粒子群优化融合随机森林的电机故障诊断方法

针对三相电机实际识别准确率较低的问题,研究了一种智能的电机故障诊断方法。以三相电机振动数据为研究对象,结合粒子群优化算法和随机森林算法,建立了优化的随机森林算法模型对电机故障状态进行模式识别。提出一种融合K均值聚类算法和随机森林重要性选择方法的敏感特征提取算法,用以对故障敏感特征进行提取。对电机的八种运行状态进行实验验证,实验结果显示该方法能准确和高效地识别出电机故障状态。     

基于改进PSO优化LSTM网络的典型用电负荷模式识别

新能源发电的推广和使用加剧了用电高峰期电网供需矛盾,对电力用户的负荷模式进行识别可以为负荷参与调峰决策提供支持。为提高用电负荷模式辨识准确率,提出一种基于改进粒子群（IPSO）算法优化长短期记忆（LSTM）神经网络的用电负荷模式识别模型。通过引入多样化初始参数、动态非线性权重和淘汰机制等措施,改善了粒子群算法的寻优能力,实现对LSTM的关键参数寻优,确定LSTM神经网络的最优参数组合。实验结果表明,该方法可以有效提高模型的准确率,同时节省模型的训练时间。     

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。     

改进粒子群优化神经网络的变压器故障诊断

在分析传统误差反向传播(BP)算法和标准粒子群优化(PSO)算法的特征及其问题基础上,提出一种改进粒子群优化(IPSO)算法和改进BP(IBP)算法,建立基于IPSO-IBP混合算法的电力变压器神经网络故障诊断模型。通过85组训练样本和16组测试样本的仿真对比分析,该方法能够实现电力变压器不同故障的有效诊断,提高了电力变压器故障模式的识别能力及故障诊断准确率。     

基于帝国殖民竞争算法优化支持向量机的电力变压器故障诊断模型

提出了一种基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型。对支持向量机进行了非线性和多分类变换,构建了k-折平均分类准确率目标函数,建立了帝国殖民竞争算法优化支持向量机的非线性多分类模型,结合交叉验证原理对变压器进行了故障诊断。故障诊断结果表明,所提方法的平均测试准确率优于标准支持向量机和粒子群优化算法优化支持向量机(准确率分别为77.08%、57.97%和61.96%),验证了所提模型的有效性。采用UCI基准数据集对所提模型进行分类测试,结果表明所提模型在解决分类问题上具有较好的泛化性。     

面向永磁同步电机参数辨识的免疫完全学习型粒子群算法

实际工程中永磁同步电机系统是一种具有强非线性动态系统,常规方法难以得到高精度参数估计值。结合完全学习型粒子群的多模态优化性能及免疫机理局部收敛能力强的优势,研究了免疫完全学习型粒子群智能计算模型方法。将所提方法应用于永磁同步电机系统参数辨识与建模中,构建一种基于免疫完全学习型粒子群算法的永磁同步电机多参数辨识模型方法。实验结果表明所提算法具有高效收敛性能,基于该算法的永磁同步电机多参数辨识模型方法不需要依赖任何数据手册上的电机设计值,能同时辨识电机定子电阻,转子磁链,d-q轴电感等电磁参数,且能跟踪电磁参数变化。     

基于振动信号时间历程和自适应谱融合的断路器操动机构状态辨识方法

振动信号作为断路器内部构件碰撞和摩擦运动传递能量的响应,蕴含大量与设备机械状态相关的数字信息。提出一种基于振动信号特征融合分析的高压断路器操动机构状态辨识方法,首先定义了关联设备机械特性的时间历程特征——广义分/合闸时间和相对衰减时间,再利用自适应谱算法将振动信号转化为三维时频分布瀑布图,分别从三个维度捕捉全方位时频变化信息;然后提出基于J散度-隶属度的特征融合处理方法,将相互之间孤立的特征量融合为状态类别之间的相似度隶属值;最后由分群粒子群算法优化支持向量机模型对相似度隶属值的状态类别进行辨识。实验表明,该方法显著提高了断路器操动机构状态辨识准确率至96%,辨识模型普适性较高,在断路器运行状态监测和故障监测领域具有应用价值。     

基于D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法.根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型.根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补.根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式.     

基于粒子群与多分类相关向量机的变压器故障诊断

为有效提高变压器故障诊断准确率,文中将粒子群优化算法与多分类相关向量机方法相结合,构建了一种基于粒子群优化多分类相关向量机的方法用以变压器故障诊断。该方法首先将油中溶解气体与4种特征气体比值相结合作为故障特征量,以进一步丰富故障信息。其次,利用粒子群优化算法并结合训练样本数据对多分类相关向量机的核参数进行优化,以获得能够最优的及能有效提高故障分类效率的参数。最后,将9种特征量作为特征输入,并利用已训练完毕的多分类相关向量机进行故障诊断。经实例分析表明,该方法使故障特征量与故障分类模型得到了有效补充、改进及完善,且其故障诊断效率更具优势。     

基于信息融合的运动目标跟踪算法

针对复杂背景下目标遮挡后跟踪不稳定的问题,提出了一种在粒子滤波框架下融合异类信息进行目标跟踪的算法.该方法建立了声源特征模型和颜色特征模型,在此基础上将声音信息和图像的颜色信息融合到粒子滤波跟踪算法中,通过粒子更新策略实现跟踪.实验结果表明与基于单一特征的跟踪算法相比均方误差降低了18.3%.在低信噪比情况下,该算法更...