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。