基于TF-NGO算法的CFB锅炉床温系统建模研究

床温是循环流化床(CFB)锅炉重要的运行参数之一。针对床温耦合性强、干扰因素多、控制复杂的问题,亟需建立床温的数学模型,以实现床温控制,从而保证CFB锅炉安全、平稳地运行。为此,首先引入了混沌映射、切线飞行(TF)和柯西变异策略改进北方苍鹰优化(NGO)算法,并用实际工况的系统模型测试TF-NGO算法。测试结果表明,TF-NGO算法拥有更快的收敛速度和更高的寻优精度。其次,采集并预处理山西某电厂350 MW超临界CFB锅炉的现场运行数据。最后,采用TF-NGO算法对所建模型的参数进行辨识,并用实际工况数据进行模型验证。辨识和验证结果表明,由TF-NGO算法辨识的床温模型与实际输出拟合度高,能有效反映床温的动态特性,证明所建模型的有效性。该研究为后续对350 MW超临界CFB锅炉床温的优化控制研究奠定了基础。

多策略改进的NGO算法在大坝参数反演中的应用

为解决混凝土坝参数优化反演存在的问题,包括寻优性能不佳、精度不足和效率低下等,提出了一种基于多策略改进北方苍鹰算法(MSNGO)的混凝土坝参数优化反演策略。首先,采取多个策略改进北方苍鹰算法,以提高原始算法的寻优能力。接着,结合有限元正分析,构建计算与实测值之间合适的目标函数,利用MSNGO构建智能优化反演模型,并通过并行策略提高反演效率,搜索得到参数反演最优值。通过两个算例对该方法进行验证,并与基准优化算法比较计算结果。结果表明,MSNGO反演策略比其他优化算法收敛速度快、且能跳出局部极值使反演参数结果更为准确,测点计算值与实测值有良好的吻合度,表明该智能优化方法可在混凝土坝参数反演的实际问题中进行应用。

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年~2021年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明,EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快,精度最高,预测结果最接近实测值,其决定系数R^(2)为0.8643。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测,在气温上升1℃,降水不变的情景下,年径流量将增加6.61%;在降水升高5%,气温不变的情景下,年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下,年径流量将增加22.16%。

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解(variational modal decomposition, VMD)搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与长短时记忆神经网络(long short-term memory, LSTM)的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization, NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明:该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。

基于NGO-VMD-HHT的电缆局部放电信号特征量提取方法

电缆的局部放电量可以在很大程度上反映出电缆设备的绝缘状态,针对在电缆局部放电检测过程中,局部放电特征信息提取较为困难、提取准确性低等问题,提出基于北方苍鹰优化算法(NGO)-变分模态分解(VMD)-希尔伯特-黄变换(HHT)的特征提取方法。首先利用NGO迭代寻找在进行VMD时需要设置的最佳分解参数,得到最优分解层数与惩罚因子;然后通过VMD对采集到的信号数据进行分解,得到多个基于最优分解参数的模态分量;最后利用希尔伯特边际谱理论分析信号的频谱特性,再结合信号的统计特征与熵特征构建局部放电信号的特征量集合。实验结果表明,所提基于NGO-VMD-HHT的电缆局部放电特征提取方法能够有效分解局部放电信号并构建相应特征量集合。

基于改进北部苍鹰算法的垂直斗式提升机减速器优化

垂直斗式提升机是一种固定装置的机械输送设备,具有输送能力强、提升高度高、运行平稳可靠、寿命长等优点。减速器是垂直斗式提升机的关键部件,为高效获得减速器的最优解,提出一种冲刺决胜策略改进的北部苍鹰优化算法。采用压力容器和悬臂梁两个经典非线性约束工程算例对改进北部苍鹰算法进行性能验证,结果表明,改进北部苍鹰算法具有良好的收敛速度。在此基础上,对垂直斗式提升机减速器进行优化设计,结果减速器的中心距由初始的720 mm减少为680.16 mm,减少了5.33%。说明改进北部苍鹰优化算法可以作为一种高效的优化算法求解实际工程问题。

多策略协同优化的北方苍鹰优化算法及应用

针对北方苍鹰优化算法(Northern Goshawk Optimization algorithm,NGO)存在寻优精度低、收敛速度慢及易陷入局部最优值等问题,本文提出多策略协同优化的北方苍鹰优化算法(BLONGO)。首先,使用最优个体引领策略提高算法的收敛速度与精度;同时,采用增强莱维飞行策略避免种群个体陷入局部最优值;其次,使用小孔成像策略对当前最优值进行扰动,增加种群多样性,进而提升算法寻优精度。通过10个基准测试函数、Wilcoxon秩和检验寻优对比,验证改进算法在寻优精度、收敛速度及鲁棒性上得到了提升。最后,引入2个工程优化问题,进一步说明BLONGO在解决实际工程问题时的有效性与可行性。

