锅炉给水系统聚类自适应模糊控制器的设计

将聚类算法和模糊控制相结合,提出了一种新型的聚类自适应模糊控制器,应用于非线性、多干扰和强耦合的锅炉给水系统中.采用改进的遗传算法对模糊控制器的隶属参数进行优化,增强模糊控制器的自适应性,并用聚类自适应算法再次弥补模糊控制的不适应性和不完整性,实现了锅炉给水系统的自适应控制.仿真表明该方案的适应性、实时性、鲁棒性都很强,具有很强的工程实用价值.     

基于免疫原理的自适应模糊控制器优化设计

利用免疫系统的克隆选择原理设计了全局搜索优化算法和局部搜索优化算法，并提出了一种时变对象的模糊控制器参数自整定方案。该方案利用全局优化算法离线组合优化标称参数下的控制器，对象发生变化后，利用局部优化算法在线优化，可快速获得新的控制器参数，以实现自适应控制。仿真结果表明，该控制系统在被控对象参数变化的情况下，仍具有良好的控制性能，能够对一类时变对象实施高精度控制，具有较大的工程应用价值。     

UPFC物理模型中优化消谐PWM控制算法的研究

讨论了已实现了的ＵＰＦＣ物理模型中ＳＰＷＭ技术存在的问题,介绍了消除谐波常用的优化消谐ＰＷＭ算法的原理及求解方法,利用ＵＰＦＣ换流器结构特点,对该算法进行简化并进行了初值选择研究,给出了一种在线快速求解非线性方程组的方法,为该方法在ＵＰＦＣ物理模型中的应用奠定了基础。     

基于遗传算法的电力系统聚类模糊稳定器的设计

为了抑制电力系统因负阻尼而产生的低频振荡，提高系统稳定性，将具有自学习能力的聚类算法和常规模糊控制相结合，提出了一种新型的聚类自适应模糊控制方案，应用于非线性和强耦合的电力系统中，并用一种加速搜索过程的改进遗传算法将常规模糊控制器的隶属参数进行了优化。仿真结果表明，该方案的自适应性、实时性、鲁棒性都很强。     

基于自适应神经模糊系统的电力系统短期负荷预测

提出基于T-S模型（Takagi-Sugeno）的自适应神经模糊系统（ANFIs）。该系统采用减法聚类初始化模糊推理，把神经网络学习机制引入到逻辑推理中，并用混合学习算法调整前件参数和结论参数，自动产生模糊规则。应用武汉地区2005年夏季负荷数据对网络进行训练和检测，所得仿真结果表明此预测方法有效。     

基于混合模糊聚类分析的汽轮发电机组振动故障诊断

针对模糊C-均值(FCM)算法在汽轮发电机组振动故障诊断中的不足,提出了一种加权混沌优化FCM(WCOFCM)算法。WCOFCM算法首先将混沌优化策略与传统FCM算法相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,并结合梯度算子,使方法有效收敛到极值点。然后依样本相似度原理对样本特征进行加权,对不同的特征赋予权重,突出敏感特征对聚类结果的主导作用,提高了聚类性能。最后依据聚类有效性函数指标自动确定聚类数,实现自适应分类。用该方法对国际标准测试数据进行了聚类分析实验,并将该方法应用于某发电厂汽轮发电机组振动故障诊断,其结果表明该方法有效降低了误分类率,能对汽轮发电机组振动故障进行有效诊断。     

基于混沌预测模型的聚类自适应模糊控制器的设计

根据混沌非线性、大时滞系统的时间序列及所得的Lyapunov指数规律，计算出系统的可预报尺度，对系统做了高精度预测；在此基础上，将聚类算法和模糊控制相结合，设计了一种新型的聚类自适应模糊预测控制器。将该控制器应用于锅炉的单元机组负荷控制系统中，实现了对非线性和大时滞系统的自适应控制．结果表明，该方案的适应性、实时性都很强，具有很强的工程实用价值。     

