采用BBPSO优化SVM的电机定子故障诊断

为了准确识别感应电机定子匝间短路故障,该文提出一种基于骨干微粒群算法优化支持向量机的故障诊断方法,并给出了可行的诊断步骤。该方法首先利用小波包频带能量分解技术,将定子电流信号的各频率分量分解到不同频带,形成感应电机运行状态的特征向量,并以此作为支持向量机的输入向量。采用支持向量机进行分类,并利用无需设置控制参数的骨干微粒群算法和交叉检验优化模型参数,避免了参数选择的盲目性。最后试验结果表明,该方法诊断感应电机定子匝间短路故障能取得良好的效果。

基于GPU的BBPSO-PF算法及其在故障检测中的应用

针对粒子滤波算法在重采样环节出现粒子贫乏导致算法精度不高的问题,通常采用在状态估计过程中增加粒子数量,但这种方法会降低算法实时性,提出了基于图形处理单元(GPU)的骨干粒子群算法优化粒子滤波算法。首先利用骨干粒子群算法优化粒子滤波重采样,解决了粒子贫化的缺点。利用骨干粒子群算法中粒子群体之间相互独立运行的特点,在GPU上并行实现骨干粒子群优化的粒子滤波算法,解决粒子滤波算法在重采样过程中因数据关联而无法充分并行计算的问题。最后,将其应用到变桨距系统的故障检测中,提高故障检测的准确度和实时性。实验结果表明:该方法相较于随机重采样的粒子滤波算法误差降低了31.2%,实时性提高了82.7%。

骨干粒子群算法两种不同实现的优化特性

总结了骨干粒子群算法(BBPSO)的一般形式,指出决定BBPSO算法本质的4个要素.BBPSO在实施中,粒子不同维度采用的随机变量值相同或不同,这将导致算法的特性及适合的优化对象不同.记相同的为I型实现,不同的为II型实现,通过实验指出2种实现的差别:I型实现有各向同性的优点,但是粒子多样性差;II型粒子多样性更优,但各向异性,使用高斯、柯西、指数和均匀分布形式的II型BBPSO都倾向于沿坐标轴寻解.从理论上分析了这些差别的成因,指出I型实现总体性能较差,只适合优化梯度变化明显的单峰函数;II型实现总体性能较好,擅长求解峰的方向平行于坐标轴的单峰或多峰函数.

组合核支持向量机在放电模式识别中的优化策略

传统的单一核函数SVM无法实现局部放电中的多特征空间向量的映射分类,且目前SVM大都采用不同尺度的径向基函数作为核函数,核的调整空间较为有限,无法针对不同特征空间的放电参数达到普适的效果。针对上述问题,本文提出一种基于多分组特征的组合核多分类SVM的局部放电识别方法。该方法首先完成多类特征空间在不同类型SVM核函数中的映射分类,再采用骨干粒子群(BBPSO)优化方法选取最佳核参数,并求解核函数权值系数,最终形成最优核函数组合分类模型。实验结果表明,该方法对多个特征空间数据具有普适性,且融合效果理想,分类精度高于误差反向传播神经网络(BPNN)和SVM识别方法。

并行协作骨干粒子群优化算法

为解决骨干粒子群优化(Bare-Bone Particle Swarm Optimization,BBPSO)的早期收敛问题,本文通过粒子的运动行为分析了导致BBPSO早期收敛的因素,并提出并行协作BBPSO,该算法采用并行的主群和从群之间的协作学习来平衡勘探和开采能力.为了增强主群的勘探能力,提出动态学习榜样策略以保持群体多样性;同时提出随机反向学习机制以实现从群的从全局到局部的自适应搜索功能.在14个不同特征的测试函数上将本文算法与6种知名的BBPSO算法进行对比,仿真结果和统计分析表明本文算法在收敛速度和精度上都有显著提高.

基于核模糊聚类的动态多子群协作骨干粒子群优化

针对骨干粒子群优化(BBPSO)算法易陷入局部最优、收敛速度低等问题,提出了基于核模糊聚类的动态多子群协作骨干粒子群优化(KFC-MSBPSO)算法。该算法在标准骨干粒子群算法的基础上,首先,采用核模糊聚类方法将主群分割为多个子群,令各个子群协同寻优,提高了算法的搜索效率。然后,引入非线性动态变异因子,根据子群内粒子数以及收敛情况动态调节子群粒子变异概率,通过变异的方式使子群粒子重新回到主群,提高了算法的探索能力;进一步采用主群粒子吸收策略与子群合并策略加强了主群与子群之间、子群与子群之间的信息交流,提高了算法的稳定性。最后,利用子群重建策略,结合主群与子群搜索到的最优解,调节子群重建的间隔代数。通过Sphere等6个标准测试函数进行对比实验,结果表明,KFC-MSBPSO算法和经典BBPSO算法以及反向骨干粒子群优化(OBBPSO)算法等改进算法相比寻优准确率至少提高了约11.1%,在高维解空间内测试结果的最佳均值占到83.33%并且具有更高的收敛速度。这说明KFC-MSBPSO算法具有良好的搜索性能与鲁棒性,可应用于高维复杂函数的优化问题中。

基于双态二进制粒子群优化算法的配电网故障定位

针对二进制粒子群算法在复杂配电网故障定位时易出现早熟收敛情况,本文提出一种双态二进制粒子群优化算法。通过引入进化因子,把粒子群分成捕食状态和探索状态两个部分,让陷入或即将陷入局部极值的粒子跳出来进行全局搜索。构造故障定位的评价函数,以33节点配电网为例,在故障信息完整和部分畸变的情况下,用该算法与二进制粒子群算法分别对配电网中的单点故障定位和多点故障定位进行仿真分析,结果验证了该算法的高效性和高容错性。

求解动态优化问题的多种群骨干粒子群算法

针对动态优化问题(Dynamic Optimization Problem,DOP)中所面临的过时记忆和多样性丧失的挑战,提出了一种改进的多种群骨干粒子群优化算法(Multi-swarms Bare Bones Particle Swarm Optimization,MBBPSO)。通过设置环境勘探粒子及时检测环境的变化,避免了错误信息误导种群的进化方向;环境改变后,利用上一个环境搜索的信息初始化新的种群,提高MBBPSO快速追踪到当前环境的优秀解的能力;当种群陷入停滞时,采用新的进化方程以加强粒子的活性和多种群策略维持群体的多样性。仿真实验表明,MBBPSO在解决动态环境问题中具有较强的竞争力。

基于小波变异本质粒子群和模糊熵的图像分割

针对本质粒子群(BBPSO)算法存在易陷入局部最优以及过早收敛的缺点,提出了一种基于小波变异(WM)BBPSO(WMBBPSO)和模糊熵的图像分割算法,利用WMBBPSO搜索使图像模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值。通过与其它两种BBPSO算法的分割结果比较表明,该算法取得了令人满意的分割结果,算法运算时间较小,能够满足对煤尘浓度实时精确测量的要求。