資源描述：
《基于PSO—RBF監(jiān)測預(yù)測模型的電力電子電路-論文.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第15卷第2期上海應(yīng)用技術(shù)學(xué)院學(xué)報(bào)(自然科學(xué)版)V0l_15NO．22Ol5年6月JOURNALOFSHANGHAIINSTITUTEOFTECHNOLOGY(NATURALSCIENCE)Jun．2O15文章編號：1671—7333(2015)02—0162—05DOI：10．3969／j．issn．1671-7333．2015．02．013基于PSO—RBF監(jiān)測預(yù)測模型的電力電子電路王紳宇，陳丹江，葉銀忠(1．上海應(yīng)用技術(shù)學(xué)院電氣與電子工程學(xué)院，上海201418；2．浙江萬里學(xué)院電子信息學(xué)院，浙江寧波315100)摘要：針對現(xiàn)有電力電子
2、電路故障狀態(tài)預(yù)測技術(shù)的不足，提出將電路特征性能參數(shù)與粒子群算法(PSO)優(yōu)化的徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)相結(jié)合，對電力電子電路進(jìn)行故障狀態(tài)監(jiān)測預(yù)測．以電源電路中Buck電路為例，選擇電路輸出電壓作為監(jiān)測信號，提取輸出電壓平均值及紋波電壓值作為電路特征性能參數(shù)，并利用改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)狀態(tài)預(yù)測．結(jié)果表明，利用PSO改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)對電路輸出平均電壓和紋波電壓的預(yù)測比單純RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果更加精準(zhǔn)，能夠跟蹤電源電路狀態(tài)特征性能參數(shù)的變化趨勢，有效實(shí)現(xiàn)電力電子電路狀態(tài)監(jiān)測和預(yù)測．關(guān)鍵詞：故障狀態(tài)預(yù)測；RBF神經(jīng)網(wǎng)絡(luò)；粒子群算
3、法；電力電子電路中圖分類號：TP206．3文獻(xiàn)標(biāo)志碼：AFaultConditionMonitoringPredictionTechniqueofPowerElectroniCCircuitsBasedonPSO—RBFNeuralNetworkWANGShenyu，CHENDanjiang，YEYinzhong(1．SchoolofElectricalandElectronicEngineering，ShanghaiInstituteofTechnology，Shanghai201418，China；2．SchoolofElectroni
4、cInformation，ZhejiangWanliUniversity，Ningbo315100，Zhejiang，China)Abstract：Aimingattheissueoffaultconditionmonitoringpredictiontechniqueofpowerelectroniccircuits，amethodbasedoncharacteristicparameterdataandparticleswarmoptimization(PSO)radialbasisfunction(RBF)neuralnetworkf
5、orthefaultconditionmonitoringpredictionofpowerelectroniccircuitswasproposed．TheBuckconvertercircuitwastakenasanexample，thentheaveragevoltagewasextractedascharacteristicparameters，thefaultpredictionofpowerelectroniccircuitswasachieved．Theoutputvoltagewasselectedasmonitoring
6、signal，thentheaveragevoltagewasextractedascharacteristicparameters．PSO—RBFneuralnetworkwasusedtopredicttheBuckconvertercircuit．TheexperimentalresultsshowedthatthePSO-RBFneuralnetworkwasmoreaccurateinpredictingthanthatoftheonlyRBFneuralnetwork．Thenewmethodcouldtracethechara
7、cteristicparameterstrendandcouldbeeffectivelyappliedinfaultconditionmonitoringpredictionofpowerelectroniccircuits．Keywords：conditionmonitoringprediction；RBFneuralnetwork；particleswarmoptimization(PSO)；powerelectroniccircuits收稿日期：2015-01—10基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(61374132)第一作者：王紳
8、宇(1988一)，男，碩士生，主要研究方向?yàn)楣收显\斷與容錯控制．E—mail：Wangshenyu00@163．com通信作者：葉銀忠(1964一)，男，教授，博士生導(dǎo)師，主要研
