基于改进粒子群算法的热工温度模型辨识

将细菌趋化、混沌搜索和模拟退火思想引入标准粒子群算法中,对比分析了细菌趋化粒子群算法、混沌模拟退火粒子群算法和模拟退火粒子群算法的辨识结果,探讨了改进算法的工程应用性问题,并将改进算法应用于单入单出的实验室锅炉温度和多入单出的超超临界锅炉主蒸汽温度模型的辨识中。辨识结果表明:细菌趋化粒子群算法可以很好地反映对象的动态特性,提高了辨识精度,缩短了辨识时间,改进了辨识效果。     

基于差分量子粒子群算法的锅炉NOx排放模型优化

提出一种基于改进的差分量子粒子群(DEQPSO)算法,将其与超限学习机(ELM)相结合,以某1 000 MW超超临界机组锅炉燃烧系统为研究对象,建立了NO_x排放模型,采用现场样本数据测试所建模型的预测能力,并将该模型的预测结果与基本超限学习机以及引力搜索算法(GSA)、粒子群算法(PSO)和量子粒子群算法(QPSO)优化的超限学习机模型的预测结果进行了对比。结果表明:DEQPSO算法具有更好的参数优化性能,DEQPSO-ELM模型具有较强的泛化能力和良好的预测精度,为电站锅炉NO_x排放质量浓度预测提供了一种有效方法。     

基于改进粒子群算法的热工模型辨识

现阶段对于热工模型辨识精度不高和传统粒子群算法(PSO)早熟的情况,推出了一种崭新的算法,这种算法用于解决最优化问题。它对于不同维度上的粒子具有不一样的惯性权重,而同一维度上的惯性权重表示为线性衰减变化,此方法有一定的创新性和实用性。混沌惯性衰减权重的粒子群算法能够精确地得到系统的传递函数模型,把这种方法运用在循环流化床热机组的主蒸汽温度模型辨识中,辨识结果表明了该方法的合理性和优越性,取得了较好的辨识结果。对火电厂热工控制的研究有一定的参考价值。     

基于改进粒子群算法的水轮机调速系统建模

针对电力系统稳定计算分析软件中水轮机调速系统模型过于简单、粗略的问题,建立了水轮机调速系统非线性模型,并提出参数实测与改进的粒子群智能优化算法结合的模型辨识方法,获得了调速器模型参数、水轮机-引水道模型参数.现场实测数据的模型仿真结果验证了该模型辨识方法的准确性,该模型优于电力系统稳定计算软件中的模型,更符合实际.     

基于改进二进制粒子群优化算法的网络重构研究

提出了一种基于改进二进制粒子群优化算法的网络重构方法,该算法在二进制粒子群优化算法的基础上,通过结合破圈法理论以控制粒子的更新过程,使更新后的粒子100％符合网络的辐射状要求,从而减少了以往网络重构中辐射网判断的环节.此外算法还引入了禁忌搜索算法的思想,克服了粒子群算法易陷入局部最优的缺陷.最后对IEEE 单馈线33节点系统进行计算,证实了算法的有效性,并与相关文献中的算法进行比较,表明算法具有较高的搜索效率和较强的全局寻优能力.     

基于改进型引力算法的汽轮机调速系统参数辨识

为了解决传统汽轮机调速系统参数辨识方法周期长、适应性差和人工参与度过高等问题,提出了一种基于引力搜索算法(GSA)的改进型辨识方法(VGSA)。该方法在保留粒子群算法"记忆"特性的基础上,根据粒子的适应度,对算法中的引力系数进行动态调整,使得粒子搜索空间随迭代过程而逐步缩小,从而大大提高了粒子的寻优效率。以某600MW火力发电机组的汽轮机调速系统为研究对象,利用改进型引力搜索算法进行了多参数辨识。相较改进前的引力搜索算法(IGSA)的结果表明,本文提出的改进型引力搜索算法VGSA在速度和精度上都明显优于IGSA算法。该方法为汽轮机调速系统的参数辨识提供了一种新的有效手段。     

基于PSO算法的电液伺服调节环节参数辨识

鉴于汽轮机电液伺服调节环节大量存在的非线性环节,并且常规辨识方法很难对调速系统中大量存在的非线性环节参数进行辨识,从而难以得到准确的数学模型,本研究将粒子群优化算法引入参数辨识研究中,针对算法易早熟收敛的缺点,采用了基于双层进化的多粒子群优化算法,同时,通过现场实验研究对参数辨识的方法及效果进行验证.试验结果表明,利用多粒子群优化算法对建立的汽轮机电液调节系统执行环节的参数进行辨识能取得理想效果,满足工程应用的需求.     

