PSO优化的SVM在开关磁阻电机建模中的应用

针对开关磁阻电机的非线性、高度饱和的磁链特性,用支持向量机(Support Vector Machine,SVM)精确构建开关磁阻电动机的磁链模型。支持向量机的惩罚系数C和RBF核函数的σ对模型的精度影响很大,用粒子群优化(Particle Swarm Optimization,PSO)算法对SVM模型的参数优化,进而得到相对最优开关磁阻电机的磁链模型。通过与样机实测数据比较,验证PSO优化的SVM构建开关磁阻电机模型的可行性。通过与传统神经网络比较,证明了所建的模型具有鲁棒性好、泛化能力强、模型精度高和学习速度快等优点。     

平面开关磁阻电机非线性力电流转换模型

为提高平面开关磁阻电机的运动精度,提出了一种平面开关磁阻电机非线性力电流转换模型。该模型表示为一个稀疏最小二乘支持向量机,以实测数据作为训练样本,利用交叉验证方法确定了稀疏最小二乘支持向量机参数,并通过实测的样本进行了准确性验证。构建了基于该模型的平面开关磁阻电机PD控制系统,并进行了系统运动控制实验。研究结果表明,该模型的相电流预测准确度高、建模误差小,基于该模型的平面开关磁阻电机系统能够实现稳定、平稳和精确的轨迹跟踪。     

12/14混合定子磁悬浮开关磁阻电机磁链特性及磁链建模研究

12/14混合定子磁悬浮开关磁阻电机(HSBSRM)的磁链是计算电磁转矩和径向悬浮力的基础,是实现电机稳定旋转和悬浮的前提。针对常规解析法建立的12/14HSBSRM磁链模型的局限性,提出了基于贝叶斯证据框架最小二乘支持向量机(LS-SVM)的磁链建模方法。通过有限元法分析了HSBSRM悬浮绕组与转矩绕组磁链的耦合关系、悬浮绕组间磁链耦合关系绕组磁链与径向位移关系、悬浮绕组磁链与转子位置角关系,建立了基于贝叶斯证据框架LSSVM的磁链模型,仿真结果表明所提方法能够快速准确的建立磁链模型。     

磁悬浮开关磁阻电机逆动力学建模与控制

针对磁悬浮开关磁阻电机这一多变量、非线性、强耦合系统解耦控制时逆动力学模型难以获取的问题,提出一种基于最小二乘支持向量机的逆动力学建模与解耦控制方法.介绍磁悬浮开关磁阻电机工作原理,给出悬浮力和转矩的动力学模型,分析模型的可逆性.在此基础上,结合最小二乘支持向量机拟合与逆模解耦线性化特点,研究磁悬浮开关磁阻电机的最小二...     

基于LSSVM的多输入多输出开关磁阻电机建模

针对开关磁阻电机(SRM)非线性建模中多变量输出累积误差问题,根据实测样机数据,采用最小二乘支持向量机(LSSVM)方法,建立了非线性多输入多输出(MIMO)SRM模型。与传统LSSVM法SRM模型相比在结构上进行了改进,该模型中LSSVM的输入为角度、磁链,输出为电流、转矩及磁链对角度的偏导,此多输入多输出LSSVM避免了以往多个单输出LSSVM组合造成的累积误差。在SIMULINK中用S函数实现了LSSVM模型的仿真。实验结果表明,仿真电流波形和实测电流波形一致,实测峰值电流42A、峰值角度6.36°及关断角电流29A时,仿真的3个相应参数为43.5A、6.58°、29A,误差均较小,从而验证该文提出的建模方法的正确性和有效性。     

基于最小二乘支持向量机的开关磁阻电动机建模

开关磁阻电动机(SRM)的磁化曲线族是电机建模及性能分析的基础，文中探讨了利用最小二乘支持向量机处理磁化曲线族，建立电机模型的方法。在分析电机非线性磁特性的基础上，运用最小二乘支持向量机(LS-SVM)的回归理论，通过对磁路有限元分析法(FEM)得到的样本数据集进行学习，建立了电机的最小二乘支持向量机模型。与以往的神经网络建模方法相比，该模型在小样本情况下有更好的泛化能力及更快的学习速度。仿真实验表明，该模型比较准确地反映了电机的磁特性，可用来进行SRM其它性能指标的分析。     

