基于神经网络的IGBT模块剩余使用寿命预测模型

对IGBT模块使用寿命进行预测是评估其健康状态和可靠性的有效手段。基于IGBT老化实验测量,构建了包括饱和压降和结温的二维IGBT状态检测指标。对于归一化后的数据,提出了分段处理方法,去除了IGBT键合线断裂引起的较大指标波动。以饱和压降和结温数据为基础,提出了基于BP神经网络算法的IGBT剩余寿命预测模型。针对同样本不同通道、不同实验条件样本等情况,验证了本模型在剩余寿命预测中的准确性。     

基于Bo-BiLSTM网络的IGBT老化失效预测方法

针对绝缘栅双极型晶体管（IGBT）受热应力冲击后对其进行老化失效预测精度不高的情况,提出一种基于贝叶斯优化（Bo）-双向长短期记忆（BiLSTM）网络的IGBT老化失效预测方法。首先分析IGBT模块老化失效原理,然后基于NASA老化实验数据集建立失效特征数据库,最后利用Matlab软件构造Bo-BiLSTM网络预测失效特征参数数据。选取常用回归预测性能评估指标将长短期记忆（LSTM）网络模型、BiLSTM网络模型与Bo-BiLSTM网络模型的预测结果进行对比分析。结果表明,Bo-BiLSTM网络的模型拟合精度更高,基于Bo-BiLSTM网络的IGBT老化失效预测方法具有较好的预测效果,能够应用于IGBT的失效预测。     

基于PSO优化BiLSTM的联合循环电厂输出功率预测

针对联合循环电厂发电能力受环境温度、压力、相对湿度和电力需求等条件变化影响而造成对输出功率预测精度较差的问题,提出粒子群算法(PSO,particle swarm optimization)与BiLSTM(BiLSTM,bi-directional long short-term memory)相结合的预测模型PSO-...     

基于热时间常数的IGBT模块热疲劳老化监测方法

提出利用热时间常数作为新的特征量,实现了对IGBT模块和导热硅脂的热疲劳老化进程的同步监测。通过研究热时间常数与Cauer型热网络参数的关系,建立了热时间常数与IGBT模块物理结构间的联系,总结出热时间常数在IGBT模块热疲劳老化过程中的变化规律。最后,通过3-D有限元仿真模型和实验验证了该方法对监测IGBT模块和导热硅脂热疲劳老化的有效性。该方法的显著优势在于可以仅通过1条结温降温曲线提取热时间常数,且不需要任何损耗信息或加热模块至热平衡状态。     

基于改进支持向量回归的IGBT老化预测

为了准确预测绝缘栅双极型晶体管（IGBT）的老化状态,提出了一种基于改进鲸鱼优化算法（IWOA）优化支持向量回归（SVR）的IGBT老化预测方法。该方法提取IGBT集电极-发射极电压信号的时频域特征,通过核主成分分析（KPCA）降维将时频域特征融合成一个综合指标来表征IGBT的老化状态;针对鲸鱼优化算法（WOA）不足,在WOA的基础上引入Sobol序列种群初始化、惯性权重和反向学习策略,增强WOA的局部搜索能力和收敛速度;利用IWOA优化SVR的惩罚因子和核参数,并构建一种基于综合指标的IGBT预测模型。利用NASA Ames实验室的IGBT老化数据集对IWOA-SVR方法进行验证,结果表明,所构建IWOA-SVR预测模型可以更准确实现对IGBT的老化预测。     

老化实验条件下的IGBT寿命预测模型

以器件功率循环为基础,在疲劳损伤理论基础上建立功率器件寿命模型,以提高变流器的运行可靠性,为功率变流器的检修维护提供理论基础。给出了器件寿命预测模型的使用价值和意义,通过分析功率器件失效机理,设计了功率循环实验平台和老化实验方案,阐述了老化实验原理并给出了老化参数提取方法。利用Weibull分布建立了器件的一维寿命模型并分析了该模型的优缺点,提出了改进的器件三维寿命模型,通过对比、分析证明了该模型的准确性,得到的Arrhenius广延指数模型更能体现器件寿命分布。     

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。     

基于小波神经网络的IGBT寿命研究

文章通过对IGBT失效机理进行分析,选取集电极-发射极电压作为IGBT寿命评估参数,结合NASA艾姆斯实验中心IGBT加速老化数据集,建立了小波神经网络预测模型,从而对IGBT寿命做一个简单的评估。     

改进蝗虫优化算法 在模糊神经网络PID控制中的研究

传统模糊神经PID控制算法易出现网络参数调整不合适导致控制效果差的问题。本文提出一种改进蝗虫算法优化下的模糊神经网络PID控制算法。首先针对传统蝗虫算法粒子多样性不足的问题引入Levy随机飞行策略,其次引入非线性缩减因子和模拟退火算法来改善算法寻优能力以及跳出局部最优解的能力,然后将改进的蝗虫算法与模糊神经PID结合来优化神经网络超参数以及实现控制参数自整定,最后由仿真结果验证所提出的改进蝗虫算法优化模糊神经网络PID算法的优越性和可靠性。     

基于改进VMD-GAT-GRU的交通流量组合预测模型

针对短时交通流时间序列非平稳性、空间相关性和时间依赖性的特点,为提高短时交通流预测模型的预测精度和收敛速度,该文提出了一种基于改进的变分模态分解(VMD)、图注意力(GAT)网络和门控循环单元(GRU)网络的交通流量组合预测模型。首先,利用互信息熵(MI)改进的变分模态分解算法,将交通流量时间序列分解成一系列调幅调频信号子序列,降低了时序信号的非平稳性,提高后续预测模型的预测精度;然后,将其输入图注意力网络,捕捉路网邻近节点的交通流量对中心预测节点交通流量不同程度的影响,从而实现交通流量序列的空间相关性建模,进一步提高模型预测精度;接着,将交通流量分量子序列分别送入门控循环单元网络,捕捉其时间依赖性,并使用改进的RMSPRop优化算法迭代寻优,在提升优化算法收敛速度的同时提高了模型的预测精度;最后,结合各分量子序列的预测值,作为预测模型的最终输出。实验采用RTMC系统交通数据,结果表明,该文提出的改进VMD-GAT-GRU时空融合组合预测模型相较于LSTM、GCN和GAT基准模型,平均绝对误差(MAE)分别降低9.35、4.12、4.09,平均绝对百分比误差(MAPE)分别降低16.4...     

