检索结果-维普期刊中文期刊服务平台

基于优化VMD和BiLSTM的短期负荷预测: 1; 作者谢国民陆子俊《电力系统及其自动化学报》北大核心 2025年第4期30-39,共10页; 针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集... 展开更多; 关键词电力负荷预测变分模态分解双向长短期记忆网络改进沙猫群优化算法集成学习算法; 在线阅读下载PDF 职称材料

基于沙丘猫优化变分模态分解和蜣螂优化算法同步优化特征选择的齿轮泵磨损故障诊断: 2; 作者问亚鹏张佳奇 +3 位作者郭锐杨锦昌何丝丝张浩《液压与气动》北大核心 2025年第8期65-78,共14页; 数据驱动的外啮合齿轮泵(以下简称齿轮泵)故障诊断中,存在实际作业中易受噪声干扰、故障特征冗余以及故障特征选择与分类器参数寻优繁琐问题,为此提出一种基于沙丘猫优化变分模态分解和蜣螂优化算法同步优化特征选择的齿轮泵磨损故障诊... 展开更多; 关键词齿轮泵故障诊断同步优化特征选择蜣螂优化算法沙丘猫优化变分模态分解; 在线阅读下载PDF 职称材料

基于CEEMD联合TGSCSO-LSTM算法的变压器油中气体浓度预测方法被引量：1: 3; 作者彭继慎夏玲云王燚增《电气工程学报》 CSCD 北大核心 2024年第4期407-415,共9页; 油中溶解气体浓度的预测可为电力变压器状态评估与早期故障诊断提供重要的数据依据。由此,针对长短期记忆网络(Long short-term memory network,LSTM)预测模型参数选择困难的问题,同时为提高变压器油中溶解气体浓度预测的精度,提出一种... 展开更多; 关键词油中溶解气体互补集合经验模态分解沙丘猫群优化算法长短时记忆神经网络; 在线阅读下载PDF 职称材料

基于改进沙猫群算法优化CNN-BiLSTM的热负荷预测被引量：6: 4; 作者王耀辉薛贵军赵广昊《现代电子技术》北大核心 2024年第14期20-29,共10页; 针对传统热负荷预测精度不高、无法满足换热站及热网优化调控需求的问题,提出一种VMD-ISCSO-CNN-BiLSTM的热负荷预测模型。首先,利用变分模态分解(VMD)对原始供热负荷数据进行降噪处理,降低数据的不稳定性;其次,由K-means算法改进种群... 展开更多; 关键词热负荷预测卷积神经网络双向长短期记忆神经网络改进沙猫群算法变分模态分解(VMD) K-MEANS算法演变机制变异机制; 在线阅读下载PDF 职称材料

PEMFC系统建模与空气供给子系统氧气过量比的控制: 5; 作者刘岩肖纯 +2 位作者陈静伍炜吴浩健《太阳能学报》 EI CAS CSCD 北大核心 2024年第11期709-717,共9页; 针对质子交换膜燃料电池空气供给子系统氧气过量比的控制问题,首先,建立面向控制的质子交换膜燃料电池系统的四阶非线性动态模型,构建电堆负载电流与最佳氧气过量比之间的拟合曲线方程;随后,设计一种采用新型复合趋近律的滑模控制器,并... 展开更多; 关键词质子交换膜燃料电池空气供给子系统滑模控制沙丘猫群优化算法氧气过量比; 在线阅读下载PDF 职称材料

基于VMD-ICSO-GRU的高铁列控车载设备故障率时间序列预测被引量：12: 6; 作者魏伟赵小强吴进《铁道学报》 EI CAS CSCD 北大核心 2023年第6期58-68,共11页; 有效地预测高铁列控车载设备故障率对合理分配设备备品、制定维修计划、减少故障发生具有重要意义。以列车运行控制系统的历史故障数据为对象,提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的故障率预测模型。首先,利用VMD将车载... 展开更多; 关键词列控车载设备故障率预测变分模态分解门控循环单元猫群优化算法; 在线阅读下载PDF 职称材料

