检索结果-南通市图书馆

维普期刊数据库博看期刊

基于卷尾猴搜索算法的永磁同步电机速度控制系统

在线全文

学校读者我要写书评

暂无评论

北华大学学报（自然科学版） 2024年第4期25卷 552-560页

作者：李亚鹏杨苹刘业成柳成北华大学电气与信息工程学院吉林吉林132021

针对永磁同步电机(Permanent magnetic synchronous motor, PMSM)在工业应用中抗扰动能力不足的问题,提出一种卷尾猴搜索算法(Capuchin search algorithm, CapSA)用于优化线性自抗扰控制器(Linear active disturbance rejection control, LADRC)参数(CapSA-LADRC)。采用LADRC控制器替代PI控制器;利用CapSA算法整定LADRC参数,使其超调明显减小、抗扰动能力增强、系统稳定性增强;通过Matlab仿真对比分析PI控制器、LADRC控制器、CapSA-LADRC控制器的控制效果。仿真结果验证了CapSA-LADRC的收敛性和有效性。

关键词：永磁同步电机线性自抗扰卷尾猴搜索算法

维普期刊数据库

基于MVMD-CapSA-DBN的工业多元负荷分类研究

在线全文

学校读者我要写书评

暂无评论

河南师范大学学报（自然科学版） 2023年第3期51卷 123-130页

作者：周孟然张易平汪胜和马金辉高博胡锋朱梓伟汪锟刘宇安徽理工大学电气与信息工程学院安徽淮南232001 国网安徽省电力有限公司合肥230001

针对多元电力负荷数据时间序列非平稳性、时序相关性和非线性等特性,为掌握电力负荷的变化规律和发展趋势,实现对电力负荷的科学管理,将工业多元负荷有功功率作为原始数据,提出MVMD-CapSA-DBN负荷分类模型.首先,利用改进停止准则的变分... 详细信息

针对多元电力负荷数据时间序列非平稳性、时序相关性和非线性等特性,为掌握电力负荷的变化规律和发展趋势,实现对电力负荷的科学管理,将工业多元负荷有功功率作为原始数据,提出MVMD-CapSA-DBN负荷分类模型.首先,利用改进停止准则的变分模态分解(Variational Mode Decomposition,VMD)将数据分解,得到较为平稳的多个数据分量;之后,提取各分量能量值作为特征;最后,将0~1标准化的数据作为特征向量,输入经卷尾猴搜索算法(Capuchin Search Algorithm,CapSA)优化参数后的深度置信网络(Deep Belief Nets,DBN)信号分类.实验证明,可实现对工业多元负荷数据的有效分类,整体准确率在88.89%左右,部分负荷分类准确率可达100%.

关键词：电力负荷负荷分类变分模态分解深度信念网络卷尾猴搜索算法

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于CapSA-VMD的螺母质量判定方法

电子测量技术 2023年第23期46卷 135-145页

作者：张宁涛杨永杰孙柳萌南通大学信息科学技术学院南通226019

当数控伺服压力机压装定位螺母时,需要依据采集的数据信号对其进行质量判定,而数据信号极易受复合噪声的影响从而导致螺母误判。针对在复合噪声干扰下信号包络特征难以提取且VMD中参数难确定问题,提出一种结合卷尾猴搜索算法优化VMD参数... 详细信息

当数控伺服压力机压装定位螺母时,需要依据采集的数据信号对其进行质量判定,而数据信号极易受复合噪声的影响从而导致螺母误判。针对在复合噪声干扰下信号包络特征难以提取且VMD中参数难确定问题,提出一种结合卷尾猴搜索算法优化VMD参数,有效重构数据信号的方法。首先,选取MCCI为目标优化函数。其次,对复合信号进行自适应模态分解,借助排列熵算法和相关系数筛选出含噪低的分量进行信号重构。然后,以模拟和实测信号为样本,借助RMSE、SNR的具体数值做客观对比,分别经EMD、CEEMDAN、CapSA-VMD方法的重构信号做直观对比。结果表明,CapSA-VMD分解后不含虚假分量,去噪效果显著优于另外二者,螺母质量检测的准确率高达97.8%,研究结果可为压装定位螺母的复合信号去噪,提高包络线阈值判定准确率提供有益的参考。

关键词：卷尾猴搜索算法 VMD 排列熵相关系数信号重构包络线阈值判定

维普期刊数据库

基于油中溶解气体分析的电力变压器智能故障诊断研究

在线全文

学校读者我要写书评

暂无评论

基于油中溶解气体分析的电力变压器智能故障诊断研究

作者：马世峰河北科技大学

学位级别：硕士

电力变压器在电力系统输配电过程中有着至关重要的作用,其运行状态直接影响电力系统供电的安全可靠性。对电力变压器进行潜在故障的准确识别,降低故障引发的经济损失和危害,是电气工程领域长期以来的热点研究方向。在电力变压器故障诊... 详细信息

电力变压器在电力系统输配电过程中有着至关重要的作用,其运行状态直接影响电力系统供电的安全可靠性。对电力变压器进行潜在故障的准确识别,降低故障引发的经济损失和危害,是电气工程领域长期以来的热点研究方向。在电力变压器故障诊断中最为广泛应用的方法是油中溶解气体分析,但基于油中溶解气体的传统故障识别方法诊断精度较低,且存在边界过于绝对和编码不完备的局限性。本文在分析现有电力变压器故障诊断方法的基础上,将传统方法和人工智能方法结合来实现电力变压器的故障诊断,对电力系统的安全稳定运行有着关键的理论和实际应用意义,主要工作内容如下:(1)对电力变压器故障时与其产生的特征气体间的映射关系进行总结,结合无编码比值等传统方法,通过对收集的电力变压器油气数据进行特征处理,减少模型输入的冗余特征并提升模型的诊断速度,得到与电力变压器故障时关联性更强的油气特征。(2)针对现有故障诊断方法精度差,模型泛化性能不足的问题,建立了基于正则化极限学习机和核极限学习机的电力变压器故障诊断模型,改善了模型训练的过拟合问题,实验结果表明,故障诊断精度得到了进一步提升。(3)由于所构建分类模型超参数对实验结果有显著影响,针对于此,将卷尾猴搜索算法与萤火虫改进麻雀算法引入模型当中,对极限学习机的输入层权值和隐含层偏置进行参数优选,有效避免了模型陷入局部最优解的问题,提升了模型的稳定性。(4)将传统电力变压器故障诊断方法中的BP神经网络、概率神经网络、极限学习机等模型与遗传算法等传统优化算法优化极限学习机等模型进行了对比实验。实验结果表明,Cap SA-RELM与FASSA-KELM的整体性能优于传统的分类模型,故障诊断精度有所提升,模型的泛化性和稳定性得到了改善,故障诊断精度的浮动误差较小。

关键词：电力变压器故障诊断正则化极限学习机核极限学习机卷尾猴搜索算法萤火虫改进麻雀算法