基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法

针对噪声环境下,基于标准容积卡尔曼滤波的LANDMARC室内定位算法因噪声特性估计不准,引起滤波性能下降而导致定位误差较大的问题,提出一种基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法。该算法首先建立基于LANDMARC定位框架下的运动目标动态模型,然后引入量子粒子群优化技术对容积卡尔曼滤波中时间更新过程的状态预测值进行优化,以降低因畸变噪声引起的误差;最后将改进的容积卡尔曼滤波算法应用到运动目标状态估计中。实验结果表明,所提算法定位误差均值为0.175 m,与相同环境下传统的LANDMARC算法、基于容积卡尔曼滤波的LANDMARC算法以及基于粒子群优化容积卡尔曼滤波的LANDMARC算法相比,定位精度和稳定性均有明显提高,且运算时间比基于粒子群优化的算法少,应用在室内定位中能够得到较为真实的目标移动轨迹。     

一种基于CKF的改进LANDMARC室内定位算法

针对传统LANDMARC室内定位算法受室内环境的干扰存在定位精度不高,波动大的问题,提出一种基于CKF的改进LANDMARC室内定位算法。该算法首先通过传统LANDMARC算法得到待定位目标的状态预估值;然后将得到的状态预估值作为观测量并用容积卡尔曼滤波(CKF)算法对其进行滤波处理,以提高算法的定位精度并降低定位结果的波动;最后用滤波处理后的结果代替LANDMARC得到的预估值作为待定位目标的状态估计。实验研究表明,所提算法误差在0.5 m以下的标签达到60%,与传统LANDMARC定位算法和经由无迹卡尔曼滤波(UKF)算法滤波的LANDMARC定位算法相比,定位精度和波动性均有明显提高,应用在室内定位中能够得到较为真实的目标移动轨迹。     

基于粒子群优化的嵌入式变压器漏电点定位研究

为了能够实现嵌入式变压器漏电点的准确定位,研究了粒子群优化在其中的应用。分析了嵌入式变压器的系统结构和理论模型,研究了粒子群的优化算法,进行了基于粒子群优化算法的嵌入式变压器漏电点定位的算例分析,仿真结果表明该方法具有较快的收敛速度和较高的定位精度。     

基于粒子群和克隆选择算法的局部放电超声波定位方法

针对粒子群算法在变压器局部放电超声波定位中存在定位精度不高、易陷入局部最优等问题,文中提出一种基于粒子群和克隆选择混合的优化方法.首先,根据电声法定位原理建立优化模型;然后,由粒子的适应度对粒子进行按比例克隆复制、高频变异和消亡补充处理,有效维持种群的多样性,避免算法早熟收敛,同时,利用粒子群算法指导变异抗体通过更新速度和位置来加速最优解的寻找,提高收敛速度;最后,将所提方法与粒子群算法和遗传算法的优化结果进行比较,仿真结果表明该算法具有较高的收敛速度和计算精度,提高了定位的准确度.     

粒子群优化算法在电气设备特高频局部放电源定位中的应用

带电检测是判断高压电气设备内部绝缘性能的重要手段之一,特高频局部放电检测技术可以实现由绝缘缺陷引起其内部局部放电源放电类型的诊断及定位。采用粒子群优化算法求解不同时间段局部放电源所在位置,建立三维空间模型,采用粒子群优化算法优化定位初值,降低电气设备特高频局部放电定位精度对到达时间差法时延的依懒性。试验证明带电检测过程中对特高频局部放电定位采用粒子群优化算法求解与优化可以将外界环境对到达时间差算法的时延干扰降至最低,提高定位精度与定位速率,适用于高压电气设备内部局部放电的带电检测。     

基于RFID传感标签及QPSO-RVM的变压器绕组故障在线诊断技术

该文提出了一种基于无源射频识别(radiofrequency identification,RFID)振动传感标签及量子粒子群算法(quantum-behaved particle swarm optimization,QPSO)——相关向量机(relevancevectormachine,RVM)的变压器绕组故障在线诊断技术。首先设计一种双天线无源RFID振动传感器标签结构,可以稳定工作在无源模式下。针对变压器绕组振动信号包含大量噪声的特点,利用奇异熵对原始信号进行降噪处理,并提出基于QPSO优化的RVM的故障诊断算法。测试结果表明:该文所设计的标签能够可靠地完成变压器绕组振动信号采集以及传输,QPSO-RVM算法能够快速而准确地定位出故障所在,与国内外现有监测技术相比,具有低成本、功耗低,故障定位迅速准确的优点。     

基于粒子群优化算法的锂电池模型参数辨识

基于戴维南电池模型,采用粒子群优化算法进行离线参数辨识.粒子群优化算法作为一种高效并且简单的算法,在平衡全局优化能力和局部优化能力方面具有显著的优势.     