题名基于优化VMD和BiLSTM的短期负荷预测: 1; 作者谢国民陆子俊; 机构辽宁工程技术大学电气与控制工程学院; 出处《电力系统及其自动化学报》北大核心 2025年第4期30-39,共10页; 基金国家自然科学基金资助项目(51974151) 辽宁省教育厅重点实验室基金资助项目(LJZS003)。; 文摘针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集成预测模型。首先,对原始电力负荷数据进行变分模态分解,降低数据复杂度,在变分模态分解中,引入白鲸算法对分解层数和惩罚因子寻优,优化分解效果。其次,采用Logistic混沌映射、螺旋搜索和麻雀思想引入的多策略改进方法,增加原始沙猫群优化算法的种群多样性,提升收敛精度和全局搜索能力,并用改进后的算法对BiLSTM中的超参数进行优化。然后,结合AdaBoost集成学习算法构建ISCSO-Bi LSTM-AdaBoost预测模型,将分解后的各分量输入模型预测。最后将各预测值叠加,得到最终预测结果。实验结果表明,本文建立的组合模型预测精度高,稳定性强。; 关键词电力负荷预测变分模态分解双向长短期记忆网络改进沙猫群优化算法集成学习算法; Keywords power load prediction variational mode decomposition(VMD) bidirectional long short-term memory(BiLSTM)network improved sand cat swarm optimization(ISCSO)algorithm ensemble learning algorithm; 分类号 TM715 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于沙丘猫优化变分模态分解和蜣螂优化算法同步优化特征选择的齿轮泵磨损故障诊断: 2; 作者问亚鹏张佳奇郭锐杨锦昌何丝丝张浩; 机构中国航发四川燃气涡轮研究院燕山大学起重机械关键技术全国重点试验室河北省特种运载装备重点试验室先进锻压成形技术与科学教育部重点试验室; 出处《液压与气动》北大核心 2025年第8期65-78,共14页; 基金国家自然科学基金(52075469,12173054)。; 文摘数据驱动的外啮合齿轮泵(以下简称齿轮泵)故障诊断中,存在实际作业中易受噪声干扰、故障特征冗余以及故障特征选择与分类器参数寻优繁琐问题,为此提出一种基于沙丘猫优化变分模态分解和蜣螂优化算法同步优化特征选择的齿轮泵磨损故障诊断方法。首先,搭建齿轮泵故障试验台获取原始故障数据,采用沙丘猫优化变分模态分解方法对齿轮泵4种磨损故障的振动信号进行降噪重构;然后,提取故障磨损4种重构信号的时域、频域和时频域统计特征共26种,并组成特征层;最后,基于蜣螂优化算法同步优化特征选择对故障特征集进行特征选择,同时优化支持向量机分类器参数,实现齿轮泵的磨损故障类型识别。结果显示,该齿轮泵故障诊断方法准确率高达99.6%,耗时仅49.8 s,具有较高的诊断精度和运算效率。; 关键词齿轮泵故障诊断同步优化特征选择蜣螂优化算法沙丘猫优化变分模态分解; Keywords gear pump fault diagnosis simultaneous optimal feature selection dung beetle optimization algorithm sand cat swarm optimization-variational mode decomposition; 分类号 TH137 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于CEEMD联合TGSCSO-LSTM算法的变压器油中气体浓度预测方法被引量：1: 3; 作者彭继慎夏玲云王燚增; 机构辽宁工程技术大学电气与控制工程学院国网冀北电力有限公司超高压分公司; 出处《电气工程学报》 CSCD 北大核心 2024年第4期407-415,共9页; 基金辽宁省自然科学基金(2019-ZD-0039) 辽宁省教育厅科学技术研究创新团队(LT2019007)资助项目。; 文摘油中溶解气体浓度的预测可为电力变压器状态评估与早期故障诊断提供重要的数据依据。由此,针对长短期记忆网络(Long short-term memory network,LSTM)预测模型参数选择困难的问题,同时为提高变压器油中溶解气体浓度预测的精度,提出一种基于CEEMD联合TGSCSO-LSTM算法的变压器油中气体浓度预测方法。利用互补集合经验模态分解算法(Complementary ensemble empirical mode decomposition,CEEMD)将原始气体浓度序列分解为一系列具有一定频率特征的分量,以提高原始序列的可预测性能;针对各分量分别建立LSTM预测模型,同时利用经Tent映射随机初始化种群与高斯扰动改进的沙丘猫群优化算法(Sand cat swarm optimization,SCSO)对LSTM网络参数进行优化选取,以提高算法的预测精度;最后重构各个分量的预测结果以获取最终的油中溶解气体浓度预测结果。利用某500 kV变压器实际气体浓度数据对所提方法进行对比试验,试验结果表明,所提方法油中溶解气体浓度预测性能优良,具有较好的应用价值。; 关键词油中溶解气体互补集合经验模态分解沙丘猫群优化算法长短时记忆神经网络; Keywords Dissolved gas in oil complementary ensemble empirical mode decomposition sand cat swarm optimization long short-term memory network; 分类号 TM411 [电气工程—电器] TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于改进沙猫群算法优化CNN-BiLSTM的热负荷预测被引量：6: 4; 作者王耀辉薛贵军赵广昊; 机构华北理工大学电气工程学院华北理工大学智能仪器厂; 出处《现代电子技术》北大核心 2024年第14期20-29,共10页; 文摘针对传统热负荷预测精度不高、无法满足换热站及热网优化调控需求的问题,提出一种VMD-ISCSO-CNN-BiLSTM的热负荷预测模型。首先,利用变分模态分解(VMD)对原始供热负荷数据进行降噪处理,降低数据的不稳定性;其次,由K-means算法改进种群初始化,由演变机制改进寻优能力和由变异机制改进跳出局部最优能力,利用改进沙猫群算法(ISCSO)对卷积神经网络、双向长短期记忆神经网络(CNN-BiLSTM)超参数进行寻优,建立热负荷预测模型;最后通过实例进行分析。结果表明,数据降噪后模型预测精度更高,R^(2)提升1.1%;由ISCSO优化的模型比其他算法优化的模型预测效果更好,拟合度达到99.4%;VMD-ISCSO-CNN-BiLSTM的组合预测模型相较于单一模型,RMSE降低18.5%,MAE降低13.8%,R^(2)提升15.8%,并有更好的拟合度,泛化性强,满足工程实际要求。; 关键词热负荷预测卷积神经网络双向长短期记忆神经网络改进沙猫群算法变分模态分解(VMD) K-MEANS算法演变机制变异机制; Keywords heat load prediction convolutional neural networks bidirectional long short-term memory neural network improved sand cat swarm algorithm variational mode decomposition K-means algorithm evolution mechanism mutation mechanism; 分类号 TN911.23-34 [电子电信—通信与信息系统] TP391.9 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名PEMFC系统建模与空气供给子系统氧气过量比的控制: 5; 作者刘岩肖纯陈静伍炜吴浩健; 机构武汉理工大学自动化学院国家能源氢能及氨氢融合新能源技术重点实验室(佛山仙湖实验室) 武汉理工大学汽车工程学院; 出处《太阳能学报》 EI CAS CSCD 北大核心 2024年第11期709-717,共9页; 基金先进能源科学与技术广东省实验室佛山分中心(佛山仙湖实验室)开放基金(XHD2020-003)。; 文摘针对质子交换膜燃料电池空气供给子系统氧气过量比的控制问题,首先,建立面向控制的质子交换膜燃料电池系统的四阶非线性动态模型,构建电堆负载电流与最佳氧气过量比之间的拟合曲线方程;随后,设计一种采用新型复合趋近律的滑模控制器,并利用沙丘猫群优化算法对滑模控制中的参数进行寻优和整定;最后,对改进后的滑模控制器进行仿真验证,并与PID和其余3种滑模控制进行对比分析。仿真结果表明:当电堆负载电流变化时,改进后的滑模控制器可根据阴极流量偏差参数调节空压机的驱动电压,此时系统实时氧气过量比会迅速向最佳氧气过量比靠近,可将其两者之间的偏差控制0.1%之内,其所需的平均调节时间和误差性能指标均优于对比组。; 关键词质子交换膜燃料电池空气供给子系统滑模控制沙丘猫群优化算法氧气过量比; Keywords proton exchange membrane fuel cells air supply subsystem sliding mode control sand cat swarm optimization algorithm oxygen excess ratio; 分类号 TM911.4 [电气工程—电力电子与电力传动]; 在线阅读下载PDF 职称材料

