基于油中溶解气体分析的变压器故障预测

预测变压器潜伏性故障对评估其健康状态至关重要。提出一种新型变压器故障预测方法,首先以LSTM网络为载体搭建时间注意力机制预测框架,并采用IALO算法优化其参数;其次利用优化的模型预测变压器油中溶解气体;然后采用MPA算法优化的SVM模型对气体预测结果进行故障诊断;最后统计诊断结果并与实际运行状态对比验证模型。实验结果显示在第42~58天内运行状态异常次数最多为29次,未来两个月内运行异常几率为86.89%,其中中温过热故障占比最高为88.67%,与实际情况误差仅为2.46%和1.29%,预测结果与实际运行情况符合较高,证明了所提方法在准确预测变压器运行状态异常时间点和故障类型中的可行性。

光伏电站短期功率区间预测

为了解决因天气因素导致的光伏出力预测不确定性和随机性问题,更好地量化光伏出力预测偏差的波动范围。提出了基于自适应噪声的集合经验模态分解(CEEMDAN)-排列熵(PE)和改进的蚁狮算法(IALO)优化核极限学习机(KELM)的光伏发电功率区间预测模型。利用CEEMDAN将历史功率信号分解为多个模态函数(IMF)分量,然后,计算各IMF的熵值,相近的熵值重新组合新序列。借助采用IALO调整输出层权重的KELM网络建立预测模型,对各序列进行区间构造并根据区间预测偏差调整区间模型,再叠加区间预测结果。以实际数据为算例,将组合预测模型与IALO-KELM模型和粒子群算法-反向传播算法(PSO-BP)模型进行对比实验。结果表明,CEEMDAN-PEIALO-KELM模型的区间预测结果准确性和可靠性更高。

基于IALO-SVR的锂电池健康状态预测

健康状态(SOH)预测作为锂离子电池管理系统(BMS)的关键功能之一,对于保证电池安全可靠运行、降低电池系统维护成本具有重要意义。为了提高锂电池SOH预测精度,提出一种基于改进的蚁狮优化算法和支持向量回归(IALO-SVR)的SOH预测方法,首先从电池充电数据中提取与电池容量相关的特征因子并进行相关性分析,选取相关度高的3个作为模型特征输入,再导入样本数据,通过改进的蚁狮优化算法(IALO)对SVR模型的关键参数进行寻优,建立最终预测模型。在NASA公开数据集上与现有的遗传算法-支持向量回归(GA-SVR)和改进粒子群算法-支持向量回归(IPSO-SVR)进行对比实验,结果表明IALO-SVR方法拥有更高的预测精度与拟合度,预测误差基本保持在1%以内,验证了预测方法的可行性。

基于IALO-HBP神经网络的超宽带滤波器逆向建模方法

针对双陷波超宽带滤波器使用后向传输(BP)神经网络逆向建模存在精度较低、收敛慢、稳定性不强等问题,提出一种用改进的蚁狮算法(IALO)结合Huber函数优化BP神经网络逆向建模的方法。该方法通过将边界收缩因子连续化,引入动态更新系数以及加入柯西变异来实现对蚁狮算法的改进,并用改进的蚁狮算法优化正向模型的权值,加快建模速度,然后使用Huber函数作为神经网络的评价函数,提高了模型的精度和稳定度。将此方法用于双陷波超宽带滤波器中,实验结果表明,对比BP逆向建模方法,此方法求得的长度、宽度和频率均方误差分别减小了97.44%、99.43%和96.15%,平均运行时间缩短了66.01%,解决了逆向建模的多解问题,提高了设计滤波器的速度和精度。