基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测

针对氨法烟气脱硫效率的预测问题,建立了以脱硫系统运行中8个主要参数作为输入变量的BP神经网络模型,采用粒子群优化算法(PSO)对建立的BP神经网络模型的权值进行优化,提出基于粒子群优化算法的BP神经网络(PSO-BP)预测新模型,并利用某电厂脱硫系统20组运行数据对该模型进行了验证.结果表明:采用PSO算法对BP神经网络的权值和阈值进行寻优,避免了网络局部极小值的出现,提高了网络的泛化能力,采用PSO-BP预测模型可以对氨法烟气脱硫效率进行较高精度的预测.     

考虑主动配电系统动态路径优化的分布式电源优化配置

分布式电源(Distributed Generation,DG)出力具有时变性和系统负荷功率不确定性。文章建立了考虑主动配电系统(Active Distribution System,ADS)动态路径优化的DG双层优化配置模型,利用改进的最优模糊C均值聚类方法优化ADS动态路径,并采用两层嵌套的改进粒子群与模拟退火融合优化搜索算法求解双层优化配置模型。在IEEE 33节点主动配电系统验证了文章优化模型与算法的有效性。     

适用于核动力设备故障诊断的改进粒子群优化算法

提出一种基于改进粒子群优化(IPSO)算法的核动力设备故障诊断方法.利用已知核动力设备故障征兆集合,选用概率因果模型求解具有最大后验概率的故障集合;在传统粒子群优化(PSO)算法的基础上,利用佳点集原理对PSO算法进行初始化,优化了粒子群的初始化范围;借助自适应调整的惯性权重法,避免PSO算法未成熟收敛,加快了收敛速度.最后通过算例证明该方法的有效性.结果表明:基于改进粒子群优化算法的概率因果模型不受故障样本的限制,具有较好的通用性,且模型故障诊断精度较高、寻优速度快.     

基于遗传粒子群算法的光伏并网逆变器参数辨识

在并网光伏发电系统模型基础上,通过分析逆变器控制器结构,确定待辨识参数。提出一种基于遗传粒子群(GAPSO)算法的光伏并网逆变器参数辨识方法,同步辨识各控制参数。辨识结果与遗传算法和粒子群算法辨识结果的对比表明,GAPSO参数优化模型在辨识精度和收敛速度方面具有明显的优越性。最后对参数辨识模型的泛化能力进行评价,比较了3种不同扰动情况下的仿真曲线与测试曲线,验证了模型的适用性和准确性。     

基于神经网络模型的锅炉主蒸汽温度预测控制

为解决传统控制方法在火力发电机组蒸汽温度控制过程中存在的强非线性、大迟延的难题,提出了一种基于长短期记忆(LSTM)神经网络在线估计和粒子群(PSO)滚动优化的预测控制算法。该方法将常规串级控制系统的主回路控制器用预测控制器替代,采用LSTM神经网络建立主蒸汽温度控制系统的过程模型,通过多步预测实现了对复杂非线性系统模型的精确预测。利用PSO算法在线求解主蒸汽温度控制系统的最优预测控制律,避免了传统递推方法无法直接求解非线性优化问题。仿真结果表明：与传统主蒸汽温度串级控制策略相比,该控制算法明显改善了控制系统的快速性,抗扰能力较强,对主蒸汽温度这类具有非线性及模型不精确的被控对象有一定的参考价值。     

基于改进人工蜂群算法的锅炉NO_x排放预测优化

针对电厂循环流化床锅炉NOx排放问题进行了研究,并对人工蜂群算法进行了改进,结合最小二乘支持向量机建立了锅炉燃烧NOx排放模型,对锅炉可调参量进行了优化,降低了NOx排放浓度。将改进的人工蜂群算法与基本的人工蜂群算法和粒子群算法进行比较,说明基于改进人工蜂群算法所建立的模型能够很好的预测NOx的排放浓度,具有很强的辨识能力和泛化能力,同时也表明了改进人工蜂群算法计算速度快的优点及优化数据上的优势,通过仿真试验,优化后NOx排放浓度明显降低,体现了其工程实用价值。     

基于改进自适应GPC的锅炉主蒸汽温度预测控制

为了维持锅炉主蒸汽温度良好的控制品质,提出基于改进自适应广义预测控制(A-PIGPC)的主蒸汽温度预测控制方法。首先,对锅炉主蒸汽温度高阶模型进行降阶,建立一阶加纯滞后(FOPDT)模型,并根据实际情况考虑了输入约束条件;然后,对广义预测控制(GPC)算法的优化性能指标进行改进,使其具有PI反馈结构,采用带遗忘因子的递推最小二乘法(RLS)在线辨识模型参数,满足变工况的需要;最后,进行MATLAB仿真验证所提方法的有效性。研究表明:A-PIGPC优于常规PID和GPC、预测函数控制(PFC)控制方法,且在变工况下有较强的鲁棒性。     

