一种基于高阶QAM系统的多模盲均衡算法

为了克服恒模算法(CMA)对高阶正交幅度调制(QAM)信号均衡效果较差的缺陷,基于对恒模算法(CMA)和多模算法(MMA)的研究,提出了1种将两者相结合的改进算法.该算法以恒模算法(CMA)为常规模式,待CMA算法达到初步收敛后,改用多模算法来对不同信号值采用其相对应的模值进行均衡,从而获得更小的剩余误差.计算机仿真结...     

结构自适应滤波技术的研究概述

自适应滤波技术是信号处理学科的一个重要分支,结构自适应滤波又是其进入21世纪后新兴的研究方向。以研究结构自适应滤波技术为目的,主要描述结构自适应滤波技术的算法与性能,从传统的结构自适应滤波算法的原理出发,采用算法对比分析的方式,分析了分段滤波(SF)算法、梯度下降(GD)算法以及分数抽头(FT)算法的优缺点,并结合已有文献给出了可行的新型分数抽头(FT)算法,通过应用实例对比说明新型分数抽头(FT)算法具有更好的稳定性、收敛速度以及信噪比。     

引入PID反馈的SHAEKF算法估算电池SOC

电池荷电状态(SOC)的估算精度是电动汽车电池组的重要指标。为提升SOC估算精度,在融合Sage-Husa扩展卡尔曼滤波(SHEKF)算法与自适应扩展卡尔曼滤波(AEKF)算法的基础上,增加比例积分微分(PID)反馈环节,形成改进算法。采用粒子群优化(PSO)算法对二阶RC等效电路模型进行参数辨识;用开源电池数据集对模型和算法进行实验和分析。改进的SHAEKF算法在电池动态应力测试(DST)、北京动态应力测试(BJDST)和美国联邦城市驾驶(FUDS)等工况下的平均估计误差都在1%以内,与单纯的融合算法SHAEKF算法相比,最大误差可减小5%。     

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。     

改进粒子群算法在光伏MPPT中的应用

在光伏阵列受到局部阴影遮挡条件下,针对光伏阵列的功率-电压(P-V)输出特性曲线在多峰值状态下的最大功率点跟踪(maximum power point tracking, MPPT)问题,通过对粒子群(particle swarm optimization, PSO)算法的改进,提出了一种基于新型粒子群(novel particle swarm optimization,NPSO)算法的MPPT方法(以下简称NPSO＿MPPT算法)。NPSO算法通过将种群粒子分为收敛粒子和自由粒子两类,提高了原始PSO算法的全局搜索能力。在Simulink环境下,分别对P&O、基于PSO算法的MPPT方法(以下简称PSO＿MPPT算法)和NPSO＿MPPT算法进行仿真测试,仿真结果表明,NPSO＿MPPT算法相比较现有的P&O和PSO＿MPPT算法,具有发电效率高和不易陷入局部功率极大值等优点。     

多头绒泡菌预处理的改进Q学习算法求解最短路径问题

针对最短路径问题中Q学习算法的初始搜索空间大、后期收敛不稳定的缺陷,提出多头绒泡菌预处理的改进Q学习算法(PPA-Q)。该算法引入网络预处理过程和自适应概率选择模型,利用多头绒泡菌进行网络预处理,减少算法前期的无用探索空间,再通过改进的模拟退火算法实现自适应概率选择模型,加强算法对优质路径的探索程度,增加算法初期解的多样性,同时在算法后期稳定逼近最优路径且不振荡。仿真结果表明,PPA-Q算法收敛到最优路径成功率为100%,高于经典蚁群(ACO)算法和Q(λ)算法的80%,其迭代次数分别低于Q学习算法57. 2%、ACO算法32. 9%和Q(λ)算法35. 1%.     

