进秃鹰算法(improved bald eagle search, IBES)优化极限学习机(extreme learning machine, ELM)的谐波发射水平估计方法。首先,在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子,利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次,输入公共连接点(point of common coupling, PCC)处谐波电压和谐波电流,代入IBES-ELM模型,估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析,并与其他算法的估计结果进行对比。结果表明,所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory, LSTM)、卷积神经网络(convolution neural network, CNN)、反向传播神经网络(back propagation neural network, BP)和CNN-LSTM算法模型,验证了该方法的有效性和稳定性。     

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,本文提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。     

基于奇异谱分析和极限学习机的风速多步预测

风速预测对风力发电系统具有重要的影响,为获得更高精度的风速预测结果,针对多步风速预测,成功开发了一种基于奇异谱分析和优化极限学习机的新型预测模型。首先,采用奇异谱分析将风速时间序列分解为一组相对平稳的分量,以降低风速序列的随机性对预测结果的影响;然后,对分解得到的分量分别建立极限学习机预测模型,为进一步提高预测性能,将1种新颖的活性竞争萤火虫算法用于优化极限学习机的输入权值和隐含层偏置;最后,叠加全部分量的预测值得到实际预测结果。仿真结果表明,基于奇异谱分析和活性竞争萤火虫算法优化极限学习机的模型在1步到3步风速预测中实现了较高精度的预测结果。     

基于人工蜂群优化极限学习机的短期负荷预测*

针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。     

基于约束投票极限学习机的在线静态电压稳定评估

快速准确的在线静态电压稳定评估是规模化互联电网安全稳定运行的重要保障。针对传统神经网络学习模型调参繁杂、训练时间长、样本需求数量庞大等缺点,提出了一种基于约束投票极限学习机（constrainedvoting extreme learning machine,CV-ELM）的在线静态电压稳定评估模型。CV-ELM基于类间样本差值构建差向量集计算输入层对隐藏层的权值及隐藏层节点偏置项,并引入多数投票机制,通过集成学习的方式进行分类决策。此外,CVELM可自适应确定网络参数,在分类准确率、鲁棒性及泛化能力方面均优于传统的ELM。最后,基于新英格兰10机39节点系统的算例仿真结果证明了所提模型的有效性。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

基于可变模式分解和NWCSO优化极限学习机的短期风速预测

针对风速时间序列的非线性特征导致其难以准确预测的问题,提出一种基于可变模式分解(variational mode decomposition,VM D)和动态NW小世界纵横交叉算法(dynamic NW small w orld crisscross optimization,NWCSO)优化极限学习机的短期风速组合预测模型。采用一种新型的可变模式分解技术,将原始风速时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立极限学习机模型进行预测,并采用小世界纵横交叉算法对极限学习机的输入权值和隐含层偏置进行优化,以获得最佳的预测效果。实验结果表明,基于VMD的组合预测模型较采用其他常规分解方式时预测精度明显提高。