改进FA优化SVM的风机叶片裂纹检测模型北大核心CSCD

风力发电机往往工作在气候条件恶劣的环境中。风机叶片受到风沙、雨水的侵蚀会出现裂纹,裂纹在产生后会逐渐扩大,尽早发现叶片裂纹能给工作人员更多的维修时间。针对叶片微小裂纹难以发现的问题,文章提出了一种利用无人机拍摄的叶片图像结合机器学习进行裂纹检测的方法。对原始图像预处理后,进行特征向量的提取。提出一种用改进的萤火虫算法优化支持向量机(SVM)的裂纹检测模型。为增加萤火虫算法的全局搜索能力,引进了混沌映射生成种群初始位置,同时采用自适应步长以更好地趋近最优解。以云南某风电场的数据离线训练和测试,结果表明,所提的模型在检测精度和稳定性上均优于用粒子群算法(PSO)、遗传算法(GA)优化的SVM。     

基于图像处理的风电叶片裂纹检测系统设计

针对风电叶片,设计了基于图像的裂纹检测系统。采用Harris-SUSAN算法提取叶片图像中的角点,利用SIFT算法确定角点的特征描述子;建立K-D树(K-Dimension Tree),并利用BBF算法(Best Bin First)寻找近邻点和次近邻点,基于欧式距离进行特征粗匹配。然后,采用随机抽样一致算法(RANSAC)进行特征精匹配,剔除错误点对,提高图像拼接质量;用图像的投影特征对横向、纵向和网状裂纹进行分类并计算裂纹参数;通过爬壁机器人搭载工业相机进行系统测试。实验表明,系统可实现裂纹图像拼接和裂纹参数计算。     

基于数字图像处理的风电机组叶片裂纹损伤识别方法研究

为实现风电机组叶片损伤检测的高效化、智能化、便捷化,研究一种基于数字图像处理技术的风电机组叶片裂纹损伤识别以及裂纹类型判断和特征参数提取的方法。以无人机采集的风电机组叶片图像为研究对象,通过对比灰度化、滤波、阈值分割等图像处理步骤的多种算法,对形态学处理方法进行改进,首先选用平均值法对叶片图像进行灰度处理,其次使用中值滤波对图像进行去噪处理,再次使用Otsu阈值分割以实现裂纹区域的分割,然后基于改进的形态学方法提取出完善的叶片裂纹损伤区域,最后基于连通域原理完成裂纹区域的框取。基于上述算法设计风电机组叶片裂纹损伤识别系统以实现叶片裂纹图像检测的可视化处理、裂纹类型判断及裂纹特征参数提取等功能。结果表明,该系统对于风电机组叶片裂纹损伤检测具有可靠的识别精度,识别准确率为85%,实现了风电机组叶片裂纹损伤的自动识别与特征参数提取,提高了叶片裂纹损伤的检测效率。     

基于CEEMDAN与CBBO-SVM的汽轮机转子故障诊断研究

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于CEEMDAN(自适应噪声完备集合经验模态分解)和CBBO(混沌生物地理学优化算法)优化SVM(支持向量机)相结合的故障诊断方法。首先利用CEEMDAN对转子振动信号进行分解,提取PE(排列熵)作为故障特征值,并构造特征向量;其次将混沌理论引入到BBO(生物地理学优化算法)中,得到CBBO,通过CBBO优化SVM得到诊断模型的最优参数。最后通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性与先进性。结果表明:CBBO优化SVM模型可以准确、高效地对汽轮机转子进行故障诊断;与CPSO(混沌粒子群算法)优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于FCM和EO-SVM水轮机尾水管压力脉动特征识别

为有效识别水轮机尾水管压力脉动特征,提出了一种基于模糊C均值聚类、平衡优化器算法与支持向量机的识别方法。该方法首先采用平衡优化器算法优化SVM的惩罚因子和核函数以获得更好的SVM参数组合,构建EO-SVM识别模型以实现其在水轮机尾水管压力脉动特征识别中的应用。然后采用模糊C均值聚类算法将待分类的压力脉动特征进行初始聚类,将其分为四类,并依据聚类结果选择最靠近每类中心的样本作为EO-SVM模型的训练样本。将SVM和EO-SVM两种模型的识别分类结果进行比较,验证了所提EO-SVM模型的有效性。     

反激式光伏微型逆变器并网电流逆控制方法

为改善反激式光伏微型逆变器的并网电流波形质量,提出一种基于支持向量机(SVM)的逆控制方法。基于小信号分析方法建立该逆变器的数学模型,归纳影响其并网电流的主要因素;利用支持向量机方法建立系统的逆模型,并利用萤火虫算法进行模型参数优化;将逆模型的输出作为前馈,与单闭环PI控制相结合,提出一种新颖的并网电流控制方法。仿真结果表明,与传统PI控制相比,该方法可有效降低并网电流的谐波含量。制作220 W微型逆变器样机进行试验,结果表明了所提方法的可行性与有效性。     

