CN114781435A - 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 - Google Patents

一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 Download PDF

Info

Publication number
CN114781435A
CN114781435A CN202210300673.3A CN202210300673A CN114781435A CN 114781435 A CN114781435 A CN 114781435A CN 202210300673 A CN202210300673 A CN 202210300673A CN 114781435 A CN114781435 A CN 114781435A
Authority
CN
China
Prior art keywords
electronic circuit
power electronic
optimization algorithm
decomposition
modal decomposition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210300673.3A
Other languages
English (en)
Other versions
CN114781435B (zh
Inventor
王力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202210300673.3A priority Critical patent/CN114781435B/zh
Publication of CN114781435A publication Critical patent/CN114781435A/zh
Application granted granted Critical
Publication of CN114781435B publication Critical patent/CN114781435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，首先采集电解电容不同退化程度下的电压信号，最小化包络香农熵作为哈里斯鹰优化算法的适应度值，改进的哈里斯鹰优化算法同时优化变分模态分解的分解层数K和惩罚因子α。优化后的变分模态分解对电压信号进行分解，使用克莱姆相关系数选择有效模态分量实现重构信号，提取时域和频域的特征，构建概率神经网络作为分类器，用于电力电子电路的故障诊断。本发明解决了变分模态分解的分解层数K与惩罚因子α之间的相互作用对分解效果产生的影响，利用克莱姆相关系数选择有效模态分量重构信号，提取时域和频域特征，确保提取特征的全面性，提高故障的诊断率。

