基于层次分析法和粗糙集的变压器状态评估研究

针对变压器状态单一评价方法存在的不足和影响变压器性能的状态量错综复杂的特征,建立基于层次分析法和粗糙集的变压器状态评估模型。对变压器部件、状态量进行层次结构划分,借鉴专家经验并以层次分析法求得各部件、状态量的主观权重;结合变压器测试数据,运用粗糙集理论分析出各部件、状态量的客观权重;将主、客观权重进行优化组合,以反映各部件、状态量在变压器综合状态评估的权值。运用该模型对两台不同类型变压器的检修数据进行分析并得出变压器状态评价结果,将该结果与实际变压器检修状况对比,结果表明,此模型具有全面准确地评价变压器状态的能力。     

基于蜻蜓算法优化BP神经网络的燃气轮机故障诊断

为了提高燃气轮机故障诊断的准确率,提出了一种基于蜻蜓算法(Dragonfly algorithm,DA)和BP(Back Propagation)神经网络的燃气轮机故障诊断方法。针对BP神经网络容易陷入局部极值的问题,采用蜻蜓算法(DA)对BP神经网络的权值和阈值进行参数优化。仿真结果表明:基于蜻蜓算法的DA-BP神经网络的燃气轮机故障诊断准确率高达97.78%,训练误差为0.03%,与基于粒子群算法的PSO-BP故障诊断和标准BP算法的故障诊断相比,DA-BP模型诊断的准确率最高,训练误差最小。实例证明,采用DA-BP模型实现燃气轮机气路故障诊断具有良好的诊断速率和诊断准确率,具有一定的应用价值。     

基于区域生长法和BP神经网络的红外图像识别

针对变电站巡检机器人远程监控系统中红外图像识别存在的问题,提出一种基于改进区域生长法和BP神经网络的红外图像目标设备分割与识别的方法。利用最小二乘法拟合出红外图像中亮度与温度之间的线性关系,建立基于像素的图像温度场;根据设定温度范围确定区域生长法的种子点位置,利用Otsu法确定截屏窗口最优分割阈值,并结合灰度相似性阈值作为区域生长法的分割准则,实现该窗口目标设备精确分割;将分割出的设备二值图像的Hu不变矩作为设备形状特征向量,并对其进行不变性和类间区分度验证;采用引入附加动量法和自适应调整学习率的BP神经网络实现多种电气设备的识别,实验数据表明优化后的BP神经网络具有迭代收敛快,误差波动性小,分类准确度高等特点。     

一种自动阻抗匹配算法

阻抗匹配是射频系统中的重要组成部分,良好的阻抗匹配能够避免功率反射和优化射频源输出。针对梯度算法在自动阻抗匹配过程中的不足提出一种改进方法。介绍自动阻抗匹配器的系统结构,并对基于反射系数模的梯度信息的阻抗匹配算法进行讨论。对2种算法得到的结果进行比较,结果表明,该方法能够缩短匹配时间。     

STM32和LoRa的地下电缆在线监测系统设计

地下电缆电流大于载流量导致温度过高,容易引发故障,但受空间限制,难以监测.首先分析了电缆环境温度和载流量之间的关系,给出了动态载流量计算式,基于LoRa无线传输技术小尺寸、低功耗、低成本、远距离的优点,开发了基于STM32和LoRa的无线监测系统,给出了电缆在线监测系统原理和基于LoRa技术的链式监测系统拓扑结构.该系...     

基于新的广义粒子群方法的发电机组轴心轨迹提纯

针对发电机组等旋转机械轴心轨迹图的特点,结合案例提出一种新的广义粒子群思想,并将这一新的广义粒子群优化方法用于轴心轨迹提纯。将轴心轨迹图作为粒子群,建立粒子运动模型,阐述了广义粒子群方法的提纯和去噪机制,并给出了广义粒子群–模拟退火算法。通过转子振动试验平台上的模拟测试实例验证了该方法提纯轨迹的效果;对提纯后的轨迹图反演振动信号的分析表明,该方法去噪效果优于数学形态学滤波方法。该方法实现简单,是一种有效实现轴心轨迹提纯的新方法。     

基于GA-PSO-BP的发电机组故障诊断

介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传—粒子群算法(GA-PSO),解释了用于BP神经网络的参数优化过程。阐述了通过转子振动试验台上的仿真将GA-PSO-BP用于发电机组故障诊断的测试,表明GA-PSO-BP在训练速度及诊断准确率等方面优于传统BP及PSO-BP。     

含有用户自主选择行为分析的电价套餐设计策略

基于用户自主选择行为并趋优的特性,提出了一种新型的电价套餐制定策略。首先,采用K-means算法对电力用户负荷特性曲线进行聚类分析,生成各类典型的用户负荷特性曲线;构建效用模型及用户选择概率模型,以效用最大化确定不同用电习惯的用户选择套餐的概率。其次,制定基于CVaR的售电商成本与风险模型,并以用户自主选择行为和售电商成本与风险等作为约束,以售电商利润最大化为优化目标,建立了电价套餐定制模型。最后,结合算例验证所提出的电价套餐的合理性及可行性。     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

基于人工蜂群算法优化支持向量机的燃气轮机故障诊断

针对基于SVM(支持向量机)的故障诊断方法中支持向量机的参数难以选取导致诊断结果较差的问题,采用ABC(人工蜂群算法)对支持向量机的惩罚因子C和核函数参数σ进行优化;并构建了ABC-SVM(人工蜂群优化支持向量机)对燃机涡轮叶片故障进行诊断。诊断实例表明,该方法诊断准确率达到96. 43%,具有很好的诊断效果,为燃气轮机故障诊断提供了一种新的方法,具有实际应用价值。