光伏阵列故障检测中的无人机红外图像拼接

红外遥感图像可用来检测光伏组件的异常发热,为获得大视野的地面信息需要图像拼接技术,该文提出一种基于快速鲁棒特征检测(speeded-up robust features,SURF)算子的红外光伏图像自动拼接算法。基于K-d树(Kdimension tree)算法的匹配结果,结合匹配对的坐标信息提出一种优化算法,减少了随机抽样一致(random sample consensus,RANSAC)算法的迭代次数,并采用最佳缝合线算法进行图像融合;然后优化平移变换模型、修正旋转序列的角度,基于待拼接图像和模板之间的重叠区域自动修正拼接参数。实现从图像序列到全景图的全自动拼接流程。试验表明,该方法使RANSAC算法的迭代次数平均减少93.26%,处理时间平均减少86.21%。在没有无人机位置和飞行方向的少参数条件下,基本消除了光伏组件的几何相似性导致的误匹配和累计误差。     

基于PSO-SVM模型的焊接转子环焊缝超声缺陷识别

提出了一种粒子群算法(PSO)优化支持向量机(SVM)的方法,对焊接转子环焊缝的超声回波信号进行缺陷识别.对消噪后的超声回波缺陷信号进行4层小波包分解及结点重构,提取结点重构信号中近似部分的波峰系数和波形系数,并与细节部分的积分超声值、有效值和绝对值方差组成样本的特征向量;采用PSO算法对SVM的惩罚因子和核函数参数进行优化选择,最后完成缺陷识别.结果表明:PSO-SVM模型对预测样本具有很好的识别效果,与其他常用的SVM模型相比,PSO-SVM模型无论是识别率还是识别时间上都具有良好的效果.     

基于支持向量机和果蝇优化算法的循环流化床锅炉NO_x排放特性研究

为了控制循环流化床(CFB)锅炉的NOx排放量,以某热电厂300MW CFB锅炉测试数据为样本,应用支持向量机(SVM)建立NOx排放特性预测模型.针对SVM回归预测需要人为确定相关参数的不足,应用果蝇优化算法(FOA)优化SVM参数,采用不同工况下的样本数据检验FOA-SVM模型的预测性能,并将该模型的预测结果与粒子群算法(PSO)、遗传算法(GA)和万有引力搜索算法(GSA)优化的SVM模型预测结果进行了比较.结果表明:FOA-SVM模型的泛化能力较强,预测精度较高,训练时间较短,可以相对快速、准确地预测NOx排放质量浓度.     

基于云粒子群优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。     

基于改进BAS算法的配电网分布式电源位置容量优化

针对分布式电源在配电网中的位置、容量优化配置问题,文章建立了分布式电源建设运行总成本和系统网络损耗的多目标优化配置模型。鉴于基本天牛须搜索(BAS)算法收敛快,但易陷入局部最优的特点,参考自适应步长萤火虫(Auto-step Glowworm Swarm Optimization,AGSO)算法的优化机理,引入群体与竞争机制,提出了一种改进天牛须搜索(Beetle Antennae Search,BAS)算法对模型进行求解。在计算得到pareto解集后,利用交互式模糊决策技术从解集中选取最终的电源配置方案。为验证模型的合理性与方法的有效性,文章采用IEEE-33节点系统进行仿真分析,通过对比,验证了文章所提的改进算法比AGSO算法、基本BAS算法具有更好的收敛性和精确性。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

基于EWT-FE分析联合改进SVM算法的GIS局部放电诊断方法

为提高气体绝缘组合电器(Gas insulated switchgear,GIS)局部放电类型诊断的精度,提出了一种基于EWT-FE结合IHPO-SVM算法的GIS局部放电诊断方法。为深度挖掘局部放电信号内部特征,利用经验小波变换(Empirical wavelet transform,EWT)结合模糊熵(Fuzzy entropy,FE)算法对信号进行分解,并提取有效特征量;为提高支持向量机(Support vector machine,SVM)算法自适应能力与分类识别精度,提出利用经过余弦衰减计算方法以及指数下降函数改进的猎人猎物优化(Improved hunter-prey optimizer,IHPO)算法对SVM算法参数进行优化选取;搭建GIS局部放电试验模型,建立基于EWT-FE信号分析结合IHPO-SVM的局部放电识别模型,对所提算法有效性进行验证。试验结果表明,所提算法GIS局部放电类型诊断精度均大于95%,优于传统诊断算法。     

基于LSTM-SVM的燃气轮机压气机故障预警研究

为了能在早期发现压气机叶片积垢、叶片磨损腐蚀、进气口结冰和喘振4种常见故障,提出一种基于长短期记忆网络(LSTM)和支持向量机(SVM)的燃气轮机压气机故障预警方法.首先,利用压气机特征参数正常历史数据建立多个单输入单输出预测模型,并将压气机的特征参数运行数据代入相应的模型,输出各参数预测值与实际值的残差曲线,设定报警阈值,超限报警.然后,利用正负偏离度方法提取报警点报警信息的故障样本,作为SVM的输入参数进行故障识别,对压气机的故障类型进行预警.结果表明:该模型输出预测误差在0.5％以内;该方法能够发现压气机的早期故障趋势,提取故障特征,对压气机故障类型进行预警,为燃气轮机压气机的故障预警提供了参考.     