基于RFID传感器标签与深度学习的变压器状态监测方法研究

变压器的状态直接决定了电网运行的可靠性。在现有的变压器状态监测方法的基础上,提出基于射频识别(RFID)传感器标签和深度学习的变压器状态监测手段。首先提出了一种基于自取能RFID传感器标签的变压器振动信号采集方法,该方法具有成本低,便利性强,寿命长,可实现快速定位等优点。针对于变压器信号成分复杂,信噪比低等特点,利用深度学习技术在复杂数据处理方面的优势,采用堆叠去噪自编码器(SDA)信号进行特征提取,并采用相关向量机(RVM)对提取的特征数据进行故障诊断,最后采用量子粒子群算法(QPSO)对SDA与RVM进行参数寻优。实验结果表明,方法能够可靠地获取变压器振动信号,同时,能够取得99. 75%的故障诊断准确度,且诊断时间仅需要0. 98 s。     

基于烟花优化粒子群的室内定位算法研究

针对测距式射频识别室内定位算法定位误差较大的问题,提出了一种基于烟花优化粒子群的室内定位算法。该算法分为测距和定位两个阶段,在测距阶段使用到达相位差进行测距并构建待优化的目标函数。在定位阶段对粒子群优化算法进行改进。为了改进粒子群优化算法在迭代过程中容易落入局部极值的问题,引入了烟花优化算法的爆炸、变异、选择操作,并对选择规则进行改进;算法还根据烟花爆炸算子和变异算子对粒子群算法的速度更新公式进行改进。实验结果表明,该算法能够有效实现对目标的定位,定位平均误差为0.2773m,与基于标准粒子群优化算法的室内定位算法相比具有39.61%的性能提升。     

基于改进混沌粒子群的PEMFC模型参数辨识

基于质子交换膜燃料电池(PEMFC)电堆的输出特性及相关电化学反应建立输出特性模型,提出改进混沌粒子群优化(CPSO)算法来优化PEMFC输出特性模型参数辨识问题。首先采用6种标准测试函数验证了CPSO算法的寻优性能,然后针对两种参数不同的电堆进行了输出特性模型参数辨识。结果表明,相较于遗传算法(GA)、粒子群优化(PSO)算法、受约束粒子群优化(B-PSO)算法、具有收缩系数的粒子群优化(PSO-χ)算法、引力粒子群优化(GSAPSO)算法以及差分进化算法(DE),CPSO算法辨识精度最高且收敛速度最快。静态工况下电堆1的均方根误差为0.213,平均相对误差为2.339%;电堆2的均方根误差为0.481,平均相对误差为1.243%,充分说明CPSO算法在PEMFC输出特性模型参数辨识方面的优越性。     

HHT结合QPSO-GRNN的同塔双回输电线路故障测距

为提高同塔双回输电线路故障测距的精度,提出将希尔伯特黄变换和量子粒子群优化的广义回归神经网络相结合的方法用于构建测距模型.首先将线路两端采集的故障电流进行相模变换,选取其特征模量进行希尔伯特黄变换;将变换得到的2个采样点作为模型输入,对应的故障距离作为模型输出,构建经量子粒子群算法优化的广义回归神经网络;在网络中进行训...     

基于量子粒子群混合算法的电力系统无功优化

针对传统粒子群算法在无功优化中易陷入局部最优和后期收敛慢等问题,提出了基于量子粒子群混合算法的无功优化计算方法.该算法将量子叠加态思想引入到粒子群算法中,使得单个粒子能表示更多的状态和量级,增加了种群的多样性;采用量子旋转门更新粒子的速度和位置,提高了收敛的速度.用该算法对IEEE 30节点系统进行无功优化计算,并与粒...     