Description

一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电 子电路故障诊断方法
技术领域
本发明涉及电力电子电路故障诊断技术领域，特别地，涉及一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法。
背景技术
电力电子技术作为综合应用技术基础科学，广泛应用在国防军事、工业生产、可再生能源系统等领域。现代电子系统的规模越来越大，结构越来越复杂，工作环境越来越多变，系统发生故障的概率也随之增大，而电力电子电路作为电子系统的关键组成部分，受到内部器件和外部环境的影响，其可靠性和安全性成为关键问题。随着机器学习和深度学习的理论研究和实际应用的发展，给电力电子电路的故障诊断提供了一条新的研究思路。
为此，本发明提出一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法。哈里斯鹰优化算法(Harris Hawk optimization,HHO)其灵感来自于哈里斯鹰的合作觅食行为，在全局搜索和围捕猎物的过程进行建模来模拟真实情况下哈里斯鹰围捕猎物的复杂过程。HHO算法因其原理简单、调参较少和稳定性强的原因，已经广泛应用到各种优化问题的求解。但是HHO算法和许多群智能优化算法一样，存在收敛精度和局部寻优等问题。变分模态分解(Variational mode decomposition,VMD)广泛的应用到故障信号的特征提取中，但是没有考虑到VMD的分解层数K与惩罚因子α之间的相互作用对分解效果产生的影响。
发明内容
本发明的目的在于提供一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，针对HHO算法存在的不足，提出了一种基于Circle混沌映射与柯西差分变异操作的HHO算法，改进的HHO算法同时优化VMD的分解层数K和惩罚因子α。将优化后的VMD对采集的电压故障信号进行分解，利用克莱姆相关系数对模态分量进行有效选择，重构信号并提取时域和频域10维特征组成特征向量，并构建概率神经网络作为分类器，用于电力电子电路的故障诊断。
为了达成上述目的，本发明的解决方案是：
基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，包括以下步骤(1)～(5)：
1、一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，包括以下步骤：
步骤(1)：基于Matlab中的Simulink仿真平台，建立实际电子电子电路的仿真模型，并选取电解电容在不同退化程度下的输入电压和输出电压信号为数据集，对应的退化程度为故障类型进行分类；
步骤(2)：对步骤(1)采集的电压信号，利用改进的哈里斯鹰优化算法同时优化变分模态分解的参数分解层数K和惩罚因子α,最小化包络香农熵为哈里斯鹰优化算法的适应度函数；其中，对于采集的电压信号进行变分模态分解后，得到若干个本征模态函数，计算每个本征模态函数的包络香农熵值，最小的包络香农熵值对应的参数K和α即为变分模态分解的最优参数；
步骤(3)：使用优化后的变分模态分解对电压信号进行处理，计算本征模态分量与原信号之间的克莱姆相关系数，选择大于阈值的本征模态分量，重构信号并提取其时域和频域10维特征构成特征向量；其中，10维特征分别为信号的最大值、最小值、均值、方根幅值、方差、标准差、重心频率、峭度、频率方差和均方频率；
步骤(4)：构建概率神经网络诊断模型，将步骤(3)中的特征向量作为概率神经网络的输入，对应的故障类别作为概率神经网络的输出，进行概率神经网络的训练，训练后的模型作为电力电子电路故障诊断模型；
步骤(5)：对于实际电力电子电路中采集的电压信号，按照步骤(3)中方法得到的特征向量输入步骤(4)训练好的概率神经网络模型，根据电力电子电路故障诊断模型的输出，可得到实际电力电子电路的故障类型。
2、如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(1)中仿真模型采集的电压信号设置为电力电子电路中电解电容的标称值依次退化2％下的输入电压信号、输出电压信号。
3、如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(2)中改进的哈里斯鹰优化算法优化变分模态分解的具体步骤如下：
步骤3.1：参数设置如下：初始化哈里斯鹰的种群位置向量为[K,α]，种群规模为N，最大迭代次数为T，上下边界分别为LB和UB，目标函数的维度为D；
步骤3.2：引入Circle混沌映射，形成分布均匀的初始化种群，同时记录当前最优个体及位置；
步骤3.3：对采集到的电压信号根据每个哈里斯鹰的位置使用变分模态分解进行处理，计算每个哈里斯鹰个体对应的包络香农熵；
步骤3.4：更新逃逸能量E和跳跃强度J，根据逃逸能量E和逃脱概率r选择四种策略，更新最优个体及位置；
步骤3.5：对当前个体、最优个体和随机选择的个体执行柯西差分变异操作，计算并更新当前最优个体及位置；
步骤3.6：当满足最大迭代次数约束条件时，输出最优参数组合[K,α]，否则，返回步骤3.3。
4、如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(2)中所述的哈里斯鹰优化算法优化变分模态分解的适应度函数表示如下：
Fitness＝MESE＝min{IMFESE(1),…,IMFESE(k)}
其中，
Figure BDA0003562770880000041
bi为变分模态分解后的第i个模态信号的包络幅值，M为模态信号的长度，pi为归一化后模态信号的包络，IMFESE(k)为第k个模态信号的包络香农熵值。
5、如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(3)中所述的克莱姆相关系数的公式为：
Figure BDA0003562770880000042