混合Box-Jenkins模型交替辨识及在电厂脱硝系统中的应用

混合的Box-Jenkins模型能够较好地表征含噪声干扰系统的特性,针对该模型提出了基于粒子群优化算法的过程模型与噪声模型交替估计辨识方法,避免了常规方法直接对过程模型和噪声模型共同辨识容易陷入局部最优的缺陷。仿真试验表明:交替估计算法可以达到对混合Box-Jenkins模型的精确辨识,其误差约为常规辨识的1/10。为验证方法的实用性,以某电厂机组烟气脱硝系统为对象,建立混合Box-Jenkins模型,利用粒子群算法进行交替辨识,所得过程模型与实际输出基本一致,取得了较好的参数辨识效果,该方法可应用到工业过程中这类系统的参数辨识。     

考虑尾流效应的风电场输出功率优化

针对尾流效应对风电场输出功率造成的损失,文章提出了一种基于改进Jensen模型的优化方法。基于激光雷达实验数据验证了改进Jensen模型的有效性,并建立了多机组尾流叠加模型。对考虑尾流效应的风电场输出功率优化可行性进行分析,建立了风电场输出功率模型。针对标准粒子群算法过早收敛、易局部最优的缺陷进行了改进,在其迭代方程中加入二阶振荡环节,增加了粒子的多样性,提高了算法的全局搜索能力,同时保证了算法的运行速度;引入模拟退火操作,增强了算法的局部搜索能力。建立了风电场输出功率最大化优化模型,以轴向诱导因子为优化参数,利用改进粒子群算法对山西省某风电场模型进行了仿真分析。结果表明：当入流风速分别为8 m/s和12 m/s时,经改进粒子群算法优化之后,风电场输出功率分别提高了6.26%和4.59%;改进粒子群算法改善了标准粒子群算法存在的过早收敛、易局部最优的缺陷。     

蜂群算法在太阳电池组件参数辨识中的应用

针对太阳电池组件参数辨识精确度不高的问题,提出一种采用蜂群算法应用于参数辨识的方法。太阳电池组件模型采用单二极管串并联模型,在确定太阳能组件参数范围后,利用提出的蜂群算法对电池组件参数进行辨识。在蜂群算法中,不同的蜜蜂用不同类型的路径修改自己的位置,从而避免了过早收敛于局部最优解,进行全局搜索最优解。实验结果表明,蜂群优化算法的辨识的均方根差值为0.00241,计算电流(测量的25组电流值)总误差为0.0413,明显优于混沌无性繁殖算法、混沌粒子群算法、模式搜索算法、模拟退化算法,为太阳电池组件的参数辨识提供了一种新的方法。     

基于不同优化算法下风电预测精度对风水电协调影响研究

研究了持续法、ARIMA方法、改进BP神经网络3种不同的风电预测模型,在相同条件下,经实例仿真发现,改进BP神经网络模型的预测精度好于ARIMA预测模型,而ARIMA预测模型的预测精度好于持续法预测模型.基于上述3种不同的风电预测模型,建立了风-水发电联合协调运行的模型.采用遗传粒子群和混合粒子群2种不同的优化算法来研究风电预测精度对风-水电协调影响,通过仿真实例发现,风电预测模型精度越高,得到的理论值与实际值偏差越小;在考虑2种不同优化算法的情况下,遗传粒子群优化算法得到的数值与实际值偏差比混合粒子群大,同时基于不同风电预测模型下的误差也要比混合粒子群大.     

基于改进粒子群算法的水口重力坝坝体参数反演

针对传统的粒子群算法存在局部收敛不稳定的缺陷,依据大坝原型观测数据和有限元数值计算结果改进了粒子群算法,构建了大坝变形安全监控的混合模型,并采用改进的粒子群算法反演了混凝土坝坝体、坝基的弹性模量及坝顶水平位移.与实测值的对比结果表明,采用改进的粒子群算法计算误差小、精度高、合理可行.     

粒子群优化算法及其在发电机组调速系统参数辨识中的应用

准确可靠的发电机组调速系统模型参数对于电力系统稳定性分析非常重要,由于利用常规辨识方法(如最小二乘法)进行模型参数辨识时对试验条件要求较为苛刻,且很难对调速系统中大量存在的非线性环节参数进行辨识.本研究将目前正处于研究热点的粒子群算法引入发电机组调速系统模型参数的辨识过程研究,结果表明,利用粒子群理论进行模型参数辨识时...