基于SA-PSO的煤矿小功率电机故障诊断研究

小功率电机广泛应用于煤矿带式输送机辅机、水处理系统等场合。为准确诊断小功率电机运行过程中发生的常见故障,提出一种模拟退火粒子群优化(SA-PSO)算法优化最小二乘支持向量机(LSSVM)的故障诊断方法。首先利用RELAX算法剔除定子电流基波频率分量,然后使用小波包分解对信号进行分解和重构,选取重构后特定频带的能量值为特征信号,最后用SA-PSOLSSVM模型进行故障分类。实验结果表明,该方法在小功率电机故障诊断上有较好的诊断精度。

基于P-SA-PSO算法的概率积分法参数反演

针对目前概率积分法参数反演存在的问题,为了更加准确稳定地解算出概率积分法参数,在经典粒子群算法的基础上,引入自适应惯性权重以及模拟退火算法中的Metropolis准则,提出了一种基于P-SA-PSO算法的概率积分模型参数反演方法。论文通过仿真实验,与遗传算法(GA)、经典粒子群算法(PSO)以及加入自适应惯性权重优化的粒子群算法(P-PSO)进行对比分析,结果表明:新算法反演各参数的精确性、稳定性和收敛速度优于其他3种算法。将新算法引入工程实例中,进一步体现了新算法在反演概率积分模型参数上的可行性。

基于SA-PSO算法的潜器S面控制

潜器是一个多变量、高度非线性系统,对于这种特殊的控制对象,S面控制是一种简单实用的控制方法,但由于其不具备自学习能力,所以控制器参数需要人工调整。粒子群(PSO)算法可以用来处理S面控制器参数整定的问题,但PSO算法目前还存在着早熟收敛、易陷入局部极值等不足。针对此问题,引入模拟退火(SA)算法对PSO算法进行优化,提出模拟退火粒子群优化(SA-PSO)算法,此方法不仅实现了S面控制器参数的自调整,还提高了S面控制器参数整定的优化能力。最后,通过潜器的运动控制仿真试验,证实了该方法的可行性和优越性。

基于SA-PSO算法采摘机械臂参数优化

当前油茶果的采摘方式为人工采摘,采摘方式落后,采摘效率低,导致生产成本高,严重制约油茶产业的健康发展。为解决这一问题,实现油茶果机械化和自动化采摘,设计了一款振动式油茶果采摘机。油茶果采摘机工作过程中采摘机械臂的结构尺寸将会限制其工作的范围。为确保采摘机能高效率的采摘油茶果,对采摘机械臂进行参数优化,寻找最优参数。结合实地考察的结果,确定优化设计的变量为举升液压缸行程Sj、伸缩液压缸行程Ss、俯仰液压缸行程Sf,建立目标函数,确定约束条件。基于SA-PSO算法,对油茶果采摘机械臂进行结构参数优化,得到最优参数解:举升液压缸行程为Sj=154mm,伸缩液压缸行程为Ss=320mm,俯仰液压缸形成为Sf=166mm,为采摘机的优化设计了提供了理论数据支持。

SA-PSO在水火电混合电力系统电源规划中的应用

电源规划是电力系统电源布局的战略决策,在电力系统规划中处于十分重要的地位。其核心问题是要确定在规划期内随着负荷的增长,系统应在何时、何地、建什么类型、多大容量的电厂。由于其本身的的复杂性,用传统的优化方法求解需采取简化措施,寻求一个满足各种约束条件和可靠性指标及环保要求的最优电源建设方案,以满足系统负荷发展的需要。为此,提出一种粒子群算法与模拟退火算法结合的模拟退火粒子群算法,并将其用于求解复杂的、非线性的水火电混合电力系统(包含核电)电源规划问题。该组合算法在粒子群算法中引入了模拟退火算法成功的提高了基本粒子群算法的全局搜索能力。算例结果表明:该算法能可靠、快速的收敛到全局最优解,特别适合于大型电力系统的中长期电源规划。

基于SA-PSO的电力系统无功优化

粒子群优化算法是一种简便易行,收敛快速的演化计算方法。但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和模拟退火算法的思想,提出了一种新的模拟退火粒子群优化(simulated annealing particle swarm optimization,SA-PSO)算法,并将其应用于电力系统无功优化。对IEEE14节点系统进行了仿真计算,并与PSO算法作了比较,结果表明SA-PSO算法全局收敛性能及收敛精度均较PSO算法有了较大提高。

改进SA-PSO在系统误差配准中的应用

针对融合系统中系统误差未固定的情况,将模拟退火算法SA(Simulated Annealing)引入到改进的粒子群优化算法PSO(Particle Swarm Optimization)中来解决系统误差配准问题。该方法结合了改进PSO的全面、快速寻优能力和SA的概率突跳特性,解决了PSO容易陷入局部最优的缺点,也保证了群体的多样性,避免了种群的退化。仿真结果表明,改进的SA-PSO方法较PSO、GA方法在系统误差配准精度上得到了提高。