题名基于VMD-ICSO-GRU的高铁列控车载设备故障率时间序列预测被引量：12: 6; 作者魏伟赵小强吴进; 机构兰州理工大学电气工程与信息工程学院甘肃省工业过程先进控制重点实验室兰州理工大学国家级电气与控制工程实验教学中心北京全路通信信号研究设计院集团有限公司; 出处《铁道学报》 EI CAS CSCD 北大核心 2023年第6期58-68,共11页; 基金国家自然科学基金(62263021) 甘肃省科技计划(22JR11RA141)。; 文摘有效地预测高铁列控车载设备故障率对合理分配设备备品、制定维修计划、减少故障发生具有重要意义。以列车运行控制系统的历史故障数据为对象,提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的故障率预测模型。首先,利用VMD将车载设备故障率时间序列分解为一组包含不同频率信息的子序列,降低原始序列的非平稳性;然后,针对分解后的各个子序列建立多个基于GRU的时间序列预测模型,为提高预测精度,提出一种改进的猫群优化(ICSO)算法自适应设置各个GRU网络参数;最后,叠加各子序列预测结果得到最终故障率预测值。收集CTCS3-300T型列控车载设备历史故障数据进行实验,结果表明,相比于其他时间序列预测模型,本文模型得到的均方根误差(RMSE)和平均绝对误差(MAE)分别为0.0445和0.0391,均低于其他模型,验证了其有效性。; 关键词列控车载设备故障率预测变分模态分解门控循环单元猫群优化算法; Keywords on-board equipment failure rate prediction variational mode decomposition gated circulation unit cat swarm optimization; 分类号 U284.4 [交通运输工程—交通信息工程及控制]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于优化VMD和BiLSTM的短期负荷预测	谢国民陆子俊	《电力系统及其自动化学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于沙丘猫优化变分模态分解和蜣螂优化算法同步优化特征选择的齿轮泵磨损故障诊断	问亚鹏张佳奇郭锐杨锦昌何丝丝张浩	《液压与气动》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于CEEMD联合TGSCSO-LSTM算法的变压器油中气体浓度预测方法	彭继慎夏玲云王燚增	《电气工程学报》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
4	基于改进沙猫群算法优化CNN-BiLSTM的热负荷预测	王耀辉薛贵军赵广昊	《现代电子技术》北大核心	2024	6	在线阅读下载PDF 职称材料
5	PEMFC系统建模与空气供给子系统氧气过量比的控制	刘岩肖纯陈静伍炜吴浩健	《太阳能学报》 EI CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
6	基于VMD-ICSO-GRU的高铁列控车载设备故障率时间序列预测	魏伟赵小强吴进	《铁道学报》 EI CAS CSCD 北大核心	2023	12	在线阅读下载PDF 职称材料