基于LSTM-CNN的双馈风力发电机电刷滑环电弧故障诊断

由于双馈风力发电机(DFIG)的装机地点环境恶劣,DFIG电刷滑环的电弧故障时常发生。鉴于电弧故障严重影响电力设备的稳定运行,提出了一种基于长短期记忆-卷积神经网络(LSTM-CNN)的DFIG电刷滑环故障电弧检测模型。首先,分析了DFIG中电刷滑环产生故障电弧的原因。然后,以电流、电压和磁环三种信号作为输入,滤波后构建基于LSTM-CNN的故障电弧检测模型。最后,搭建滑环装置诊断实验平台,在神经网络结构含有相同层数的情况下,用相同的实验数据训练LSTM神经网络、CNN和LSTM-CNN。实验结果表明,基于LSTM-CNN的故障电弧检测模型的精确率和召回率均保持在99%以上。相较于单一的LSTM神经网络模型和CNN模型,所提出的模型对故障电弧的检测准确率提高了4%以上,具有较强的工程实践意义。     

双馈风力发电机的最大风能追踪技术研究

如何提高风能的利用率,实现最大功率点追踪(MPPT)成为世界各国研究的热点。变速恒频(VSCF)双馈风力发电机作为当前风力发电的主流机型,对其MPPT研究更具有较强的现实意义。通过对风力机运行特性的分析,结合目前的MPPT控制方式,提出将模糊控制与改进的变步长扰动法结合来实现MPPT,并通过MATLAB仿真验证该策略的有效性及稳定性。     

面向移动云计算任务调度的改进鸟群算法研究

针对移动云计算环境下的任务调度存在耗时长、设备能耗高的问题,提出了一种基于改进的鸟群算法(improved bird swarm algorithm,IBSA)的任务调度策略。首先,构建了以能耗和时间为主的移动云任务调度模型;其次,提出了自适应感知系数和社会系数,避免了算法陷入局部最优;构建了学习因子优化飞行行为,保证了个体寻优能力;最后,任务调度目标函数作为鸟群个体的适应度函数参与算法的迭代更新。仿真结果表明相比于蚁群算法、粒子群算法、鲸鱼算法等,改进的鸟群算法在移动云计算任务调度方面具有良好的效果,能够有效地节省时间和降低能耗。     

双馈发电机的TS - PID模糊控制算法仿真研究

研究发电机控制器设计优化问题.针对常规PID控制算法鲁棒性差和响应速度低的问题,从电机学基本原理出发,建立了双馈感应发电机的动态数学模型.根据其数学模型的非线性特性,提出了基于TS模型的PID模糊控制算法.在数学建模的基础上,将PID控制算法和TS - PID模糊控制算法用于双馈感应发电机有功功率控制问题中,并对发电机的PID控制器和TS - PID控制器分别进行了仿真.仿真结果表明:采用TS模型的模糊PID控制方法比常规PID具有更大范围的鲁棒性与稳定性.     

交流励磁双馈发电机模型的建立与控制

众所周知,采用交流励磁双馈发电机的变速恒频风力发电系统具有许多优点,例如最大限度的捕捉风能,允许原动机在一定范围内变速运行,可灵活调节系统的有功和无功功率,起到功率因数补偿的作用。为了能比较清楚地研究变速恒频双馈风电系统的工作特性,需要建立一套能合理反映交流励磁双馈发电机运行特性、且适合应用于变速恒频风电机组性能研究的数学模型。     

交流励磁双馈发电机模型的建立与控制

众所周知,采用交流励磁双馈发电机的变速恒频风力发电系统具有许多优点,例如最大限度的捕捉风能,允许原动机在一定范围内变速运行,可灵活调节系统的有功和无功功率,起到功率因数补偿的作用。为了能比较清楚地研究变速恒频双馈风电系统的工作特性,需要建立一套能合理反映交流励磁双馈发电机运行特性、且适合应用于变速恒频风电机组性能研究的数学模型。     

双馈风力发电机非线性模型预测控制

在现代风力发电厂中, 需对双馈式风力发电机(Doubly fed induction generator, DFIG)进行有效控制来确保高效率和高负荷跟踪能力. 风力发电厂包含很多不确定因素和非线性因素, 传统的线性控制器往往难以奏效. 本文针对双馈式风力发电机的功率控制提出了一种非线性模型预测控制方法. 文中的目标函数考虑了现实约束下的经济因素和设定值跟踪能力, 同时降低机组磨损和机械疲劳. 预测值可基于输入输出反馈线性化(Input-output feedback linearization, IOFL)策略来计算. 仿真实验结果验证了所构造的非线性模型预测控制器的有效性.     

基于莱维飞行的鸟群优化算法

针对鸟群优化算法(BSA)在求解高维多极值优化问题时容易陷入局部最优解和出现早熟收敛的情况,在原始鸟群算法的基础上,在模拟鸟群飞行行为的过程中引入莱维飞行,提出了一种基于莱维飞行的改进算法——莱维-鸟群算法(LBSA)。这种算法替换了原算法中随机的飞行位置跳变,而采用莱维飞行更新鸟群飞行后的位置,大幅提高了鸟群的位置变化活力,提高了算法的有效性。仿真结果表明,在求解高维多极值优化问题时,该算法性能优于原始鸟群算法。     

双馈风力发电机状态监测系统软件设计

采用双馈风力发电机状态监测系统可及时发现并跟踪风电机组主要部件的机械和电气故障,有效降低机组的运行维护成本,保证风电机组的安全稳定运行.软件采用模块化设计思想,主要功能包括管理、诊断、监测、查询、数据存储、数据备份等.通过对振动、电流、电压、温度等参量进行分析,该软件实现了诊断发电机定子和转子匝间短路、相间短路、相对地短路、轴承故障的功能.将该系统试用于某风电场1.5 MW双馈发电机组上,结果表明其可用于监测和诊断双馈风力发电机.     

浅谈双馈异步发电机轴电流的轴电流及其轴电流

发电机产生轴电流会使润滑油功效降低、轴瓦温度升高、轴承及镜板受损、发电机机组产生强烈振动,烧坏轴瓦,严重影响发电机的安全运行或造成发电机事故。轴电流产生的主要原因是轴绝缘被破坏,接地碳刷接地不可靠等。采取措施防止形成轴电流回路以及采用轴电流保护装置防范措施,防止轴电流对发电机各轴承造成损坏,确保发电机组安全运行。     

基于改进粒子群优化算法的提升机制动系统故障诊断

矿井提升机制动系统运行的可靠性直接关系到井下工作人员的安全,为了提高其故障诊断的准确度,提出了一种改进粒子群算法优化RBF神经网络的诊断方法,建立了以提升机制动系统的故障特征参数为输入,并以制动系统的几种主要故障类型为输出的故障诊断模型.鉴于遗传算法具有较强全局收敛性,将遗传算法中的交叉、变异的思想引入到粒子群算法中,并用其优化RBF神经网络的隐含层参数.仿真结果表明,改进后的粒子群诊断算法改善了提升机制动系统故障诊断的速度和精度.     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

基于改进粒子群优化算法的S盒优化设计

采用传统方法设计的S盒性能较差,而常用智能设计方法又存在设计时间过长、容易陷入局部最优的缺点。为此,提出一种基于改变粒子群优化算法的S盒优化设计方法。通过改变惯性权重来提高搜索速度和精度,从而增大算法效率。实验结果表明,该方法可以快速地搜索到能有效抵抗差分密码分析和线性密码分析的S盒,改善其密码性能。     

混沌自适应粒子群算法在故障检测中的应用

针对舰员对装备维修能力不足的情况,论文提出了一种能够应用于便携式故障诊断仪中的故障树诊断算法.首先通过对混沌自适应粒子群算法的参数选择进行优化,使粒子能够在全局范围内进行搜索,克服了其易陷入局部最优的缺点,其次将其应用于故障树诊断算法中,并通过仿真试验证明了该方法的有效性.     

基于粒子群优化的改进加权质心定位算法

针对无线传感器网络低成本、高精度的要求,在采用接收信号强度测距的基础上,提出一种基于粒子群优化的改进加权质心定位算法。该算法易于实现,可调参数少,通过多次选代寻优提高定位精度。采用锚节点之间相互测距和定位补偿测距误差和定位误差。仿真结果表明,该算法与质心算法和加权质心定位算法相比,节点定位精度得到显著提高。     

基于混合粒子滤波的故障诊断方法

结合了模糊递归神经网络和粒子群算法,在此基础上改进粒子滤波的故障诊断方法．故障诊断作为智能控制的研究热点,其算法层出不穷．粒子滤波故障诊断作为基于解析模型的状态估计诊断方法的一种,一直在工业生产中起着重要的作用,但其自身的缺点也限制了它的进一步发展,保留粒子滤波的优势,提出一种基于混合算法的粒子滤波故障诊断方法,该方法不但一定程度上解决了权值退化的问题,而且改进了粒子群算法,并结合神经网络算法在啤酒发酵温控系统中形成了故障检测、预测和辨识为一体的故障诊断方法．     

基于改进粒子群优化的SVM故障诊断方法

针对支持向量机(SVM)分类模型参数选取困难的问题,提出基于遗传免疫的改进粒子群优化算法,克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷。将该算法与优化支持向量机分类模型相结合,建立基于遗传免疫粒子群和支持向量机的诊断模型,并用于轴承故障诊断中。结果表明,基于遗传免疫粒子群算法优化的SVM可实现对SVM分类模型参数的自动优化,并能提高SVM分类模型的故障诊断精度,对分散程度较大、聚类性较差的故障样本分类有较强的适用性。     

一种改进的基于pareto解的多目标粒子群算法

研究一种改进的多目标粒子群优化算法,算法采用精英归档策略,利用粒子的个体最优定位,通过Pareto支配关系更新全体粒子最优位置,由档案库中动态提供。根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的密度距离度量非劣解前端的均匀性,通过删除密度距离小的非劣解提高非劣解前端的均匀性。从归档中根据粒子的密度距离大小依照概率选取作为粒子的全局最优位置,以保持解的多样性。标准函数的仿真实验结果表明,所提算法能够获得大量且较均匀的非劣解,快速地收敛于Pareto最优解前端。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

混合粒子群算法优化BPNN在模拟电路故障诊断中的应用

针对模拟电路的软故障,提出一种基于混合粒子群算法的BP网络方法来诊断模拟电路中的故障。该方法是把遗传算法和粒子群算法结合起来优化BP网络的权值和阈值,试图解决传统的BP网络在模拟电路故障诊断过程中易陷入局部最小的问题。详细阐述了该算法的实现,给出了该算法的详细流程图,并通过仿真实例比较了传统BP网络与混合粒子群算法优化下的BP网络在故障诊断中的表现,给出了实验实例仿真结果的图形和数据表格。由仿真图形和数据表格,形象直观地看出了两种算法运用在模拟电路故障诊断中的差别,验证了混合粒子群算法优化BP网络在模拟电路故障诊断中的有效性及可行性。