期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到2篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断
1
作者 王福忠 任淯琳 +1 位作者 张丽 王丹 《河南理工大学学报（自然科学版）》 CAS 北大核心 2024年第5期118-126,共9页
目的为了解决双向DC-DC电力变换器的软故障诊断精度不高的问题,方法提出基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断模型。首先,分析双向DC-DC电力变换器中电容、电感和MOSFET管的故障机理,通过仿真实验模拟各元件失效后变换器的输... 目的为了解决双向DC-DC电力变换器的软故障诊断精度不高的问题,方法提出基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断模型。首先,分析双向DC-DC电力变换器中电容、电感和MOSFET管的故障机理,通过仿真实验模拟各元件失效后变换器的输出电气参数变化,从而确定变换器不同元件故障时对应的故障特征参数;其次,构建改进的LSTM-SVM双向DC-DC电力变换器故障诊断组合模型,在LSTM中添加Mogrifier门机制,提高LSTM提取时间序列原始数据中微弱特征的能力;最后,由于传统LSTM的末端分类器为Softmax,其主要解决单一元件诊断问题,变换器故障类型较多,维数较高,所以采用麻雀搜索算法优化的SVM代替原有的Softmax函数,对LSTM输出的数据进行故障分类,提高故障诊断的准确率。设置双向DC-DC电力变换器充放电两种状态下,包含电解电容、电感和MOSFET单双管故障在内的24组故障,分别采用本文构建的改进的LSTM-SVM和原始的LSTM-SVM双向DC-DC变换器故障诊断模型进行诊断。结果结果表明,改进的LSTM-SVM故障诊断模型诊断准确率平均值为99.71%,原始的LSTM-SVM故障诊断模型诊断准确率平均值为88.48%,改进的LSTM-SVM故障诊断模型对各元件的故障诊断正确率均高于原始的LSTM-SVM故障诊断模型的。结论基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断模型实现了对双向DC-DC电力变换器中的电解电容、电感和MOSFET单双管故障的准确诊断。 展开更多
关键词 双向DC-DC变换器 软故障 改进长短期记忆网络 麻雀搜索 支持向量机 故障诊断
下载PDF
基于Mogrifier LSTM-SVR的超级电容寿命预测
2
作者 王福忠 任淯琳 张丽 《电源技术》 CAS 北大核心 2023年第7期935-939,共5页
超级电容是储能系统中常用的储能元件,为了解决在对其使用寿命预测时,影响因子考虑不全面,预测精度不高的问题,提出基于支持向量机回归算法与改进的长短期记忆网络算法(Mogrifier LSTM-SVR)相结合的超级电容的使用寿命预测模型。通过引... 超级电容是储能系统中常用的储能元件,为了解决在对其使用寿命预测时,影响因子考虑不全面,预测精度不高的问题,提出基于支持向量机回归算法与改进的长短期记忆网络算法(Mogrifier LSTM-SVR)相结合的超级电容的使用寿命预测模型。通过引入温度、电压和电流三种超级电容寿命影响因子,建立更贴近实际的超级电容寿命模型,选取剩余容量作为特征参数。构建Mogrifier LSTM网络,在传统的LSTM中增加Mogrifier门机制,并利用支持向量机回归(SVR)对Mogrifier LSTM网络预测误差回归预测,修正误差。通过仿真实验和模型的预测结果对比分析表明,Mogrifier LSTM-SVR对超级电容寿命预测的准确性更高,误差波动量级更小。 展开更多
关键词 超级电容 寿命预测 长短期记忆网络 支持向量机回归 剩余容量
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部