- 赵子天;陈帅;邱海洋;
针对传统神经网络在变压器故障诊断中存在可解释性不足、时序特征提取能力弱等问题,提出了一种融合长短期记忆网络(LSTM)与柯尔莫戈洛夫-阿诺德网络(Kolmogorov-Arnold Network,KAN)的新型诊断模型——LKAN。该模型首先利用LSTM对变压器运行时序数据进行建模,并从隐藏状态中提取关键时序特征;随后将特征输入KAN层,通过B-spline基函数实现非线性映射与函数分解,提升模型的表达能力与可解释性。在真实电力变压器数据集上的实验结果表明,LKAN模型的故障诊断准确率达到98.80%,优于LSTM、卷积神经网络(CNN)、门控循环单元(GRU)及单一KAN模型,同时展现出较强的泛化能力与稳定性。LKAN模型有效融合了LSTM的时序建模能力与KAN的可解释性优势,为变压器智能故障诊断提供了一种高精度、可解释性强的技术路径,具有良好的工程推广价值。
2026年01期 v.46;No.185 71-80页 [查看摘要][在线阅读][下载 1895K] [下载次数:216 ] |[网刊下载次数:0 ] |[引用频次:0 ] |[阅读次数:6 ] - 姜涛;许素娟;郎宪明;王怀东;曹江涛;
针对混凝土机器人在复杂施工环境下路径规划存在收敛速度慢、易陷入局部最优和路径冗余的问题,提出了一种基于改进蚁群算法的混凝土机器人路径规划优化方法。首先,构建新的信息素更新规则,并引入事后经验回放算法设置伪目标点,用于解决传统蚁群算法收敛速度慢和易陷入局部最优的问题;其次,引入了新的障碍物启发因子,以提高传统蚁群算法的避障能力;最后,针对传统蚁群算法路径冗余的问题,引入曲线平滑函数去除冗余节点以提高路径质量。仿真实验结果表明,改进的蚁群算法在最短路径长度、拐点数量和最佳迭代次数方面具有较好的有效性和稳定性。
2026年01期 v.46;No.185 81-87页 [查看摘要][在线阅读][下载 1515K] [下载次数:114 ] |[网刊下载次数:0 ] |[引用频次:0 ] |[阅读次数:6 ] - 刘启雯;杜诗语;石元博;
提出一种基于ADMM的多微网系统分布式协调优化方法,构建了综合考虑发电成本、储能运行及微网间交互的优化模型,并采用二阶锥松弛技术处理了潮流非线性约束。通过优化ADMM迭代流程和参数选择,该方法显著提高了计算效率,同时通过分布式架构保护了数据隐私。算例分析结果表明,该方法仅需5次迭代即可收敛,计算效率比集中式优化提高了76.7%,优化结果相差仅0.34%;与线性规划方法相比,ADMM提升了40.0%的电压控制效果,减少了15.5%的线路损耗。该方法具有良好的可扩展性,计算复杂度随微网数量呈线性增长,适用于多种网络拓扑结构,仅需共享边界交互信息,为多微网协调优化提供了有效的技术支撑。
2026年01期 v.46;No.185 88-96页 [查看摘要][在线阅读][下载 1510K] [下载次数:231 ] |[网刊下载次数:0 ] |[引用频次:0 ] |[阅读次数:6 ] 下载本期数据