基于ICEEMD及AWOA优化ELM的机械故障诊断方法

旋转机械设备故障检测及识别一直是研究的热点。针对目前故障特征提取和诊断方法的不足,提出一种基于改进的完备集合经验模态分解(ICEEMD)与自适应鲸鱼优化算法(AWOA)优化极限学习机(ELM)的机械故障诊断方法。ICEEMD能够避免在分解过程中产生伪模态,其模式中残留噪声小,使提取故障信息更加准确。利用ICEEMD将采集到的信号分解成多个本征模态函数(IMF),对滚动轴承不同故障状态IMF的斯皮尔曼等级相关系数(SRCC)的计算结果进行分析,得出筛选IMF的标准为其SRCC大于0.02;将筛选后的IMF的混合熵(HE)作为特征向量。WOA相比其他仿生算法所需要调整的相关参数少、收敛速度快、稳定性好。AWOA利用自适应权重优化WOA的局部搜索方式,进一步提高了收敛精度。利用AWOA对ELM的权值和阈值进行优化,可以提高故障诊断的准确率。通过对比实验证明,AWOA-ELM的学习能力强、故障诊断的准确率更高。AWOA-ELM应用在滚动轴承不同尺寸滚珠和外圈故障诊断中,对滚珠故障诊断的准确率达到99.5%,对外圈故障诊断的准确率达到100%。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。