针对局部阴影情况下光伏阵列输出功率多峰值导致传统灰狼优化算法跟踪最大功率点收敛速度慢、搜索精度低且易陷入局部最优的问题,提出1种嵌入莱维飞行的改进灰狼优化和变步长扰动观察法算法。全局搜索中提出的新型非线性收敛因子提升了...针对局部阴影情况下光伏阵列输出功率多峰值导致传统灰狼优化算法跟踪最大功率点收敛速度慢、搜索精度低且易陷入局部最优的问题,提出1种嵌入莱维飞行的改进灰狼优化和变步长扰动观察法算法。全局搜索中提出的新型非线性收敛因子提升了灰狼优化算法的收敛速度和搜索精度,通过初始化种群正态分布进一步提升灰狼搜索效率;嵌入莱维飞行增加了全局搜索随机性,避免了搜索过程陷入局部最优;局部搜索中通过变步长扰动观察法实现全局最大功率点快速捕获。为验证算法的有效性,构建了已发表灰狼优化GWO(grey wolf optimization)算法和嵌入莱维飞行的改进GWO和变步长扰动观察ILGWO-VP&O(improved Levy-flight GWO and variable-step perturbation&observation)算法的光伏发电系统,并进行实验验证。实验结果表明,提出的ILGWO-VP&O算法动态响应速度最快,稳态控制精度最优。展开更多
针对永磁同步电机单矢量模型预测控制在一个周期内只有一个基本电压矢量作用于逆变器,从而造成电流和转矩波动较大,尽管双矢量模型预测控制在一定程度能够改善该问题,但其电压矢量通过遍历法选择,存在计算量大、实时性差等问题,因此提...针对永磁同步电机单矢量模型预测控制在一个周期内只有一个基本电压矢量作用于逆变器,从而造成电流和转矩波动较大,尽管双矢量模型预测控制在一定程度能够改善该问题,但其电压矢量通过遍历法选择,存在计算量大、实时性差等问题,因此提出了一种基于灰狼算法(Grey Wolf Optimizer,GWO)优化BP(Back Propagation,BP)神经网络的永磁同步电机控制方法。将原系统选择最优电压矢量过程看作是一种神经网络分类任务,通过原系统产生的大量离散数据离线训练网络,并利用GWO算法优化BP神经网络的初始权值和偏置,加快神经网络的训练速度和精度,训练好的网络代替模型预测控制,避免矢量遍历选择。最后仿真验证了该控制策略的可行性,有效的减小了电流和转矩的波动,提高了系统控制性能。展开更多
针对局部遮阴情况(PSC:Partial Shading Conditions)下光伏阵列输出功率呈现多峰值特征导致传统最大功率点跟踪(MPPT:Maximum Power Point Tracking)算法存在跟踪速度慢、跟踪精度低等问题,提出一种基于改进灰狼优化算法(GWO:Grey Wolf ...针对局部遮阴情况(PSC:Partial Shading Conditions)下光伏阵列输出功率呈现多峰值特征导致传统最大功率点跟踪(MPPT:Maximum Power Point Tracking)算法存在跟踪速度慢、跟踪精度低等问题,提出一种基于改进灰狼优化算法(GWO:Grey Wolf Optimizer)和变步长电导增量法(VINC:Variable step-size Incremental Conductance)相结合的复合算法。首先,通过分析峰值点对应电压位置,在灰狼优化算法中加入峰值电压初始化策略;其次,引入非线性收敛因子以提升灰狼优化算法的全局搜索能力。该复合算法先利用改进灰狼优化算法进行全局搜索,再切换至引入dP/dU的变步长电导增量法进行局部搜索。Matlab/Simulink仿真结果表明,所提复合算法在静态和动态局部遮阴情况下均能提升跟踪速度与精度,同时减小输出功率振荡幅度。展开更多
滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来...滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。展开更多
摘要针对局部阴影情况下光伏阵列输出功率多峰值导致传统灰狼优化算法跟踪最大功率点收敛速度慢、搜索精度低且易陷入局部最优的问题,提出1种嵌入莱维飞行的改进灰狼优化和变步长扰动观察法算法。全局搜索中提出的新型非线性收敛因子提升了灰狼优化算法的收敛速度和搜索精度,通过初始化种群正态分布进一步提升灰狼搜索效率;嵌入莱维飞行增加了全局搜索随机性,避免了搜索过程陷入局部最优;局部搜索中通过变步长扰动观察法实现全局最大功率点快速捕获。为验证算法的有效性,构建了已发表灰狼优化GWO(grey wolf optimization)算法和嵌入莱维飞行的改进GWO和变步长扰动观察ILGWO-VP&O(improved Levy-flight GWO and variable-step perturbation&observation)算法的光伏发电系统,并进行实验验证。实验结果表明,提出的ILGWO-VP&O算法动态响应速度最快,稳态控制精度最优。
摘要针对永磁同步电机单矢量模型预测控制在一个周期内只有一个基本电压矢量作用于逆变器,从而造成电流和转矩波动较大,尽管双矢量模型预测控制在一定程度能够改善该问题,但其电压矢量通过遍历法选择,存在计算量大、实时性差等问题,因此提出了一种基于灰狼算法(Grey Wolf Optimizer,GWO)优化BP(Back Propagation,BP)神经网络的永磁同步电机控制方法。将原系统选择最优电压矢量过程看作是一种神经网络分类任务,通过原系统产生的大量离散数据离线训练网络,并利用GWO算法优化BP神经网络的初始权值和偏置,加快神经网络的训练速度和精度,训练好的网络代替模型预测控制,避免矢量遍历选择。最后仿真验证了该控制策略的可行性,有效的减小了电流和转矩的波动,提高了系统控制性能。
摘要针对局部遮阴情况(PSC:Partial Shading Conditions)下光伏阵列输出功率呈现多峰值特征导致传统最大功率点跟踪(MPPT:Maximum Power Point Tracking)算法存在跟踪速度慢、跟踪精度低等问题,提出一种基于改进灰狼优化算法(GWO:Grey Wolf Optimizer)和变步长电导增量法(VINC:Variable step-size Incremental Conductance)相结合的复合算法。首先,通过分析峰值点对应电压位置,在灰狼优化算法中加入峰值电压初始化策略;其次,引入非线性收敛因子以提升灰狼优化算法的全局搜索能力。该复合算法先利用改进灰狼优化算法进行全局搜索,再切换至引入dP/dU的变步长电导增量法进行局部搜索。Matlab/Simulink仿真结果表明,所提复合算法在静态和动态局部遮阴情况下均能提升跟踪速度与精度,同时减小输出功率振荡幅度。
摘要滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。