基于文化算法的电力系统无功优化研究

通过对人类社会文化知识演变过程的研究,将一种新的智能优化算法--文化算法(Cultural Algorithms, CA)应用到电力系统无功优化中.该算法是一个多进化过程的演化算法,它通过模拟微观(群体)与宏观(信仰知识)层面的相互进化,最终形成"双演化双促进"的机制.简要介绍了其生物演变过程,详细描述了算法的机理,并结合进化规划的算法步骤,以网损最小为目标,建立了电力系统无功优化数学模型.通过对IEEE30标准系统节点进行测试,与改进遗传算法(SGA)和改进粒子群算法(CPSO)比较,得到了比较理想的结果,从而表明文化算法是一个值得进一步深入研究的方向.     

Multi-channel FURLS algorithm for active noise control and simulation

为了改善最小均方(LMS)类算法在空间宽带噪声主动控制问题中收敛速度慢的缺点,消除声反馈对系统稳定性的影响.将快速收敛的最小二乘(RLS)类算法与自适应滤波U形结构结合,提出多通道滤波-URLS(MFURLS)算法,理论上推导该算法详细流程.本文对定频和宽带噪声进行了降噪仿真,将MFURLS算法与多通道滤波-ULMS(MFULMS)算法进行对比,仿真结果表明采用MFURLS算法的系统有30dB左右的降噪量,且收敛速度优于FULMS算法,证明该算法在宽带噪声控制方面具有很大优势.     

改进粒子群优化神经网络的变压器故障诊断

在分析传统误差反向传播(BP)算法和标准粒子群优化(PSO)算法的特征及其问题基础上,提出一种改进粒子群优化(IPSO)算法和改进BP(IBP)算法,建立基于IPSO-IBP混合算法的电力变压器神经网络故障诊断模型。通过85组训练样本和16组测试样本的仿真对比分析,该方法能够实现电力变压器不同故障的有效诊断,提高了电力变压器故障模式的识别能力及故障诊断准确率。     

基于飞蛾扑火优化算法的光伏阵列MPPT研究

飞蛾扑火优化(MFO)算法是一种新型智能算法,具有局部避免和快速收敛能力,并且可以很好地协调全局搜索和局部搜索。针对光伏(PV)阵列在局部阴影条件(PSC)下其输出特性曲线呈现多峰的情况,此处提出了一种基于MFO算法的全局最大功率点跟踪(MPPT)控制方法。首先,对电导增量(INC)算法、粒子群(PSO)算法和MFO算法在均匀光照和PSC下分别进行了对比;然后,通过对追踪过程中的飞蛾及火焰位置进行分析,清晰地呈现出了MFO算法的优势;最后,通过仿真和实验证明了MFO算法的有效性。     

基于改进蚁群优化算法的配电网线损计算新方法

针对径向基函数（radialbasisfunction,RBF）神经网络收敛速度慢、易于陷入局部极小点的问题,提出了基于蚁群优化算法（antcolonyoptimization,ACO）的RBF神经网络线损计算新方法。通过引入交叉和变异改进后的ACO训练BRF神经网络,使其具有神经网络广映射能力、ACO快速全局收敛以及启发式学习等特点。利用优化后的RBF神经网络算法拟合配电线路线损与特征参数之间的复杂关系,实现配电网线损计算。仿真结果表明,优化后的BRF神经网络算法的线损计算误差基本在1％以内,具有良好的收敛能力和较快的计算速度。     

径向基函数神经网络在电力变压器故障诊断中的应用

基于油中溶解气体分析法,采用径向基函数（radicalbasisfunction,RBF）神经网络模型对电力变压器进行故障诊断。为了提高诊断模型的辨识精度,分两步对RBF神经网络的模型参数进行辨识：首先采用减聚类算法确定RBF神经网络隐含层基函数的中心点,然后采用量子粒子群优化（quantum-behavedparticleswarmopti-mization,QPs0）算法求解基函数的宽度以及隐含层与输出层的连接权重。仿真实验结果表明,该方法的故障诊断正确率较高,达90．67％。     