其中，φc为克莱姆相关系数，z为变分模态分解后的本征模态分量，Z为原信号，N为测试涉及的样本量，n为任一变量的较少类别数。
6、如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(3)中所述的阈值设置为0.6。
7、如权利要求3所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤3.2中Ciecle混沌映射的公式为：
Figure BDA0003562770880000043
其中，mod为取余函数，a和b为系数，分别取0.6和0.3。
8、如权利要求3所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤3.4中四种策略表达式为：
策略一：当|E|≥0.5和r≥0.5，采取软包围策略，其公式如下：
X(t+1)＝△X(t)-E|JXrabbit(t)-X(t)|
其中，△X(t)＝Xrabbit(t)-X(t)，J＝2(1-r5)，r5为[0,1]之间的随机数，
Figure BDA0003562770880000044
E0为[-1,1]之间的随机数，t为当前迭代次数；
策略二：当|E|<0.5和r≥0.5，采取硬包围策略，其公式如下：
X(t+1)＝Xrabbit(t)-E|△X(t)|
策略三：当|E|≥0.5和r<0.5，采取渐进式快速俯冲的软包围策略，其公式如下：
Figure BDA0003562770880000051
其中，D为问题维度，S为D维的随机向量，LF为Levy飞行函数；
策略四：当|E|<0.5和r<0.5，采取渐进式快速俯冲的硬包围策略，其公式如下：
Figure BDA0003562770880000052
其中，
Figure BDA0003562770880000053
Xm为当前种群的平均位置，N为种群数量。
9、如权利要求3所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤3.5中柯西差分变异的数学表达式为：
X(t+1)＝w1·f1·(X*-X(t))+w2·f2·(Xrand-X(t))
其中，w1和w2为权重系数；f1与f2是以均值为0，方差为1的标准柯西分布函数作为柯西分布函数的系数；X*为当前最优个体位置，Xrand为随机选择的哈里斯鹰的位置向量，X(t)为当前哈里斯鹰的个体位置。
附图说明
图1为本发明实施例提供的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法流程图；
图2为本发明实施例提供的一种电力电子电路仿真拓扑图。
具体实施方式
下面结合附图对本发明的技术方案进行进一步说明：
本发明提供一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其总体思路为：
首先通过建立实际电力电子电路的Simulink仿真模型，并选取电解电容在不同退化程度下的输入电压和输出电压信号作为原始数据集，其对应的退化程度为故障类型。将其输入至哈里斯鹰优化算法优化的变分模态分解中，针对哈里斯鹰优化算法存在收敛精度和局部寻优的问题，提出了一种基于Circle混沌映射与柯西差分变异操作的HHO算法，以包络香农熵的极小值作为哈里斯鹰优化算法的适应度函数，改进的HHO算法同时优化VMD的分解层数K和惩罚因子α。将优化后的VMD对采集的电压故障信号进行分解，使用克莱姆相关系数对模态分量进行有效选择，重构信号并提取时域和频域10维特征组成特征向量，构建概率神经网络作为分类器，用于电力电子电路的故障诊断。
如图1所示，本发明的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，具体实施包括以下步骤(1)～(5)：
步骤(1)：基于Matlab中的Simulink仿真平台，建立实际电子电子电路的仿真模型，并选取电解电容在不同退化程度下的输入电压和输出电压信号为数据集，对应的退化程度为故障类型进行分类；
步骤(2)：对步骤(1)采集的电压信号，利用改进的哈里斯鹰优化算法同时优化变分模态分解的参数分解层数K和惩罚因子α,最小化包络香农熵为哈里斯鹰优化算法的适应度函数；其中，对于采集的电压信号进行变分模态分解后，得到若干个本征模态函数，计算每个本征模态函数的包络香农熵值，最小的包络香农熵值对应的参数K和α即为变分模态分解的最优参数；
步骤(3)：使用优化后的变分模态分解对电压信号进行处理，计算本征模态分量与原信号之间的克莱姆相关系数，选择大于阈值的本征模态分量，重构信号并提取其时域和频域10维特征构成特征向量；其中，10维特征分别为信号的最大值、最小值、均值、方根幅值、方差、标准差、重心频率、峭度、频率方差和均方频率；
步骤(4)：构建概率神经网络诊断模型，将步骤(3)中的特征向量作为概率神经网络的输入，对应的故障类别作为概率神经网络的输出，进行概率神经网络的训练，训练后的模型作为电力电子电路故障诊断模型；
步骤(5)：对于实际电力电子电路中采集的电压信号，按照步骤(3)中方法得到的特征向量输入步骤(4)训练好的概率神经网络模型，根据电力电子电路故障诊断模型的输出，可得到实际电力电子电路的故障类型。
在本实施例中，上述步骤(1)中电解电容在不同退化程度下的参数及其对应的故障模式如下表1设置；
表1电解电容参数及对应的故障模式
Figure BDA0003562770880000071
在本实施例中，上述步骤(3)中提取信号的最大值、最小值、均值等10维特征表达式如下表2所示；
表2 10维信号特征表达式
Figure BDA0003562770880000072
其中，xi为信号序列，i＝1,2,…,n，n为采样点数，f为采样频率，P(f)为在采样频率f下傅里叶变换得到的频谱中每个频率的功率。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (9)

