基于EMD和PSO-KELM的电压暂降源辨识方法

提出一种基于经验模态分解(EMD)和粒子群算法优化核极限学习机(PSO-KELM)的单类电压暂降源辨识方法。通过Matlab/Simulink仿真平台搭建几种不同类型引起电压暂降的电力系统模型,从中获取不同类型扰动源引起电压暂降的时间序列信号,再用经验模态算法分解并提取每层IMF分量的模糊熵作为故障特征,将其前几阶主序列分量作为输入空间;把基于粒子群算法优化核极限学习机的模型作为电压暂降源辨识分类器,对引起配电网电压暂降类型的特征数据进行训练与识别,并以试验结果与传统遗传算法优化支持向量机分类器进行泛化对比,验证所提出的新型智能启发式算法PSO-KELM分类器的准确性和鲁棒性。实现了由不同故障源扰动引起电压暂降的有效识别,有利于解决实际配电网中线路电能质量问题和责任区域划分制度的完善。

基于EEMD模糊熵和PSO-KELM的NPC三电平逆变器故障诊断

功率开关器件是逆变器的核心部件,但其易发生开路故障,故对其进行故障诊断方法研究很有必要;针对中点钳位型(NPC)三电平逆变器功率开关管器件的开路故障,提出一种基于总体经验模态分解(EEMD)模糊熵和粒子群算法(PSO)优化的核函数极限学习机(KELM)的故障诊断方法;首先采样功率开关器件的桥臂输出端的三相电压作为故障信号以区分各种故障类型,然后利用EEMD模糊熵提取故障特征向量,最后将其划分为训练集和测试集送入PSO-KELM中,识别故障类型并输出诊断结果;经Matlab平台仿真实验得到该方法的故障诊断率超过98%,通过与其他方法的对比实验分析,该方法的有效性与优势得到验证。

基于WPSO-KELM的火灾预警模型设计

火灾信息处理算法的有效性影响着火灾预警系统的准确性和可靠性,智能火灾预警算法研究成为了火灾预警技术的一个研究热点。针对以往火灾信息处理算法的不足,提出了一种基于惯性粒子群优化的核极限学习机(WPSO-KELM)的火灾预警算法。建立核极限学习机火灾预警模型,采用粒子群算法优化核极限学习机参数,因为惯性权重因子对粒子群优化算法影响较大,提出了惯性粒子群优化算法(WPSO)。利用MATLAB对基于WPSO-KELM火灾预警算法进行仿真,通过与BP神经网络、支持向量机和核极限学习机三种火灾预警算法的仿真结果作对比,发现基于WPSO-KELM的火灾预警算法分类精度更高、稳定性更好。

基于RS-PSO-KELM算法的无线传感器网络节点故障检验技术

当前无线传感器网络节点故障检验技术存在难以应对愈发复杂化的无线传感器网络结构的问题,因此,研究将粗糙集、粒子群算法以及核极限学习机进行结合构建组合算法,并对其进行了验证。实验结果表明,迭代次数为5时研究算法的均方根误差值为0.010,迭代次数为10为0.008,至迭代次数为50时为0.006,均低于对比算法。研究算法在4个数据集上的准确率基本高于85%,最高达到98.51%。将其应用在实际的无线传感器网络节点故障中时,故障诊断准确率维持在98%~99%,且仅存在1个诊断错误点。综合来看,研究提出的算法在无线传感器网络节点故障诊断检验具备较高性能,可以有效应用在实际的无线传感器节点故障诊断中。

改进多元层次波动色散熵及其在滚动轴承故障诊断中的应用

针对滚动轴承振动信号故障特征难以提取以及单通道振动信号分析易存在故障信息缺漏的问题,提出一种新的衡量多通道时间序列动态特征的方法——改进多元层次波动色散熵(modified multivariate hierarchical fluctuation dispersion entropy,MMHFDE),将其用于提取滚动轴承多通道振动信号中的故障特征,在此基础上提出一种基于MMHFDE,最大相关最小冗余(max-relevance and min-redundancy,mRMR)和粒子群优化核极限学习机(particle swarm optimization kernel extreme learning machine,PSO-KELM)的滚动轴承故障诊断新方法。使用MMHFDE提取滚动轴承不同状态的故障特征,而后采用mRMR从得到的故障特征中筛选敏感特征构成敏感特征向量;将敏感特征向量输入到基于PSO-KELM构建的故障分类器中进行故障识别。由试验结果可知,提出的方法可以有效识别滚动轴承不同故障状态。