基于小世界优化的支持向量机风电功率预测

采用基于实数编码的小世界优化算法(RSWOA)对SVM的惩罚因子C和核函数参数σ进行优化选取,使其具有收敛速度快和全局寻优的优点,提出基于实数编码小世界优化算法的支持向量机改进模型(RSWOASVM)。将该模型应用于实际风场的风电功率预测中,研究表明,RSWOA能快速准确找到SVM模型参数的全局最优解,进而可使RSWOA-SVM改进模型取得较理想的预测精度。     

考虑大规模风光消纳的多目标优化调度关键技术

文章针对大规模风光发电的稳定性和电网风光发电的消纳能力,建立了基于复杂时空耦合约束的最优潮流多目标动态调度模型。将优化调度模型解耦为两阶段:风光火荷协调优化和梯级水电站经济分配,提出了一种改进的多目标萤火虫算法对该模型进行求解,并通过算例对该模型和算法的有效性进行了验证。结果表明,该模型和算法能够显著提高风、光的利用率。     

基于萤火虫优化模糊P&O的微生物燃料电池最大功率点跟踪

针对微生物燃料电池产电量低、输出不稳定等问题,提出一种混合萤火虫优化和模糊改进扰动观测的最大功率点跟踪算法,利用双种群萤火虫算法的全局优化能力和模糊控制的逻辑推理能力产生更精确的控制信号,通过Boost变换器对等效负载进行动态调节。结果表明：基于双种群萤火虫优化-模糊扰动观测的最大功率点跟踪算法能以更快的速度追踪到并稳定在最大功率点,降低了稳态误差,抑制了功率振荡,提高了抗干扰能力,显著改善了微生物燃料电池的产电能力和供电质量。     

基于多策略ISOA优化SVM的变压器故障诊断研究

针对由支持向量机（SVM）参数难以确定而导致的变压器故障诊断精度低及海鸥优化算法（SOA）易陷入局部寻优的问题,提出一种多策略改进海鸥优化算法（ISOA）优化SVM的变压器故障诊断方法。首先,提出一种多策略的改进方法来全方面提升SOA的寻优性能;然后,利用ISOA对SVM内部参数进行优化,构建基于ISOASVM的变压器故障诊断模型;最后,将油中气体溶解分析（DGA）数据的特征提取结果输入到ISOA-SVM模型中进行变压器故障诊断。实例分析表明,所提ISOA-SVM模型诊断精度更优。     

基于免疫萤火虫算法的配电网低碳目标网架规划分析

当前在配电网网架规划中存在算法寻优能力差,二氧化碳削减量较低的问题,基于低碳化需求,将免疫萤火虫算法应用到配电网规划中,提出基于免疫萤火虫算法的配电网低碳目标网架规划分析方法。将低碳费用指标、电压安全指标和有功网损指标作为优化指标,在低碳目标的基础上构建配电网规划模型,采用免疫萤火虫算法,结合免疫克隆技术和萤火虫优化技术对配电网规划模型进行求解,实现配电网低碳目标的网架规划。实验结果显示,所提方法规划后的配电网二氧化碳削减量高,算法寻优能力强,符合低碳环保理念的同时能够获取最优规划方案,具有实用性。     

改进的萤火虫算法优化反向传播神经网络动力锂离子电池健康状态估计

为保证电池的正常运行,对电池的健康状态进行估计是非常重要的工作。针对传统建模方法估计精度差、参数众多计算复杂且耗时长等缺点,本工作构建了基于改进的萤火虫算法(firefly algorithm,FA)优化的反向传播(back propagation,BP)神经网络,对锂离子电池的健康状态(state of health,SOH)进行估计,利用萤火虫算法的全局优化能力和收敛速度快的特点对BP神经网络的权值和阈值进行优化,并引入莱维飞行(Levy flight),提升全局搜索能力,扩大搜索范围,提高了估计精度。采用NASA艾姆斯研究中心的锂离子电池数据集,对改进优化前后的算法进行训练与估计,对比各算法之间的优劣程度。结果表明,莱维飞行改进萤火虫算法优化反向传播神经网络(LFFA-BP)算法相比于BP神经网络算法与萤火虫算法优化反向传播神经网络(FA-BP)算法,决定系数更高,误差波动范围更小,具有较高的估计精度。