基于SSA-BP神经网络的蓄电池SOC估计

蓄电池作为变电站直流电源的最后一道保护屏障,一个精确的蓄电池荷电状态(SOC)估计值极为重要。为选择一个精确,易实现的SOC估计方法,采用麻雀搜索算法优化的BP神经网络作为SOC估计模型。该方法具有BP神经网络高适应性、非线性映射能力等优点,同时解决了BP神经网络容易陷入局部最优解的问题。通过数据仿真验证,SSA-BP神经网络能够更加精确地进行蓄电池SOC值估计,具有更小的误差和更快的迭代速度。

基于改进RBF算法的蓄电池荷电状态估计研究

针对径向基神经网络在SOC预测过程中随机产生基函数中心和宽度的不稳定性导致预测精度不佳的问题,提出一种改进RBF的蓄电池SOC估计方法,以麻雀搜索算法优化RBF网络参数以提高网络预测精度。在DST工况仿真验证SSA参数优化的有效性,在US06和FUDS工况下,分别利用改进径向基神经网络、RBF、极限学习机与BP神经网络对SOC进行预测。对比分析结果表明,SSA RBF在SOC估计精度方面表现更优,将估计误差降低到2%以内,能够完成高精度的SOC估计,具有一定的理论研究意义与应用价值。

振动趋势判别云模型的故障诊断方法

在汽轮机故障诊断领域,序列数据的变化趋势能够反映振动过程中的运行状态和发展态势,是专家在诊断时经常使用的特征依据。由于汽轮机组本体因结构、工况等导致的故障样本多样性和稀缺性以及专家经验和定性描述相对丰富的诊断现状,提出了一种基于云模型的汽轮机振动时间序列趋势判别方法。通过总结专家经验和故障案例,结合不确定性云模型生成定性趋势的云参数评估模型;利用样本数据通过逆向云得到的云参数生成大量云滴,代入云参数评估模型计算趋势等级确定度;引入趋势判别决策树得到序列数据的定性描述。最后以某亚临界双排汽凝气式汽轮机为研究对象,验证了该方法的可行性和有效性。

基于模糊贝叶斯网络的汽轮机组故障诊断研究

针对汽轮发电机组结构高度耦合,故障诊断知识复杂,故障诊断过程需要不确定性推理的问题,提出了一种本体、模糊和贝叶斯网络(BN)三者结合的故障诊断方法。该方法首先利用本体理论建立汽轮发电机组故障诊断本体库,并通过建立规则将本体模型转化成BN结构;然后将Leaky Noisy-Or模型和模糊综合评价法结合获取条件概率表(CPT);最后,结合BN结构模型和CPT得到完整的汽轮发电机组诊断模型。实例验证结果表明,该方法应用在汽轮发电机组故障诊断中切实可行,具有较高的准确性。