基于改进北方苍鹰优化算法的多阈值图像分割

多阈值图像分割是一种简单、准确、高效且普遍的图像分割方法,相比单阈值图像分割更适用于包含大量信息的彩色图像。在多阈值图像分割中,随着阈值数量的增加,传统的枚举法计算量增大,分割一幅彩色图像不仅需要更多的时间,而且分割精度也随之降低。提出一种基于改进北方苍鹰优化(INGO)算法的多阈值图像分割方法。利用立方混沌优化与透镜成像反向学习策略增加种群多样性,在优化初始解的同时扩大种群搜索范围,使INGO算法尽可能搜索到潜在的最优解,增强算法的搜索能力。将最优最差反向与透镜成像反向学习策略相结合,避免INGO算法易陷入局部最优的情况,提高收敛精度。在对经典的伯克利测试图像进行多阈值彩色图像分割的实验结果表明,在GWO、PSO、ChOA等算法中,INGO算法取得峰值信噪比和特征相似度最优平均值的占比分别为100.000%和78.125%,在保证算法收敛效率的同时获得较优的图像分割结果,在多阈值图像分割领域具有较强的理论应用价值。

基于改进变分模态分解和小波阈值法的单相接地故障电流降噪

针对电力系统输配电线路发生单相接地故障时,电气设备间的电磁环境复杂,现场环境干扰严重导致故障录波装置采集到的故障零序电流信号含有大量噪声,影响后续选线准确率的问题,提出了一种改进变分模态分解(variational mode decomposition,VMD)和小波阈值法联合的单相接地故障的零序电流降噪方法,通过北方苍鹰优化算法优化改进VMD对零序电流信号分解,引入自适应相关阈值对分解后的分量进行筛选,对噪声分量进行小波阈值法降噪,最后将信号进行重构。通过搭建模型进行仿真实验,所提算法比传统VMD降噪算法信噪比提高了5.52%~35.99%,均方根误差降低了12.78%~30.88%,与小波阈值降噪方法、经验模态分解(ensemble empirical mode decomposition,EEMD)-小波阈值降噪方法、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-小波阈值降噪方法相比,也都有明显的优势,并且在标准测试信号Heavy Sine信号和Bumps信号中进行实验,验证了算法的适用性。

基于改进北方苍鹰算法优化混合核极限学习机的变压器故障诊断方法

为提高变压器故障诊断精度,提出了一种基于改进北方苍鹰优化算法(improved northern goshawk optimization algorithm,INGO)优化混合核极限学习机(hybrid kernel extreme learning machine,HKELM)的变压器故障诊断方法。首先,利用ReliefF算法对19维变压器故障特征进行筛选降维;其次,引入Logistic-tent混沌映射、柯西变异算子和非线性递增权重三种策略改进北方苍鹰优化算法,提高全局寻优能力;然后使用改进后的INGO算法优化HKELM的初始参数,以提高HKELM的分类准确性和鲁棒性;最后,将经ReliefF优选后的特征作为模型的输入特征,并与不同变压器故障诊断模型进行对比实验。仿真结果表明,INGO-HKELM故障诊断模型相较于其他模型具有更高的故障诊断精度。

基于INGO-SWGMN混合模型的超短期风速预测研究

为提高超短期风速预测的精度,提出一种融合变分模态分解(VMD)、相空间重构、改进的北方苍鹰优化算法(INGO)和共享权重门控记忆网络(SWGMN)的超短期风速混合预测模型。首先,考虑到风速的强波动性会对预测带来不利影响,采用VMD对风速时间序列进行分解,得到一系列相对平稳的子序列。然后对各子序列分量进行相空间重构,得到相应的相空间矩阵。接着针对长短期记忆网络(LSTM)训练时间较长和权重参数较多的问题,提出一种SWGMN对各子序列分量建立预测模型。同时,为提高模型预测性能,提出一种INGO对SWGMN模型的两个超参数进行寻优,得到最优参数组合。最后累加各子序列预测值,得到最终风速预测结果。实验结果表明,在单步预测和多步预测中,所提方法的平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数R2分别为0.1828 m/s、0.2263 m/s、4.5481%、0.987和0.2429 m/s、0.3107 m/s、6.1113%、0.976,相较于传统方法具有更高的预测精度和预测效率。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。