磁悬浮开关磁阻电机建模与参数优化设计

针对磁悬浮开关磁阻电机参数设计问题,提出一种基于最小二乘支持向量机与粒子群优化算法的电机结构参数优化设计方法.采用三维有限元仿真建立样本空间,构建悬浮力、电磁转矩与绕组间互感的最小二乘支持向量机非参数模型;并基于该非参数模型,选择满足额定电磁转矩为约束条件,悬浮力最大且绕组间互感最小为优化目标,采用粒子群优化算法获取电...     

电力市场环境下基于FOALSSVM的电价预测

提出了一种基于果蝇优化算法(FOA)和最小二乘支持向量机(LSSVM)模型的日均电价混合预测模型。将日均电价的历史数据和负荷数据作为输入变量,利用FOA优化选择用于电价预测的LSSVM模型最优参数值,进而对日均电价进行预测。以澳大利亚NSW电力市场的实际数据为例对该模型进行了仿真测试,其结果表明:与自适应LSSVM、模拟退火LSSVM和ARIMA-GARCH模型相比,本文提出的预测模型的预测性能最好,其收敛速度快,预测精度高。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于灰色关联度与 LSSVM 组合的月度负荷预测

由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果.针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM 组合的月度负荷预测方法.该方法通过计算灰色关联度来选择训练样本,选取 LSSVM 进行样本训练;将与待预测月高度相似的历史月负荷作为 LSSVM 的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度.通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度.     

基于CNGWO-LSSVM的汽轮机热耗率预测模型

为了准确计算汽轮机热耗率,提出一种改进灰狼优化算法优化最小二乘支持向量机（LSSVM）的热耗率软测量方法。首先针对灰狼算法收敛精度低的缺点提出一种混沌非线性灰狼优化算法（CNGWO）,通过Kent混沌搜索策略和非线性动态递减权值策略来改善灰狼优化算法的性能。然后利用CNGWO算法预先选择LSSVM模型参数,并建立CNGWO-LSSVM的软测量模型。以某600 MW超临界汽轮机组实时运行数据仿真实验,对具有复杂非线性的热耗率变量进行预测,预测结果表明,经过CNGWO算法优化的LSSVM模型取得了较好的预测效果,为汽轮机热耗率的精确计算提供了一种有效方法。     

基于RBF神经网络的开关磁阻电机瞬时转矩控制

开关磁阻电机(SRM)因其结构简单、工作可靠、效率高、成本低等优点使之成为当前极具竞争力的一种调速电动机。但由于电机本身的非线性电磁特性,导致了其转矩脉动比其他传动系统严重。如何更好地对开关磁阻电机的转矩进行控制,抑制转矩脉动也成为了近年来研究的热点。针对这一问题,提出了一种基于基于径向基函数(radial basis function,RBF)神经网络的开关磁阻电机瞬时转矩控制方法。利用从SRM动态模型仿真中产生的数据来对RBF神经网络进行离线训练,使之学习不同转速和转矩下的优化电流波形,再将训练好的RBF网络用于电机的转矩控制中,完成不同转速下,转矩、位置到电流的非线性映射。最后通过瞬时电流跟踪控制使电机电流跟踪参考电流,完成电机的转矩控制。该控制方法充分利用了RBF神经网络逼近、泛化能力强,运算速度快的优点,且控制过程简单,网络无需在线训练。实验结果证明,该控制策略能有效减小开关磁阻电机的转矩脉动,具有控制精度高、能适应转速变化等优点。     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

基于RBFN-AFS的开关磁阻电机非线性模型与动态仿真

针对开关磁阻电机(SRM)电磁特性存在饱和非线性、多变量、强耦合的特点,提出了一种基于径向基函数网络的自适应模糊系统(RBFN-AFS)建立SRM模型并进行动态仿真的新方法.该方法在实测SRM磁链和转矩特性的基础上,采用递阶自组织学习(HSOL)算法对RBFN-AFS网络进行学习训练,使网络从样本数据中估计出未知的模糊规则,并在学习训练过程中不断更新和修正网络隐层节点参数矢量和连接权值,最终实现磁链与转矩对转子位置角和相电流的非线性映射关系,与其他建模方法相比,该模型具有更快的计算速度和更好的泛化能力.将基于RBFN-AFS网络的电流-磁链和转矩模型应用于SRM调速系统的动态仿真分析中,通过仿真与实验比较,此方法能够很好地预测SRM的动态和稳态运行特性.这种基于RBFN-AFS的建模方法为实现SRM的各项性能分析和各种实时控制提供了一种新的思路.     

