化工驱动系统中无刷直流电机转子监测研究

针对传统的监测电压或者电流信号的方法,由于电机静止时没有电压和电流产生而无法常规启动,以及容易对调速系统产生干扰的缺点,提出了直接利用电机的转速来确定转子的位置,该方法可以使调速系统进一步小型化,在较宽的调速范围内减小扰动,而且解决了无位置传感器无刷直流电机的启动问题。通过MATLAB仿真,验证了这种转子位置监测方法的可行性与优越性。     

基于EMD和小波变换的热网管道泄漏检测与定位方法

对基于声波检测的热网管道泄漏与定位方法进行研究,介绍了基于声波法的热网泄漏检测的实验设计方案与定位原理。利用基于MATLAB的小波函数和EMD分解对原始数据频率进行逐级分离,直至分离能够提取奇异点信息,以达到去噪和判定管道泄漏的目的。并将两种方法进行对比,得到优解。     

基于生物地理优化算法的神经网络故障诊断方法研究

将生物地理优化算法和BP算法相结合,提出一种基于生物地理神经网络的故障诊断方法。采用生物地理优化算法优化神经网络的连接权值和阈值,运用这种新型算法的高效优化性能改进了传统BP神经网络收敛速度慢、易陷入局部极小值的缺点。将优化好的神经网络应用于抽油机的故障诊断,通过仿真实验得出:生物地理优化算法训练神经网络是可行的,并且诊断结果具有良好的有效性和准确性。     

基于粒子群进化算法的电力系统状态估计研究

加权最小二乘法是状态估计的常用方法,但在实际应用中经常会遇到算法发散的问题。为了解决这个问题,提出将改进的粒子群进化算法应用到状态估计当中,使加权最小二乘法的收敛性得到了很好的改善。结合IEEE5节点系统,给出了粒子群进化状态估计计算的三点注意事项。经试验得出,对量测点数为16的系统而言,计算时间在50 s左右,量测点数为30的系统的计算时间在3 min左右,量测点数为80的系统,其计算时间在15 min左右。这种算法可以应用在离线状态估计上。     

小波去噪在油井动液面检测中的应用

为了检测油井动液面深度,采用FFT方法对动液面信号进行频谱分析,根据其结果设计滤波器,得到较平滑的动液面波。为了进一步提高检测效果与精度,引入小波去噪方法对动液面信号处理,分别采用软阈值与硬阈值方法对其进行降噪处理,并与FFT方法对比,通过SNR和RMSE的定量分析表明,小波去噪方法在SNR和RMSE方面都优于FFT方法,具有更好的降噪效果。     

用神经网络预测孔隙度和渗透率

若要对洛带地区某些井区的参数值进行预测计算并加以讨论,需要应用已经建立的网络模型。以35井的10个点为例,用PSO算法和BP算法计算出结果之后,再与岩心分析值各自进行比较,能明显地看出基于PSO网络的预测结果和岩心分析值的关系更加吻合。从相对误差上来看,孔隙度逐点对应的PSO算法的相对误差要普遍小于BP算法的预测结果,因此PSO算法在总体上要比BP算法好。     

基于改进VMD的岩石破裂声发射信号滤波算法

在岩体损伤演化的过程中会释放出带有大量信息的声发射(Acoustic Emission,AE)信号,针对AE信号的非平稳性和非线性等特点以及在采用变分模态分解(Variational Mode Decomposition,VMD)算法对岩石AE信号去噪时分解参数K和惩罚因子α难以确定的问题,将VMD算法应用于岩石破裂AE信号滤波中,对岩体AE信号进行预处理,利用Tent混沌优化的麻雀搜索算法(Sparrow Search Algorithm,SSA)对VMD算法的参数K和α进行优化搜索,其适应度函数为包络熵最小值。之后根据搜索结果来确定VMD的分解参数K和惩罚因子α,并利用优化后的VMD对岩石破裂AE信号进行滤波。经仿真和实验分析可知,Tent-SSA的优化速度和优化精度较为优越,Tent-SSA-VMD的滤波效果优于常规滤波算法。     

基于改进遗传算法的模糊控制器设计

针对模糊控制器的隶属度函数和模糊控制规则的选取及优化缺乏自学习能力与知识采集的手段,以及遗传算法具有自适应、启发式、概率性、迭代式全局收敛的特点,该文章将遗传算法与模糊控制相结合,给出了一种基于改进遗传算法的模糊控制器设计策略.改进算法引入了分裂算子来避免遗传算法在寻优过程中陷入局部最优解,同时对编码方式、选择算子、交叉算子以及变异算子做了相应的调整与改进.并将此改进算法用于优化模糊控制器的隶属度函数与模糊控制规则.仿真结果表明用该改进算法优化后的模糊控制器较用普通遗传算法优化后的模糊控制器具有更好的控制性能.     

基于深度强化学习的多阶段信息物理协同拓扑攻击方法

随着智能电网的发展及通信设备不断引入到信息物理系统(cyber physical system,CPS)中,CPS正面临一种破坏性更强的新型攻击方式——信息物理协同攻击(coordinated cyber physical attack,CCPA),其隐蔽性与威胁性易导致系统出现级联故障。首先,基于攻击者的视角,提出一种多阶段信息物理协同拓扑攻击模型,单阶段的物理攻击使线路中断,双阶段的网络攻击分别用来掩盖物理攻击的断开线路和制造一条新的虚假断开线路。其次,结合深度强化学习(deep reinforcement learning,DRL)理论,提出一种基于深度Q网络(deep Q-network,DQN)的最小攻击资源确定方法。然后,给出攻击者考虑上层最大化物理攻击效果和下层最小化攻击代价的具体模型及求解方法。最后,以IEEE 30节点系统为例,验证了所提多阶段攻击模型的有效性。仿真结果表明,多阶段信息物理协同拓扑攻击较单一攻击更加隐蔽且有效,对电网的破坏程度更大,为防御此类攻击提供了参考。     

改进粒子群算法在无功优化中的应用

针对电力系统无功优化的特点,本文提出以有功网损最小为目标函数,以负荷节点电压质量和PV发电机节点无功出力为罚函数．以有功功率和无功功率为约束条件的数学模型,并应用改进的粒子群算法对无功优化问题进行求斛。该算法在权重系数和不活动粒子两方面进行改进,有效地解决了进化过程中陷入局部最优和搜索精度差的缺点。最后,将改进后的粒子群算法应用于IEEE14节电力系统进行无功优化算例分析,仿真结果验证了该算法解决电力系统无功优化问题的有效性和可行性。