基于改进TLBO优化LSSVM的风电功率短期预测

为提高风电功率短期预测的精度,提出一种基于改进TLBO优化LSSVM的风电功率短期预测方法。首先对基本TLBO算法中的‘教’阶段进行改进,在采用自适应教学因子的同时改变所有搜索个体的平均值,从而能够自适应的提高TLBO在整个搜索空间的性能;然后改进TLBO算法的‘学’阶段,为维持种群的多样性,避免TLBO算法过早收敛和陷入局部最优,在学习阶段引入高斯变异算子;最后用改进的TLBO优化构建的LSSVM预测模型。以上海北沿风电场和莱州风电场实测数据为例,仿真结果表明,与PSO和TLBO优化LSSVM相比,改进的TLBO优化LSSVM方法对短期风电功率预测具有更好的稳定性和更高的准确性。     

基于改进PSO算法的燃料电池模型优化

采用一种改进粒子群优化(PSO)算法,提出了一种优化燃料电池模型的方法,并用于质子交换膜燃料电池(PEMFC)的极化曲线模型,以得到最优参数.结果表明,这种优化模型的平均平方误差(MSE)为4.42×10-10V2,相关系数为99.87%,数学模型和实验数据之间的拟合精度高.     

基于BiLSTM神经网络的锂电池SOH估计与RUL预测

针对锂电池健康状态(state of health,SOH)估计与剩余寿命(remaining useful life,RUL)预测问题,设计一种基于双向长短期记忆(bi-directional long short-Term memory,BiLSTM)神经网络模型的预测方法。首先,提取美国国家航空航天局（national aeronautics space and administration,NASA)锂电池的容量数据,将容量数据转为SOH数据并作为模型输入数据;其次,建立双层BiLSTM神经网络,使用加速自适应矩估计算法（nesterov-accelerated adaptive moment estimation,Nadam）优化函数动态调整学习率;然后,通过双向长短期记忆神经网络模型分析锂电池数据,建立电池容量、SOH和RUL之间的联系;最后,全连接层输出电池SOH的估计曲线,从而预测其剩余寿命。通过NASA数据进行预测实验,BiLSTM神经网络的RUL预测误差稳定在3以内,SOH预测曲线的拟合度稳定在94.211%-95.839%,BiLSTM神经网络具有更高的鲁棒性和准确性。     

基于改进灰色模型的蓄电池剩余容量预测

蓄电池作为直流系统交流停电时的后备电源,其剩余容量直接影响了直流系统的安全运行。在对现有灰色预测模型进行深入研究的基础上,将遗传算法引入到GM(1,1)模型中,对此加以改进,提出了一种新的基于遗传算法的蓄电池剩余容量灰色预测模型。预测实例表明,基于遗传算法的蓄电池剩余容量改进灰色预测模型比传统的GM(1,1)预测模型具有更高的模型精度,能够满足工程需要。该方法可减少传统的电池容量放电实验次数,从而延长了蓄电池的使用寿命。     

基于特征优化和改进长短期记忆神经网络的NOx质量浓度预测

针对燃煤机组选择性催化还原(SCR)烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出一种基于特征优化和改进长短期记忆(LSTM)神经网络的预测模型.首先,通过机理分析确定与NOx排放有关的辅助变量,利用互信息计算各辅助变量与输出变量NOx质量浓度之间的延迟时间.通过最大相关最小冗余算法(mRMR)确定辅助变量最...     

基于改进GA的RBF核函数参数优化模型

为解决高斯径向基(RBF)核函数参数难选择的问题,提出一种基于Fisher判别准则的径向基核函数参数优化模型.为了寻求模型最优解,对传统遗传算法进行了改进,改进的算法保证了适应度大于平均适应度的个体可以遗传到下一代的种群中.通过改进优化求解的效率更高.利用经过改进的遗传算法对所提出的模型进行全局优化求解,最后使用MATLAB 2009a作为工具,并使用UCI数据库的葡萄酒数据作为分析对象进行了实际的算法验证和评价实验.仿真结果表明,提出模型能够有效地找到合适的参数值,提高了SVM的分类准确度.     

基于改进LSTM的电力设备状态融合预测模型

针对电力大数据存在数据随机缺失进而降低长短期记忆模型（Long Short-term Memory, LSTM）预测准确率的问题,本文提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型首先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model, ARIMA）对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;然后将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;最后根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证本文模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明：基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25% ,在数据缺失情况下的预测准确率分别提高了44%和57%。     

优化遗传算法寻优的SVM在短期风速预测中的应用

针对遗传算法存在的早熟和收敛慢的问题,提出一种融合小生境算法、免疫算法的优化遗传算法。一方面通过疫苗因子引导初始种群的生成,使个体具有某些优秀基因,减少寻优时间,并随数据的更新,提出疫苗因子和参数寻优范围的自适应更新机制。另一方面在种群的进化过程中,通过小生境遗传算法维护种群的多样性。实验结果表明,将基于优化遗传算法寻优的SVM应用到短期风速预测中是可行的,具有较高的预测精度和收敛速度。