一种新的动态聚类算法及其在热工过程模糊建模中的应用

文中提出的新型动态进化聚类算法克服了传统模糊聚类建模算法须事先确定规则数的缺陷。它通过改进的遗传策略来优化染色体长度，以实现对聚类个数进行全局寻优；同时，利用FCM算法加快了聚类中心参数的收敛：此外，通过引入免疫系统的记忆功能和疫苗接种机理，新算法得以快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型，可以同时得到合适的模糊规则数和准确的前提参数。仿真实例验证了文中动态模糊聚类建模算法的有效性，将其应用于热工过程可获得高精度的非线性模糊模型。     

优化模糊C均值聚类的台区用户用电特征分析方法

精准的用户特性分析方法是配电网模型计算与电力服务制定的重要基础之一,为克服现有配电台区多样性用户划分的数量选择与特征选择难题,提出一种优化模糊C-均值聚类的用户用电特征分析方法。利用优化的模糊C-均值算法实现聚类分析,通过聚类中心建立特征模型,从而获知多样化场景下配电台区用户特性。在聚类过程中,通过蜜獾算法优化选取模糊C-均值聚类初值,来应对易局部最优的难题,找到目标函数最小的结果;利用指标自适应极小值的原则选取最佳聚类数,使聚类中心代表性更强。通过天津地区的典型案例获取用户用电特征,实现聚类目标函数与结果综合性评价指标最优的目的。     

永磁同步电动机传动系统的模型算法控制

综合模型算法控制（ＭＡＣ）在线实时预测、优化、反馈校正的优点,提出一种用于永磁同步电动机（ＰＭＳＭ）传动系统的ＭＡＣ方案。采用ＰＭＳＭ的二阶ＡＲＭＡ模型为预测控制的参数模型,并在此基础上进行优化、校正、算法简单,能很好地满足动态较快的电动机实生要求。对系统的稳定性和鲁棒性进行了分析、论证,表明无论模型如何失配,系统均稳定、无输出静差,鲁棒性强。仿真和实验结果进一步证明永磁同步电动机模型算法控制（Ｐ     

基于PSO优化核主元分析的海上风电机组运行工况分类

海上风电机组运行环境复杂多变,对其工况进行分类可以提高机组运行健康状态评价的准确性,为制定合理的运行维护策略提供可靠依据。提出一种基于PSO优化核主元分析(KPCA)的多参数工况分类方法。针对核函数参数难以确定的问题,综合考虑类内散度和类间散度构建优化核参数的适应度函数,应用PSO算法对其进行寻优,将优化后的KPCA用于数据的特征提取,在此基础上采用模糊C-均值聚类(FCM)建立分类模型。通过对UCI数据库中的三组实验数据进行分类验证了该方法的有效性。最后,应用该方法对某海上风电场实测数据进行工况分类,并与PCA+FCM、KPCA+FCM两种方法进行比较。结果表明,提出方法的分类结果优于其他两种,能够得到清晰准确的分类结果,利于分工况建立准确的机组运行健康状态评价模型。     

基于相空间重构和模糊聚类的永磁同步电机直接转矩控制系统逆变器故障诊断

提出一种基于相空间重构技术(RPS)的逆变器故障诊断方法，适用于永磁同步电机(PMSM)直接转矩控制(DTC)系统中最常见的三种逆变器故障：单个功率开关短路、开路与一相桥臂开路故障的诊断。采用相空间重构理论，通过合理设计参数，仅需分析逆变器正常与不同故障状态下一相电流的轨迹特征，便可得到表征系统故障特征的不同形状、直观的轨迹图形。再通过采用一种聚类验证准则确定出模糊C均值算法中的合适聚类数，基于此准则设计了一个模糊C均值聚类算法。最后通过对PMSM DTC系统逆变器不同运行状态下的重构电流轨迹及其模糊C均值聚类测试结果，说明了所提出方法对逆变器故障诊断的有效性。     

纵横交叉算法与模糊聚类相结合的变压器故障诊断

针对FCM(模糊C-均值聚类)在变压器故障诊断中的不足,提出采用纵横交叉算法优化FCM(CSOFCM)聚类来进行故障诊断。溶解气体分析与FCM相结合,能有效提高变压器故障诊断的准确率,但FCM存在聚类结果不稳定和容易陷入局部最优等问题。而纵横交叉算法是一种基于种群的随机搜索算法,在算法中首次提出了维局部最优概念和纵横交叉双搜索思想。实验证明,相比其它主流群智能优化算法,CSO算法在解决维数灾问题和收敛精度问题方面取得了较大突破,能有效克服局部最优的问题。新诊断模型有效弥补了单一诊断法的不足,拥有全局收敛性强和处理模糊信息的能力。实例分析表明,该方法与传统FCM相比,能获得更优的聚类中心,有效提高了变压器故障诊断的准确性和快捷性。     