基于灰色关联分析与SA-PSO-Elman结合的地震直接经济损失评估

对地震灾害造成的损失进行评估是国家采取应急救援和灾后援建工作的重要依据。为快速评估地震灾害引起的直接经济损失,提出一种基于灰色关联分析与模拟退火-粒子群-Elman神经网络(SA-PSO-Elman)结合的地震灾害直接经济损失评估模型。该模型先采用灰色关联分析方法客观地选出地震灾害直接经济损失的主要影响因素,即为Elman神经网络的输入,然后将全局寻优能力强及收敛速度快的粒子群算法与能跳出局部极值的模拟退火算法相结合来优化Elman神经网络的权值和阀值,最后将训练好的Elman神经网络运用到地震灾害直接经济损失评估中。通过仿真试验结果表明:该混合算法优化的Elman神经网络模型比Elman神经网络模型和PSOElman神经网络模型具有更高的预测精度和收敛速度。

联合SA-PSO和PDA在传感器配准中的应用

对含有系统误差的测量进行配准是准确进行数据关联的前提.实际中,许多不确定性因素导致系统误差,使其演化模型难以建立,从而导致传统配准方法不再适用.为此,提出一种基于优化SA-PSO(simulated annealing particle swarm optimization)的配准算法.由于传感器监视空域经常受到杂波的影响,在利用SA-PSO优化算法对系统误差进行配准时,不仅要考虑外界因素所引发系统误差的不确定性问题,还要考虑目标多个量测的归属问题.基于此,提出一种联合改进退火粒子群优化和概率数据关联的算法SA-PSO-PDA(simulated annealing and particle swarm optimization and probability data association),它综合考虑系统误差的随机性、寻优的最佳化和目标量测的多样性.仿真结果表明了所提算法具有可行性,且能较好地寻优系统误差参数.

基于SA-PSO的配电网电容器优化配置

应用模拟退火粒子群优化算法(simulated annealing particle swarm optimization,SA-PSO)求解配电网电容器优化配置问题,在同时考虑系统有功损耗费用和补偿电容器购买、安装和维护费用的基础上,建立了相应的数学模型。为了改善算法摆脱局部极值点的能力,提高算法的收敛速度和精度,采用基于适应度值的动态阈值来控制实施局部搜索的粒子数目。将其应用到一个IEEE33节点配电网的电容器优化配置中,结果表明,模拟退火粒子群优化算法具有合理性和可行性。

基于SA-PSO算法的多电平逆变器半周期对称SHEPWM技术

针对逆变器输出波形半周期对称需求,分别建立逆变波形半周期奇对称和半周期镜对称两种情况下的SHEPWM技术数学模型,并通过MATLAB/Sirnulink仿真平台搭建级联H桥型7电平逆变电路,控制方法采用SHEPWM技术,寻优算法采用SA-PSO算法,通过仿真分析,可知逆变波形半周期镜对称条件下,逆变器输出线电压THD值更低,且不含偶次谐波,因此成为半周期对称SHEPWM技术更为理想的波形设定。

基于SA-PSO算法的多基地声纳水下目标初始位置估计

本文首先通过理论推导分析了利用多基地声纳发射端,声纳接收端以及双基地联合定位各自的水下目标测量误差,仿真结果表明联合定位得到的量测误差明显小于单个声纳的定位精度。其次,针对水下目标初始位置估计精度较低的问题,将模拟退火粒子群算法(SA-PSO)算法运用到双基地的水下目标初始位置估计,该算法基于初始时刻获取量测和估计量测的加权最小二乘原则估计目标的初始位置。仿真结果表明,该算法以少于60次的迭代次数收敛,并且初始位置估计误差略大于克拉美劳下界。

SA-PSO算法在CNN边缘提取模板设计中的应用

提出了一种用于边缘提取的细胞神经网络(CNN)模板的设计方法,该方法在基本粒子群算法的基础上引入模拟退火机制,形成模拟退火粒子群算法(SA-PSO)对模板参数值进行搜寻。在搜索过程中,用退火温度调节粒子的突跳概率,轮盘赌策略确定粒子的全局最优的替代值,这样能有效避免基本PSO算法容易陷入局部最优解的问题。同时,为了保证每轮搜寻产生的解均能使CNN网络稳定,用CNN反馈模板的研究结论对粒子群解空间进行约束。模拟实验表明,文章算法设计出的CNN模板有良好的边缘提取能力。

基于SA-PSO算法的异步电动机参数辨识

异步电动机等效电路参数的准确辨识对电动机的控制具有重要作用,同时,等效电路参数的变化可以反映电动机的运行状态,故参数辨识也被运用到电机故障诊断中。将现代最优化算法应用到三相异步电动机的等效电路参数辨识中。通过将粒子群优化算法(PSO)和模拟退火算法(SA)相结合,可以准确有效地对异步电动机的6个等效参数进行辨识,与遗传算法相比,SA-PSO算法易于实现且收敛速度快。算法采用考虑铁耗的异步电机d-q坐标系下的模型来实现,将温度对电阻参数的影响考虑在内。通过算例证明了算法能够有效地对电机参数进行辨识及跟踪电阻的变化。