基于 DBN 和 LSSVM 的管道气体压力检测方法研究

针对当前管道气体压力无损检测困难的问题,结合超声波反射测压原理,提出了深度置信网络(DBN)提取超声回波幅 值特征的最小二乘法支持向量机(LSSVM)管道气体压力检测方法。 首先,通过 DBN 网络中的受限玻尔兹曼机(RBM)无监督 逐层学习提取特征;其次,通过标签层进行有监督的误差反向传播调节优化 DBN 各层 RBM 参数;最后,将优化后 DBN 网络提 取到的特征信号输入训练好的 LSSVM 完成气体压力的识别。 设计相关实验得到超声波数据进行模型测试,结果表明,DBNLSSVM 压力识别模型的压力识别平均相对误差为 0. 635 7%,低于 DBN-BP 模型的平均相对误差(1. 802 6%),能够较好地完成 对管道气体的压力检测工作。     

基于Matlab/Simulink的开关磁阻电动机数字仿真

提出了以傅立叶级数为基础的开关磁阻电动机(SRM)的电感模型。计算结果与实际测量结果吻合,验证了该模型的准确性和适用性;同时运用该电感模型建立了开关磁阻电动机的非线性模型,并用于电机控制方式的研究,进一步验证了非线性模型的正确性。在建立非线性模型的基础上,对SRM的关断角进行优化,仿真结果符合优化的结论。     

一种开关磁阻电机非线性磁链与转矩建模方法

开关磁阻电机(SRM)由于磁化曲线高度饱和非线性的特点,造成传统的电机性能分析和建模方法很难运用到SRM中。根据SRM磁链曲线的特点,提出了一种带修正因子的反正切函数来建立SRM模型的方法。在获得SRM 5个特殊转子位置处的9个磁链数据点的基础上,利用傅立叶级数分解和反正切函数来拟合SRM的磁链特性,并推导出电感和电磁转矩模型。该模型函数表达式简单、系数修改方便、计算精度高,并且能够直观的反映SRM的磁链、电感和转矩变化情况。以一台550 W、6/4极SRM为例,进行了仿真与实验比较,结果表明该模型能够很好的反映SRM的实际工作状况,验证了所建模型的精确性和有效性。     

基于最小二乘支持向量机和粒子群算法的两相流含油率软测量方法

为提高油水两相流含油率的测量精度,提出基于最小二乘支持向量机(least squares support vector machine,LSSVM)和改进的粒子群算法(particle swarm optimization,PSO)的含油率建模方法。该方法将测量的油水总流量和加热器上下游温差作为LSSVM输入,含油率作为输出,对含油率与温差和总流量的关系进行训练,通过改进的PSO优化LSSVM的参数,建立了含油率的优化模型,并用测试数据对含油率的模型进行了比较。实验结果表明,基于改进的PSO-LSSVM含油率模型比PSO-LSSVM和遗传算法–最小二乘支持向量机模型运算速度快,比理论修正模型测量精度高,含油率在4%~60%时,平均测量误差为0.93%。     

基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测

为了提高接地网腐蚀速率预测精度,利用核主成分分析法对接地网腐蚀速率的主元进行提取,依据KPCA分析结果进行了指标重构,减少了接地网腐蚀预测模型建模工作量。通过收敛因子非线性调整及莱维飞行策略对斑点鬣狗算法进行改进,基于改进后的斑点鬣狗算法对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立了基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测模型。仿真结果表明,经ISHO优化LSSVM接地网腐蚀速率预测模型的平均相对误差、均方根误差、全局最大相对误差均定系数分别为2.79%、0.139、3.53%和0.995,均优于其他接地网腐蚀预测模型,验证了模型的正确性和优越性。