改进自适应模糊C均值算法在负荷特性分类的应用

模糊C均值(FCM)算法是一种用于电力负荷特性分类的有效方法.针对传统FCM算法易陷入局部最优且对初始条件敏感的问题,文中提出了基于微分进化(DE)自适应优化的改进措施.相对于FCM算法的梯度最速下降寻优策略,改进算法利用DE多点随机并行搜索,对控制参数及非最优个体进行自适应调整,具有全局搜索能力强、鲁棒性高的特点.实际算例仿真表明,所述算法降低了负荷特性分类对初始值的依赖度,在不同聚类数目的条件下仍具有良好的性能,适用于实际电网滚动规划等对负荷特性分类精度要求更高的领域.     

基于模糊支持向量机的空气预热器温度预测

空气预热器的温度检测对于火力发电机组的安全运行非常重要,提出利用模糊支持向量机回归算法,通过空气预热器历史温度信号与相关联的锅炉负荷信号建立空气预热器温度回归预测模型,对转子内部温度进行软测量。利用一种改进的模糊C均值聚类方法确定训练数据的样本权重,联立遗传算法与K折交叉验证方法优化模型的不敏感损失区域、惩罚因子和径向基核函数作用范围。通过某电厂600 MW机组的实验数据测试,提出的方法具有较高的准确度和泛化能力,较好的满足了提前检测空气预热器二次燃烧征兆的实际需求。     

考虑用电行为分析的电力用户用电预测研究

挖掘电力用户用电特征,有助于提高负荷预测精度,从而为制定合理的电力系统经济调度策略提供理论依据。针对传统的模糊C均值(fuzzy c-means algorithm, FCM)聚类算法的聚类数需要人工试凑的问题,提出了自适应FCM方法,以达到自动调整参数获得最佳聚类数的目的。针对核极限学习机(kernel extreme learning mechine, KELM)求逆过程计算量大的问题,采用cholesky分解法求解KELM的输出权值,降低了计算时间。采用自适应FCM对电力用户进行聚类,然后对每类用户采用改进的KELM算法进行负荷预测。实验结果表明,相同预测方法下,基于聚类的负荷预测精度高于不聚类时的负荷预测;实验结果验证了所提聚类方法与用户实际用电行为相符,具有准确性;相比于传统的KELM算法,改进KELM算法耗时更少精度更高。     

电力系统粒子群优化模糊聚类算法及其应用

电力系统数据信息处理与应用领域广泛涉及数据挖掘与特征提取问题,为了提高其中聚类算法的有效性,提出了一种粒子群优化算法(PSO)与模糊C均值算法(FCM)有机结合的粒子群优化模糊聚类算法。该算法用PSO优化过程代替FCM中的基于梯度下降的迭代过程,充分利用PSO具有全局寻优、快速收敛的特点,使算法具有很强的全局搜索能力,有效地避免了FCM易陷入局部极小的缺陷;同时也降低了FCM对初始值的敏感度。还通过核方法,将低维特征空间的样本通过核函数映射到高维特征空间,增强了特征的优化,使特征在高维空间更易聚类。电力系统负荷样本聚类的应用仿真研究结果表明:与单纯FCM法相比,该算法聚类更准确,效果更佳。     

基于遗传聚类算法的油中溶解气体分析电力变压器故障诊断

电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。     

应用改进粒子群优化的模糊均值聚类算法的暂态急定机组分群方法

针对模糊C-均值聚类方法(fuzzy C-means,FCM)应用于机组分群时存在易收敛于局部最优值的问题,提出了改进的粒子群优化(particle swarm optimization,PSO)的模糊C-均值聚类算法(PSO-FCM)用于机组分群的方法,并阐述了分群算法中关键参数的选取方法.为充分利用FCM多特征量分...