SA-PSO优化边界最速跟踪微分器在光伏功率平滑中的应用

为了进一步减小光伏阵列并网的功率波动,本文提出了一种基于可变边界最速跟踪微分器的光伏并网功率平滑方法,并采用模拟退火粒子群算法优化边界参数。首先,根据可变边界理论构造广义可变边界最速跟踪微分器。随后,针对边界参数优化问题,本文提出基于短时间尺度波动率的适应度函数进行实时优化,提高了算法的平滑跟踪能力。以华东某地区光伏阵列为例,实验验证该策略比传统策略平滑效果更优越,功率的最大波动和平均波动分别降低了64%和16%,储能充放电能量减少了5%。

基于SA-PSO算法的主汽温控制系统参数优化研究

针对基本PSO算法本身存在着的对于离散的优化问题处理不佳,以及容易陷入局部最优等缺点,设计了一种引入线性递减权重机制与模拟退火算法(SA)思想的改进粒子群算法(SA-PSO),并将SA-PSO算法应用到火电厂主汽温控制系统的PID控制器参数整定中。MATLAB仿真实验结果表明:在62%,88%及100%3种不同负荷的工况下进行控制系统参数优化时,SA-PSO算法与基本PSO算法及传统Ziegler-Nichols参数整定法(Z-N法)相比,更加不容易陷入局部最优,提高了主汽温控制系统的控制品质。仿真实验的结果证明了SA-PSO算法的有效性以及在实际工业状况下的适用性。

基于SA-PSO优化自适应PNN网络的变压器故障诊断研究

概率神经网络中反映整个样本空间的平滑因子σ常以经验取值,缺乏足够的理论依据;对此提出一种自适应概率神经网络变压器故障诊断模型,针对作为自适应概率神经网络的激励函数的高斯函数,采用基于模拟退火思想的改进粒子群算法(SA-PSO)优化其平滑因子σ,从而提高概率神经网络诊断的识别率;通过搜集到92组故障数据进行仿真分析,其结果表明引入模拟退火过程后,粒子群算法的局部搜索能力得到了改善,并且使得SA-PSO算法优化下的自适应概率神经网络相对于单一PSO算法在变压器故障的诊断准确率上得到了较大程度的提高,从而保证变压器的安全可靠运行。

室内多消防水炮协同灭火任务规划研究

室内大空间消防系统通常采用多个固定式智能消防水炮组成水炮群进行灭火。为改善室内多消防水炮对多火源灭火效率,提出一种基于火灾损失代价和灭火时间代价的粒子群任务规划算法。首先,采用整数编码方式对粒子进行编码,一组编码对应一组任务分配解;然后,应用非线性自适应权重更新方法动态调整算法关键参数,提升算法性能。为避免陷入局部最优解,采用基于模拟退火的自适应粒子群算法,以一定概率接受差解,提高粒子多样性,帮助算法跳出局部最优。针对火源动态变化和灭火过程中新发火源,设计了一种分阶段任务规划策略,与所提算法结合可有效解决动态规划问题。实例仿真结果表明,该算法在寻优效率和结果稳定性方面优于标准粒子群算法和自适应粒子群算法,具有良好的应用价值。

基于PSO-SA算法的源项反演方法研究

针对大气污染事故突发时,事故发生点无法确定或人员不能接近的情况,研究了基于环境监测数据源项反演以获取事故源项数据的技术,设计实现了一种基于粒子群-模拟退火源项反演方法。采用自适应方法调整惯性权重系数,与高斯烟羽扩散模型结合,对事故源项数据进行反演。实验结果显示:在所选监测点监测数据的反演实验中,基于粒子群-模拟退火算法(PSO-SA)结合了两种算法的优势,能够获得与期望值较为符合的反演结果。进一步分析了监测点数据误差及监测点数量对反演结果的影响,并将文中方法与粒子群算法(PSO)进行对比,同等条件下,较粒子群算法精度提高了8%,能够快速实现对大气污染源强和位置的准确估计。

基于优化领先狼群算法的微震源定位研究

为分析不同启发式方法对求解微震源定位精度问题的影响,提出一种优化领先狼群算法。该算法在领先狼群算法的基础上,调整搜索步长和围攻步长两个参数,提高了在搜索过程中跳出局部最优解的能力。通过理论模型反演和工程数据分析,验证了优化领先狼群算法的有效性。与常用的粒子群算法和模拟退火算法两种启发式算法相比,优化领先狼群算法收敛更快,精度更高,受P波波速误差影响更小。该算法为智能启发式算法应用于微震源定位提供了新思路。