以压力容器气体泄漏展开研究,提出了一种融合黄金正弦的减法平均优化器(subtraction-average-based optimizer with golden sine,GSABO)、优化变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural ne...以压力容器气体泄漏展开研究,提出了一种融合黄金正弦的减法平均优化器(subtraction-average-based optimizer with golden sine,GSABO)、优化变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)与支持向量机(support vector machine,SVM)联合分类检测的方法。首先,引入了融合黄金正弦的减法平均优化器对变分模态分解的参数模态个数K和惩罚参数α进行寻优,将最小包络熵为适应度函数得到最佳的K和惩罚参数α,计算最佳IMF分量的9种时域指标构建特征向量,输入CNN-SVM联合的分类方法进行特征提取并对气体泄漏情况进行识别。经实验分析,提出的引入融合黄金正弦的减法平均优化器优化后的VMD方法能够有效地自适应获取最优参数组,然后对压力容器气体泄漏声波信号进行特征提取,选取最优的特征组合输入CNNSVM联合分类检测,得到泄漏与否判别准确率高达99.16%,有助于对后续研究进一步开展。展开更多
准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络...准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络的高铁沿线短期风速预测方法。首先,针对风速非线性和非平稳特性,采用极小化极大(min-max,MM)方法对风速数据进行归一化处理;其次,采用SABO算法中的“-v”方法对LSTM模型的关键参数搜索寻优,并构建风速预测模型;最后,以中国宝兰高铁沿线风速采集点采集的实测风速数据为例,对模型进行有效性检验。实验结果表明:SABO算法的寻优效果更加良好,预测精度更高,所建模型的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(route mean square error,RMSE)分别仅为11.96%、1.23%和16.47%,决定系数(r-square,R^(2))为0.995。与其他模型相比,通过SABO算法优化后的LSTM神经网络在短期风速预测上具有较好的拟合效果和更高的预测精度,可为高铁沿线大风预测预警提供一种新的方法和思路。展开更多
针对日趋严重的电网谐波污染亟需大量谐波数据支撑分析和治理及电网谐波监测能力不足的问题,提出一种改进减法平均优化(subtraction average based optimizer, SABO)算法优化反向传播(back-propagation, BP)神经网络实现谐波预测,以缓...针对日趋严重的电网谐波污染亟需大量谐波数据支撑分析和治理及电网谐波监测能力不足的问题,提出一种改进减法平均优化(subtraction average based optimizer, SABO)算法优化反向传播(back-propagation, BP)神经网络实现谐波预测,以缓解当前谐波数据匮乏的问题。为了克服现有SABO算法易于陷入局部最优解,初始化时使用Logistic混沌映射替代随机数,同时迭代搜索中利用黄金正弦优化算法辅助SABO跳出局部最优,从而提高BP神经网络预测准确率。最后,以某省实际运行数据验证所提改进SABAO-BP模型在谐波电压畸变率及单次谐波电压含有率预测中均具有较高准确性。展开更多
准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法...准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。展开更多
文摘准确的高铁沿线风速预测是铁路灾害预警系统的基础需求,为了提升应对和处理强风灾害致突发事件的能力,提出一种基于减法平均优化(subtraction average based optimizer,SABO)算法优化长短时记忆(long short-term memory,LSTM)神经网络的高铁沿线短期风速预测方法。首先,针对风速非线性和非平稳特性,采用极小化极大(min-max,MM)方法对风速数据进行归一化处理;其次,采用SABO算法中的“-v”方法对LSTM模型的关键参数搜索寻优,并构建风速预测模型;最后,以中国宝兰高铁沿线风速采集点采集的实测风速数据为例,对模型进行有效性检验。实验结果表明:SABO算法的寻优效果更加良好,预测精度更高,所建模型的平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和均方根误差(route mean square error,RMSE)分别仅为11.96%、1.23%和16.47%,决定系数(r-square,R^(2))为0.995。与其他模型相比,通过SABO算法优化后的LSTM神经网络在短期风速预测上具有较好的拟合效果和更高的预测精度,可为高铁沿线大风预测预警提供一种新的方法和思路。
文摘针对日趋严重的电网谐波污染亟需大量谐波数据支撑分析和治理及电网谐波监测能力不足的问题,提出一种改进减法平均优化(subtraction average based optimizer, SABO)算法优化反向传播(back-propagation, BP)神经网络实现谐波预测,以缓解当前谐波数据匮乏的问题。为了克服现有SABO算法易于陷入局部最优解,初始化时使用Logistic混沌映射替代随机数,同时迭代搜索中利用黄金正弦优化算法辅助SABO跳出局部最优,从而提高BP神经网络预测准确率。最后,以某省实际运行数据验证所提改进SABAO-BP模型在谐波电压畸变率及单次谐波电压含有率预测中均具有较高准确性。
文摘准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。