综合最优灰色支持向量机模型在季节型电力负荷预测中的应用

季节型电力负荷同时具有增长性和波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。对此,提出了一种综合最优灰色支持向量机预测模型,研究了同时考虑2种非线性趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于2种单一负荷预测模型。在此基础上,对一般粒子群算法引入粒子速度自适应可调机制,并利用改进粒子群算法优化组合预测模型中的权值。对电力负荷预测应用实例的计算结果表明,该模型较大提高了季节型负荷预测的精度,具有较好的性能。     

基于数据分析和改进Chebyshev神经网络的风速时间序列预测

为提高风速时间序列预测精度,基于风速时间序列的随机性和波动性,提出互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和正交粒子群算法(Orthogonal Particle Swarm Optimization,OPSO)优化Chebyshev基函数神经网络的混合风速时间序列预测模型(CEEMD-OPSO-Chebyshev)。利用CEEMD将原始风速时间序列分解成有限个固有模态分量,避免了传统的分解信号重建中冗余噪声残留问题。同时引入排列熵分析各分量内在特性进行聚类,提出基于OPSO优化算法的Chebyshev神经网络风速预测模型,利用OPSO优化预测网络权值,进一步提高预测精度,通过对实际采样的风电场风速时间序列进行预测分析,结果可得所提出的混合预测模型与传统预测模型相比能得到更高的预测精度。     

全程可控的微重力试验装置应变传感器布局优化研究

在建的全程可控的地基微重力试验设备是一种采用直线电机驱动实验舱体,以上抛下落方式来产生微重力环境的新型 落塔装置,其支撑结构上的微小形变是决定实验舱能否在轨道上平顺运行的关键因素。 为了更加科学有效地布置应变传感器 对其进行监测,将改进后的量子粒子群算法用于传感器布局优化。 以有限元模型作为实际算例,比较和验证了粒子群算法、量 子粒子群算法以及改进量子粒子群 3 种算法布局优化策略在形变重构上的有效性和优劣性,改进后的量子粒子群算法得到的 重构形变平均绝对误差为最大形变的 1. 2%。 该结果表明对量子粒子群算法的改进方法是有效的,同时也说明了随机算法用于 形变重构的传感器优化布置是可行的。     

基于量子编码的离散粒子群算法配电网重构

阐述了配电网重构数学模型、二进制粒子群算法、量子编码的基本理论,对量子粒子群算法配电网重构进行了研究,将量子编码应用到离散粒子群算法中,用量子比特概率表示离散粒子的状态,根据二进制粒子群速度更新公式更新粒子的状态,改变开关开合状态进行网络重构.量子比特概率能够表征丰富的信息量,保证粒子的多样性和全局搜索能力.通过2个算...     

基于广义S变换和QPSO-SVM的水电机组振动故障诊断方法

提出一套完整的水电机组振动故障模式识别方法。首先,基于广义S变换提出一种能反映频谱特性的频带能量谱特征向量提取方法,并对其进行归一化处理后作为诊断模型的输入变量;然后,在分析量子粒子群算法（QPSO）和支持向量机算法（SVM）的基础上,利用QPSO算法对SVM算法中的核函数参数g和惩罚系数C进行寻优以提高SVM算法模型的诊断精度,提出一种基于QPSO-SVM算法的故障分类方法;最后,通过对比仿真和实例应用表明,该方法具有学习能力强、诊断精度高、鲁棒性好等优点,是一种有效的方法。     

计及监测可信度的扰动源定位粒子群算法

当智能配电网发生电能质量扰动时,由于网络结构、高斯噪声和监测误差等因素常存在扰动方向误判问题,而现有电能质量扰动源定位方法对此定位准确度低。由此提出一种计及监测可信度的扰动源定位粒子群算法。设计了一种监测可信度函数构建方法,来表征扰动方向判定的准确程度,创新性地建立了粒子群可信度优化模型,提出了独创的评价函数,通过粒子群迭代进行全局寻最优解。通过Matlab仿真表明,所提新算法实现了在部分监测数据有误情况下的扰动源自动精确定位,并具有定位准确、收敛性好和容错率高等优点。     

基于DSLPSO算法的超级电容参数辨识

针对超级电容模型多参数辨识问题以及传统辨识算法收敛精度差,收敛速度慢问题,提出基于动态自学习粒子群算法的超级电容参数辨识方法.根据超级电容等效电路模型,采用双线性变换进行离散化获得辨识模型,使用动态自学习粒子群算法辨识各分支的参数.仿真结果分析表明,与基本粒子群、自适应惯性权重粒子群对比分析,基于动态自学习粒子群算法的超级电容参数辨识方法收敛速度快、收敛精度高、全局寻优能力强,可以更准确地反映出超级电容的动态特性.