基于PSO-HKELM的变压器顶层油温预测模型

为精确预估变压器的热状态以指导变压器的载荷运行,基于粒子群优化的混合核极限学习机提出一种变压器顶层油温度预测模型。使用核极限学习机对顶层油温度与其影响因素之间的映射关系进行拟合回归预测,模型全面考虑了包括环境风速在内的顶层油温的主要影响因素,并采用混合核函数提高模型的学习能力和泛化性能来取得更佳的预测精度。粒子群算法用来进行模型的训练并同时进行混合核函数参数的优化,对正负训练误差采用不同容许限度处理,使得模型的预测值大于实测值,预测结果在提高精度的同时更加具有保守可靠性。通过不同季节的实测数据进行算例验证,结果表明该模型预测值与实测值基本一致,且预测误差均为正值;该模型的最大预测误差为1.97℃,分别为同条件下BP神经网络和最小二乘支持向量机模型的78.49%和82.43%;该模型具有更佳的顶油温度预测精度,能够更加可靠地实现变压器的热状态估计。

基于粒子群算法优化核极限学习机的磨煤机故障诊断

磨煤机是火电厂的重要设备,其性能好坏会直接影响火电厂的运行。提出一种基于核极限学习机的磨煤机故障诊断方法,采用核函数代替极限学习机隐含层节点的特征映射,从而无需设置隐含层节点数。该方法通过核极限学习机建立故障诊断模型,然后利用粒子群算法对核极限学习机的参数进行优化。实例分析表明,与BP神经网络、SVM等方法相比,该方法的故障诊断准确率高,而且具有更短的训练时间和更好的泛化能力。

基于DPSO-MKELM算法的风机齿轮箱轴承故障诊断

基于离散粒子群优化算法(DPSO)与基于多尺度小波核函数的核极限学习机(MKELM),提出了一种新型的DPSO-MKELM算法用于风机齿轮箱故障诊断。首先,针对PSO算法过早收敛,易陷入局部最优的缺点,提出改进DPSO算法,在迭代过程中,通过调节权重因子和学习因子,降低算法过早收敛概率,减少优化结果陷入局部最优状态的可能。其次,提出一种基于多尺度小波核函数的核极限学习机(MKELM),利用不同尺度小波核函数叠加构造核极限学习机。最后将两种算法有机结合,提出一种新型的DPSO-MKELM算法,用于风力轴承的故障诊断。通过实际数据的算例验证,新算法具有更高的分类精度和较快的收敛速度。

基于POS-KELM的森林火灾图像识别方法

为了更好地预防森林火灾,提出一种基于POS-KELM的森林火灾图像识别方法。首先根据火焰和烟雾的颜色提取森林火灾目标区域,然后针对该目标区域提取火焰及烟雾的形状特征、纹理特征以及动态特征,并整合成特征向量,将该特征向量作为核极限学习机的输入,针对人为选择核极限学习机的参数对分类结果影响较大的问题,采用粒子群算法对核极限学习机的参数进行寻优。仿真结果表明,采用该方法对森林火灾图像进行分类具有较高的准确率。

基于LBP的粒子群优化混合核函数ELM的蔬菜水果图像分类方法

蔬菜水果图像的分类研究在智慧农业领域具有重要的地位。针对蔬菜水果的实时高精度的分类问题,提出了一种基于LBP的粒子群优化混合核函数ELM模型(LBP-PSO-KELM)的分类方法,首先通过LBP等价变换提取蔬菜水果图像的纹理特征,然后将多项式核函数和高斯核函数加权成的复杂核函数(KELM)引入极限学习机中,并使用粒子群算法(PSO)对KELM中的核系数进行自适应选取,同时对引入的其他3个关键参数寻找最优值,获得最优模型。通过对Fruits-360数据集进行分类实验,结果表明,LBP-PSO-KELM在此数据集的分类准确率达到98.865 8%,平均分类时间为3.7ms,比单核ELM以及传统的分类方法分类准确率更高,模型计算时间短,且对硬件设备要求低,满足了智慧农业的实际需求。