基于改进聚类和RBF神经网络的台区电网线损计算研究

电网线损是反映低压台区配电网输配电性能好坏的重要技术指标,针对低压台区线损计算不精确和效率不高的问题提出了一种有效的计算方法,即基于改进K-Means聚类和正交最小二乘法（OLS）优化的径向基（RBF）神经网络计算模型。首先通过层次分析法（AHP）对线损的电气指标进行提取,根据得到的线损指标用改进的K-Means聚类算法进行分类处理,然后用OLS改进的RBF网络和标准的RBF网络分别对得到的分类样本进行训练,再用训练好的模型计算台区电网线损。最后利用某地区低压台区的68组样本验证了所提方法的有效性。     

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。     

基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。     

一种基于RBF神经网络线损计算方法研究

根据中压配电网的特性,利用容易收集的原始数据,研究了一种中压配电网准确、快速而简便的线损计算方法,即径向基函数神经网络算法,并且将该算法与分群算法相结合,获得了很好的计算精度.通过matlab仿真研究验证了RBF算法的有效性,并且通过比较未分类的RBF算法,分类的RBF算法,线性回归算法和BP算法,凸显了分类后的RBF神经网络的精确性与实用性.     

An RBF Network With OLS and EPSO Algorithms for Real-Time Power Dispatch

This paper proposes a novel technique that combines orthogonal least-squares (OLS) and enhanced particle swarm optimization (EPSO) algorithms to construct the radial basis function (RBF) network for real-time power dispatch (RTPD). The goals considered are fuel cost, power wheeling cost, and NO_x/CO₂ emissions. The RBF network is composed of three-layer structures, which contain the input, hidden, and output layer. To simplify the network, the OLS algorithm is used first to determine the number of centers in the hidden layer. With an appropriate network structure, the EPSO algorithm is then used to tune the parameters in the network, including the dilation and translation of RBF centers and the weights between the hidden and output layer. The proposed approach has been tested on the IEEE 30-bus six-generator and practical Taiwan Power Company (Taipower) systems. Testing results indicate that the proposed approach can make a quick response and yield accurate RTPD solutions as soon as the inputs are given. Comparisons of learning performance are made to the existing artificial neural network (ANN), conventional RBF network, and basic particle swarm optimization (PSO) methods     

Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network,an OLS algorithm and AGA

A method to accurately estimate the State-of-Charge (SOC) for LiFePO₄ (LFB) batteries is urgently required, to address the issues associated with the increased use of LFP batteries for portable devices. This paper proposes a hybrid method that combines a radial basis function (RBF) neural network, an orthogonal least-squares (OLS) algorithm and an adaptive genetic algorithm (AGA) to estimate the SOC in discharging condition. The OLS algorithm determines the optimal number of nodes in the hidden layer of the RBF neural network. With an optimal RBF neural network structure, the AGA is then used to tune the parameters of the RBF neural network, including the centers and widths of RBF and the connection weights. The trained RBF neural network is then used to estimate the SOC of a LFP battery. In order to demonstrate the effectiveness of the proposed estimation method, the method is tested using LFP batteries under several different discharging conditions. The effectiveness of the proposed method is compared with the Coulomb integration method and a back propagation (BP) neural network. The results show that the proposed method outperforms the other methods.     

基于PSO寻优与DBN神经网络的电晕损耗预测

特高压交流输电线路的电晕损耗与降雨量、比湿、温度、相对湿度、压强等天气条件有相关性,可通过部分天气条件对特高压交流输电线路电晕损耗进行预测,提出了一种特高压交流输电线路的电晕损耗预测方法。根据粒子群优化算法（particle swarm optimization,PSO）寻优机制与深度信念网络（deep belief network,DBN）预测原理,详细说明了该预测方法的智能算法机制,并提出了一套完整的基于PSO—DBN智能算法的预测方法。首先,通过斯皮尔曼相关系数的大小确定与电晕损耗有较强相关性的天气条件,并作为特征值;然后以所选特征值为指标体系构建DBN神经网络进行电晕损耗预测,再采用PSO寻优算法对DBN神经网络进行内部参数调整,提升DBN神经网络的预测准确性;最后利用所提算法对实际运行的闽浙特高压输电线路的电晕损耗进行算法预测,与该线路的运行统计电晕损耗值进行对比分析,验证了所提预测方法的可行性。该方法为特高压输电线路电晕损耗研究和工程设计提供参考。