1.一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，包括以下步骤：
步骤(1)：基于Matlab中的Simulink仿真平台，建立实际电子电子电路的仿真模型，并选取电解电容在不同退化程度下的输入电压和输出电压信号为数据集，对应的退化程度为故障类型进行分类；
步骤(2)：对步骤(1)采集的电压信号，利用改进的哈里斯鹰优化算法同时优化变分模态分解的参数分解层数K和惩罚因子α,最小化包络香农熵为哈里斯鹰优化算法的适应度函数；其中，对于采集的电压信号进行变分模态分解后，得到若干个本征模态函数，计算每个本征模态函数的包络香农熵值，最小的包络香农熵值对应的参数K和α即为变分模态分解的最优参数；
步骤(3)：使用优化后的变分模态分解对电压信号进行处理，计算本征模态分量与原信号之间的克莱姆相关系数，选择大于阈值的本征模态分量，重构信号并提取其时域和频域10维特征构成特征向量；其中，10维特征分别为信号的最大值、最小值、均值、方根幅值、方差、标准差、重心频率、峭度、频率方差和均方频率；
步骤(4)：构建概率神经网络诊断模型，将步骤(3)中的特征向量作为概率神经网络的输入，对应的故障类别作为概率神经网络的输出，进行概率神经网络的训练，训练后的模型作为电力电子电路故障诊断模型；
步骤(5)：对于实际电力电子电路中采集的电压信号，按照步骤(3)中方法得到的特征向量输入步骤(4)训练好的概率神经网络模型，根据电力电子电路故障诊断模型的输出，可得到实际电力电子电路的故障类型。
2.如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(1)中仿真模型采集的电压信号设置为电力电子电路中电解电容的标称值依次退化2％下的输入电压信号、输出电压信号。
3.如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(2)中改进的哈里斯鹰优化算法优化变分模态分解的具体步骤如下：
步骤3.1：参数设置如下：初始化哈里斯鹰的种群位置向量为[K,α]，种群规模为N，最大迭代次数为T，上下边界分别为LB和UB，目标函数的维度为D；
步骤3.2：引入Circle混沌映射，形成分布均匀的初始化种群，同时记录当前最优个体及位置；
步骤3.3：对采集到的电压信号根据每个哈里斯鹰的位置使用变分模态分解进行处理，计算每个哈里斯鹰个体对应的包络香农熵；
步骤3.4：更新逃逸能量E和跳跃强度J，根据逃逸能量E和逃脱概率r选择四种策略，更新最优个体及位置；
步骤3.5：对当前个体、最优个体和随机选择的个体执行柯西差分变异操作，计算并更新当前最优个体及位置；
步骤3.6：当满足最大迭代次数约束条件时，输出最优参数组合[K,α]，否则，返回步骤3.3。
4.如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(2)中所述的哈里斯鹰优化算法优化变分模态分解的适应度函数表示如下：
Fitness＝MESE＝min{IMFESE(1),…,IMFESE(k)}
其中，
Figure FDA0003562770870000021
bi为变分模态分解后的第i个模态信号的包络幅值，M为模态信号的长度，pi为归一化后模态信号的包络，IMFESE(k)为第k个模态信号的包络香农熵值。
5.如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(3)中所述的克莱姆相关系数的公式为：
Figure FDA0003562770870000022
其中，φc为克莱姆相关系数，z为变分模态分解后的本征模态分量，Z为原信号，N为测试涉及的样本量，n为任一变量的较少类别数。
6.如权利要求1所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤(3)中所述的阈值设置为0.6。
7.如权利要求3所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤3.2中Ciecle混沌映射的公式为：
Figure FDA0003562770870000031
其中，mod为取余函数，a和b为系数，分别取0.6和0.3。
8.如权利要求3所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤3.4中四种策略表达式为：
策略一：当|E|≥0.5和r≥0.5，采取软包围策略，其公式如下：
X(t+1)＝△X(t)-E|JXrabbit(t)-X(t)|
其中，△X(t)＝Xrabbit(t)-X(t)，J＝2(1-r5)，r5为[0,1]之间的随机数，
Figure FDA0003562770870000032
E0为[-1,1]之间的随机数，t为当前迭代次数；
策略二：当|E|<0.5和r≥0.5，采取硬包围策略，其公式如下：
X(t+1)＝Xrabbit(t)-E|△X(t)|
策略三：当|E|≥0.5和r<0.5，采取渐进式快速俯冲的软包围策略，其公式如下：
Figure FDA0003562770870000033
其中，D为问题维度，S为D维的随机向量，LF为Levy飞行函数；
策略四：当|E|<0.5和r<0.5，采取渐进式快速俯冲的硬包围策略，其公式如下：
Figure FDA0003562770870000041
其中，
Figure FDA0003562770870000042
Xm为当前种群的平均位置，N为种群数量。
9.如权利要求3所述的一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法，其特征在于，所述步骤3.5中柯西差分变异的数学表达式为：
X(t+1)＝w1·f1·(X*-X(t))+w2·f2·(Xrand-X(t))
其中，w1和w2为权重系数；f1与f2是以均值为0，方差为1的标准柯西分布函数作为柯西分布函数的系数；X*为当前最优个体位置，Xrand为随机选择的哈里斯鹰的位置向量，X(t)为当前哈里斯鹰的个体位置。
CN202210300673.3A 2022-03-24 2022-03-24 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 Active CN114781435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210300673.3A CN114781435B (zh) 2022-03-24 2022-03-24 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210300673.3A CN114781435B (zh) 2022-03-24 2022-03-24 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法

