排序方式: 共有25条查询结果,搜索用时 0 毫秒
11.
12.
电力用户的负荷分类为电力系统和电力部门的系统规划、负荷预测、分时电价等研究提供了基本的指导工作。利用基于变分模态分解(variational mode decomposition,VMD)和模糊C均值聚类算法(fuzzy C-means,FCM)实现电力负荷的分类研究,针对FCM中欧氏距离的特征权重唯一的问题,利用基于特征加权的模糊聚类方法,提出基于特征加权的VMD-FCM聚类算法。根据电网实测负荷数据,VMD算法可对数据的固有模态有效分解,结合FCM算法引入的权重系数,显著提高了算法收敛速度和聚类准确度。对聚类结果分析表明:所提VMD-FCM聚类方法能够有效区分不同负荷类型,具有实际应用价值,从而为电力系统的设计规划提供指导作用。 相似文献
13.
14.
高频锁相激光干涉仪技术纳米定位系统 总被引:1,自引:1,他引:0
提出了一种基于高频相移电子电路驱动的压电陶瓷执行器和外差式迈克尔逊激光干涉仪的纳米位置控制方法,该方法结合双轴机械传输导轨组成了高精度大量程纳米定位系统.系统实现步长为4.945 nm的直线位移,步长的相对不确定度为1.6×10-9,1μm行程误差重复性为0.1 nm,5 mm往返行程误差重复性为0.4 nm.该方法对纳米技术与计量界在纳米刻度上的操作控制都是很有用的. 相似文献
15.
详细阐述了用于纳米定位的偏振激光干涉仪的原理,并介绍了基于该偏振仪的纳米定位控制方法.该方法已由实验论证,实验位移系统的最小步长实测值为5 nm.并对系统的最小位移步长、重复性和分辨率做了详细的分析,在系统环境控制条件下适用于毫米行程位移,可应用于纳米计量和纳米加工. 相似文献
16.
针对压电纳米定位台的低阻尼谐振振动,设计了一种基于递归结构的正位置反馈控制器(RPPF)的闭环控制方法。利用激励信号输入平台进行系统辨识并使用零极点对消方法简化三阶系统,对闭环特征方程使用费拉里法求解。针对控制器参数较多,极点配置不够准确等问题,利用飞蛾扑火算法对RPPF控制器进行参数配置。实验结果表明,与正位置反馈控制器(PPF)相比,递归正位置反馈控制器(RPPF)将三阶压电纳米定位台的闭环带宽从531Hz提升到663Hz,且50Hz三角跟踪的最大绝对误差和均方根误差分别降低了30.12%和26.47%,具有更好的跟踪速度和精度。 相似文献
17.
介绍了"工控软件及其应用"课程建设中,在教师队伍建设、改进教学方法和教学手段、实践环节建设、考核体系改革等方面的一些探索与实践,并在课程中予以实施,取得了较好的教学效果。 相似文献
18.
针对压电陶瓷的动态迟滞非线性,研究了基于Duhem逆模型前馈补偿的滑模自适应控制策略。首先,利用多项式逼近Duhem模型中的未知分段函数f(.)和g(.),采用递推最小二乘法进行系统辨识,并求取逆模型,将其作为前馈控制器,考虑压电陶瓷迟滞非线性随输入信号频率变化,且难以完全抵消,模型参数存在不确定性等问题,设计一种自适应滑模控制律。利用Lyapunov稳定性定理及仿真实验证明了该控制律可以使系统全局渐进稳定。最后,进行了压电陶瓷迟滞补偿实验和位移跟踪实验。实验结果表明,前馈逆补偿控制下的压电陶瓷位移迟滞量减小了96.1%,与直接控制相比,前馈逆补偿控制下位移跟踪的最大绝对误差减小了27.0%,平均绝对值误差减小了17.9%,具有更好的跟踪精度和动态性能。 相似文献
19.
电网运维人员主要根据用电信息采集系统采集到的巡检数据对电能计量装置进行人工异常检测。针对人工诊断存在的漏报、误报、判断标准不一、准确度低等问题,文章提出一种天牛须搜索算法(beetle antennae search)和粒子群算法(particle swarm optimization)结合的天牛群算法(beetle swarm optimization),并将其用于优化BP神经网络(back propagation neural network)电能计量装置异常诊断模型。文章利用天牛群算法迭代寻优BP神经网络权阈值,根据诊断准确率对天牛群算法优化性能进行评价,并和粒子群优化的BP神经网络模型诊断结果进行对比。实验分析表明,天牛群算法优化的BP神经网络模型对于电能计量装置的异常诊断具有更高的准确度以及稳定性。 相似文献
20.
测量精度一直是影响车辆动态称重系统有效可靠性的主要因素。针对车辆动态称重系统测量精度较低这个问题,提出了一种基于鲸鱼优化(Whale Optimization Algorithm, WOA)算法和模拟退火(Simulated Annealing, SA)算法混合优化的BP神经网络(Back Propagation Neural Network)动态称重模型。首先,简单介绍了动态称重系统的结构和原理。然后,通过小波变换对动态称重系统的采样信号进行过滤重构处理,经过计算得到的动态车重、车速和轴数作为BP神经网络模型的输入参数。其次,建立了一个由WOSA算法优化的BP神经网络来预测实际车辆总重和轴重。最后,比较了WOSA算法优化的BP神经网络模型的预测能力并得出结论。仿真结果表明,WOSA-BP车辆动态称重模型收敛速度快,精度高,最大总重的相对误差为0.58%,最大轴重相对误差为6.73%。 相似文献