混合策略改进的减法平均优化算法

减法平均的优化算法(Subtraction-Average-Based Optimizer,SABO)是一种新的元启发式算法,具有参数少、易实现、结构简单等优点,为了进一步提高SABO算法性能,提出了一种混合策略改进的减法平均的优化算法(HSABO)。首先,在种群初始化时,通过引入Tent混沌映射,使初始化种群成员能够均匀分布;其次,在计算种群新个体位置时,加入了自适应惯性权重,提高了算法的局部搜索能力;最后,引入透镜成像反向学习策略,对新个体位置以一定的概率进行扰动变异,避免陷入局部最优,增强算法全局探索的能力。通过14个标准测试函数,对改进算法与其他优化算法进行测试比较。仿真结果表明,HSABO算法是可行有效的,相比于其他基本算法,其寻优精度和收敛速度都有了很大的提高。

基于SABO算法的PMSM弱磁和MTPA控制方法

永磁同步电机因其结构紧凑、噪声较少、功耗较少、运行速度快、操作稳定,已被普遍采用。针对永磁同步电机弱磁控制过程中,转速环参数选取采用传统PI(proportional-integral)控制方法,依靠经验整定参数,外界抗干扰能力较差、难以保证在各运行区间具有优良性能等问题,提出了一种基于减法平均优化算法的永磁同步电机的弱磁和MTPA(maximum torque per ampere)控制的宽运行范围方法。将智能寻优算法、MTPA控制、弱磁控制三者相结合,利用减法平均优化算法优化PI控制器的参数,提高了系统的响应性能和抗干扰能力;工作电压未超过电压极限圆使用MTPA控制策略运行;工作电压超过电压极限圆利用电压闭环反馈,进行弱磁控制。使用MATLAB/Simulink构建的永磁同步电机弱磁控制仿真模拟,通过PI控制器和减法平均优化算法优化后的PI控制器性能对比,从仿真结果得到控制器方法的有效性。实验有效证明了该控制方法能够解决各种运行工况下控制器参数的优化整定问题,提高电机控制精度。

基于改进SABO-BP算法的电网谐波预测

针对日趋严重的电网谐波污染亟需大量谐波数据支撑分析和治理及电网谐波监测能力不足的问题,提出一种改进减法平均优化(subtraction average based optimizer, SABO)算法优化反向传播(back-propagation, BP)神经网络实现谐波预测,以缓解当前谐波数据匮乏的问题。为了克服现有SABO算法易于陷入局部最优解,初始化时使用Logistic混沌映射替代随机数,同时迭代搜索中利用黄金正弦优化算法辅助SABO跳出局部最优,从而提高BP神经网络预测准确率。最后,以某省实际运行数据验证所提改进SABAO-BP模型在谐波电压畸变率及单次谐波电压含有率预测中均具有较高准确性。

基于SABO优化VMD与K-means++的机器人磨削颤振识别

机器人由于低刚度特性导致加工中极易产生颤振,针对颤振特征频率提取与颤振识别问题,提出基于减法平均优化算法(SABO)对变分模态分解(VMD)中关键参数进行优化,筛选颤振敏感IMF分量并重组;根据颤振信号的频谱特性构建基于功率谱熵差(ΔPSE)的颤振识别指标,采用K-means++算法对不同颤振类型进行辨识。实验结构表明,所提出的SABO-VMD-K-means++方法可以准确识别机器人磨削加工颤振类型,为机器人磨削颤振监测提供一定的指导。