Publications (2)

Publication Number Publication Date
CN114781435A true CN114781435A (zh) 2022-07-22
CN114781435B CN114781435B (zh) 2024-05-07

Family

ID=82425150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210300673.3A Active CN114781435B (zh) 2022-03-24 2022-03-24 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法

Country Status (1)

Country Link
CN (1) CN114781435B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703624A (zh) * 2023-05-22 2023-09-05 淮阴工学院 基于区块链的企业运行诊断系统和方法
CN117349623A (zh) * 2023-10-25 2024-01-05 广西财经学院 一种基于双种群哈里斯鹰算法的系统级故障诊断方法
CN117349735A (zh) * 2023-12-05 2024-01-05 国家电投集团云南国际电力投资有限公司 一种直流微电网的故障检测方法、装置、设备及存储介质
CN117874434A (zh) * 2024-03-11 2024-04-12 湖南工程学院 一种环境温湿度智能检测过程中数据清洗方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
AU2020104117A4 (en) * 2020-12-16 2021-03-04 Mohd Aleem Khan A methodfor fractional order controller in delta domain for electrochemical process
CN113240069A (zh) * 2021-05-14 2021-08-10 江苏科技大学 一种基于改进哈里斯鹰算法的rbf神经网络优化方法
CN113361777A (zh) * 2021-06-08 2021-09-07 淮阴工学院 基于vmd分解和ihho优化lstm的径流预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
AU2020104117A4 (en) * 2020-12-16 2021-03-04 Mohd Aleem Khan A methodfor fractional order controller in delta domain for electrochemical process
CN113240069A (zh) * 2021-05-14 2021-08-10 江苏科技大学 一种基于改进哈里斯鹰算法的rbf神经网络优化方法
CN113361777A (zh) * 2021-06-08 2021-09-07 淮阴工学院 基于vmd分解和ihho优化lstm的径流预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑小霞;陈广宁;任浩翰;李东东;: "基于改进VMD和深度置信网络的风机易损部件故障预警", 振动与冲击, no. 08, 28 April 2019 (2019-04-28) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703624A (zh) * 2023-05-22 2023-09-05 淮阴工学院 基于区块链的企业运行诊断系统和方法
CN117349623A (zh) * 2023-10-25 2024-01-05 广西财经学院 一种基于双种群哈里斯鹰算法的系统级故障诊断方法
CN117349623B (zh) * 2023-10-25 2024-04-19 广西财经学院 一种基于双种群哈里斯鹰算法的系统级故障诊断方法
CN117349735A (zh) * 2023-12-05 2024-01-05 国家电投集团云南国际电力投资有限公司 一种直流微电网的故障检测方法、装置、设备及存储介质
CN117349735B (zh) * 2023-12-05 2024-03-26 国家电投集团云南国际电力投资有限公司 一种直流微电网的故障检测方法、装置、设备及存储介质
CN117874434A (zh) * 2024-03-11 2024-04-12 湖南工程学院 一种环境温湿度智能检测过程中数据清洗方法
CN117874434B (zh) * 2024-03-11 2024-05-24 湖南工程学院 一种环境温湿度智能检测过程中数据清洗方法

Also Published As

Publication number Publication date
CN114781435B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN114781435B (zh) 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法
Yang et al. Fault diagnosis for energy internet using correlation processing-based convolutional neural networks
CN110738010A (zh) 集成深度学习模型的风电场短期风速预测方法
CN106778923B (zh) 一种电能质量扰动信号分类方法及装置
Han et al. Fault diagnosis system of induction motors based on neural network and genetic algorithm using stator current signals
CN107766816A (zh) 一种基于lvq神经网络的高压断路器机械故障识别方法
CN110826791A (zh) 一种基于长短时记忆神经网络的混合风功率预测方法
CN108520301A (zh) 一种基于深度置信网络的电路间歇故障诊断方法
CN111368259B (zh) 一种配网电压数据缺失填补方法及相关装置
CN111697621A (zh) 基于ewt-pdbn组合的短期风电功率预测方法
CN110175541B (zh) 一种海平面变化非线性趋势提取的方法
CN110443724B (zh) 一种基于深度学习的电力系统快速状态估计方法
CN113659565B (zh) 一种新能源电力系统频率态势的在线预测方法
CN113553755B (zh) 电力系统状态估计方法、装置及设备
CN115017787A (zh) 基于智能算法的风电场电压穿越特性等值建模方法及系统
CN102034111A (zh) 一种对飞行器结构损伤状态进行多元化识别与检测的方法
CN115510042A (zh) 基于生成对抗网络的电力系统负荷数据填补方法及装置
CN111353391B (zh) 雷达干扰效果评估方法、装置、电子设备及其存储介质
CN114548532A (zh) 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备
Yin et al. Deep learning based feature reduction for power system transient stability assessment
Sima et al. Edge–cloud collaboration detection approach for small-sample imbalanced faults in power lines
CN115983374A (zh) 基于优化sa-cacgan的电缆局放数据库样本扩充方法
Qiu et al. Fault diagnosis of analog circuits based on wavelet packet energy entropy and DBN
CN114136619A (zh) 一种基于卷积自编码的变工况下滚动轴承故障诊断方法
CN112232129A (zh) 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant