基于IALO算法的蓄电池参数辨识

合理的等效电路模型及准确的模型参数对蓄电池荷电状态(SOC)的准确估计具有重要影响。针对蓄电池三阶Thevenin等效电路模型,基于改进蚁狮优化算法,提出了一种模型参数辨识方法。引入混沌Logistic映射初始化,使初始化群体遍及解空间,有利于寻找全局最优解;引入自适应惯性权重加随机柯西变异策略,有效提高了算法收敛速度;引入精英反向学习策略,有效提高了群体的多样性,避免算法陷入局部最优解。5个测试函数的测试结果表明:相比于蚁狮优化算法、粒子群算法与樽海鞘优化算法,改进蚁狮优化算法收敛速度更快,精度更高。对蓄电池三阶Thevenin等效电路模型进行参数辨识,结果表明:改进蚁狮优化算法相比蚁狮优化算法具有更高的辨识精度。     

基于改进粒子群算法的Volterra模型参数辨识

针对非线性系统Volterra泛函级数模型,结合混沌优化策略和种群多样性控制思想,提出了一种改进粒子群算法,并应用于Volterra模型参数的辨识,将非线性系统的辨识问题转化为高维参数空间上的优化问题。利用混沌序列增加初始种群的多样性,通过构建动态子群以进行协作寻优,且各子群采用不同的参数自适应调整策略,并定义算法收敛性测度以对精英粒子进行合理的混沌变异,避免了算法早熟收敛,提高了算法的寻优速度和寻优精度。仿真实验中,将该方法与基于标准粒子群算法、遗传算法、量子粒子群算法的Volterra模型参数辨识方法相比较,验证了该辨识方法的有效性和鲁棒性。     

基于改进蝗虫优化算法的光伏电池模型参数辨识

针对蝗虫优化算法容易陷入局部最优、收敛精度不足等缺点,提出一种改进蝗虫优化算法。将混沌算法与蝗虫优化算法融合,对蝗虫优化算法进行混沌初始化,改善初始种群质量;再引入差分进化算法的差分策略,通过变异、交叉和选择过程,维持种群的多样性,增大算法跳出局部最优的可能性,从而使算法能搜索到更好的解;在个体更新部分引入了粒子群算法的思想,以当前的最优个体为目标进行个体位置更新,加快算法寻优速度。将改进蝗虫优化算法用于多晶硅太阳能电池模型参数的辨识中,并通过与其它智能优化算法的比较,验证了改进蝗虫算法辨识太阳能电池参数的有效性和优越性。通过实验验证了改进蝗虫优化算法在不同光照下对太阳能电池参数的辨识效果。     

基于改进蝠鲼优化算法的光伏组件参数辨识模型

为了解决当前光伏组件模型中存在的参数辨识精度低和稳定性差的问题,提出了一种基于折射学习机制的蝠鲼觅食优化算法的三二极管光伏组件参数辨识模型(RLMRFO-TDM)。该模型将差分进化机制融入到MRFO算法的种群更新环节,提高了MRFO算法的局部探索能力,并加快了MRFO算法收敛速度;引入折射学习机制改善了MRFO算法的随机性,提高了种群在搜索区域中的离散性和MRFO算法的全局搜索能力。利用基准测试函数,验证了RLMRFO算法的有效性;采用STP6-120/36和STM6-40/36两种光伏组件的数据集对RLMRFO-TDM模型的参数辨识进行性能测试,与其他模型相比,RLMRFO-TDM模型的辨识精度、稳定性以及收敛速度表现最优。     

基于改进狮群算法的汽轮机热耗率模型预测

针对汽轮机热消耗率模型难以精准预测的问题,提出一种基于改进的狮群算法和快速学习网综合建模的方法。首先,针对传统狮群算法易早熟收敛以及在迭代后期寻优速度缓慢导致算法陷入局部最优的缺陷,通过引入禁忌搜索、非线性扰动因子以及黄金正弦策略进行改进;其次,对改进后的狮群算法进行数值验证,结果证明其具有更高的收敛精度和收敛速度;最后,采用某热电厂汽轮机的运行数据建立汽轮机热消耗率预测模型,并将改进狮群算法优化的快速学习网对其进行热耗率预测,将实验结果与其他优化策略进行对比验证,实验结果表明,基于改进狮群算法的快速学习网预测模型具有更高的泛化能力,提高了汽轮机热耗率的预测精度。     

基于IHHO算法的光伏电池工程模型的参数辨识

针对HHO算法存在搜索过程调整不够灵活,不能针对性地进行阶段性搜索,有时会陷入局部最优使算法搜索精度相对较差等问题,提出了一种基于改进哈里斯鹰优化(IHHO)算法的参数辨识方法。对HHO算法进行了两项改进:引入柔性递减策略,在迭代初期扩大全局搜索范围,在迭代后期延长局部搜索时间,从而加强了初期的全局搜索能力和后期的局部搜索能力;引入黄金正弦法,不但增加了种群的多样性,减少算法陷入局部最优的可能性,并且缩小了搜索空间,提高了寻优效率。应用于光伏电池工程模型的参数辨识中,IHHO算法比其他算法得到的辨识结果更为精确,辨识结果与实测数据拟合度更高,IHHO算法能够在不同环境下对光伏电池的工程模型进行准确的参数辨识。     

基于改进反向差分进化算法的多股簧响应模型参数辨识

针对传统算法在辨识多股簧响应模型参数方面存在的不足,提出一种改进反向差分进化算法。改进的算法采用新的反向学习机制引导种群逼近全局最优解,并使用正弦混沌序列计算缩放因子以提高种群的多样性。这两种机制协同操作可以较好地平衡算法的全局勘探和局部开采能力。通过建立参数辨识的目标函数和进行多股簧的动态试验,然后使用改进算法优化目标函数得到辨识结果。计算结果表明,改进算法能够有效地辨识多股簧模型参数,参数的收敛速度和计算的成功率优于标准反向差分进化算法和其他算法;即使在噪声级别较高的情况下,改进反向差分进化算法也可以准确地求出多股簧的模型参数。     

一种辨识Hammerstein模型的新方法

为了提高非线性Hammerstein模型的辨识精度,提出一种利用混合优化算法对非线性模型进行辨识的新方法。该算法的基本思想是把非线性系统的参数辨识问题转化为参数空间上的函数优化问题,然后利用遗传算法和改进的粒子群优化算法相结合寻求并获得参数问题的最优解。最后通过仿真研究表明,该方法对于非线性辨识具有较好的有效性和鲁棒性,获得了良好的辨识效果,是一种可行的解决非线性辨识问题的方法。     

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于改进布谷鸟搜索算法的永磁同步电机参数辨识

提出一种基于改进布谷鸟搜索算法的永磁同步电机参数辨识方法。针对布谷鸟搜索算法的不足,采用基于云隶属度的模糊推理调整巢主鸟发现外来鸟蛋的概率;采用自适应变步长的方法调整Lévy飞行步长。改进后的算法通过增加种群之间的多样性以加快收敛速度,提高了局部和全局寻优能力。永磁同步电机多参数辨识结果表明,改进布谷鸟搜索算法能有效地辨识电机各参数,与未改进算法相比,验证了改进算法的有效性和优越性能。     

多根非线性方程组求解的探路者灰狼算法

针对传统算法在多根非线性方程组求解时依赖初始值的选定,求解个数不完全,求解精度不高的问题,提出了一种结合探路者算法的灰狼优化算法 (PGWO)。由于灰狼优化算法存在后期收敛速度慢等问题,结合了探路者算法,根据探路者中跟随者的更新机制对灰狼个体的位置进行改变,进而平衡算法的全局搜索和局部搜索能力。通过 9 组多根非线性方程组的仿真实验结果和其他群智能算法进行比较,实验结果表明 PGWO 算法提高了多根非线性方程组求解的精度,在求解个数上得到明显提升,进而说明了算法的有效性。     

Genetic particle swarm parallel algorithm analysis of optimization arrangement on mistuned blades

This article introduces a method of mistuned parameter identification which consists of static frequency testing of blades, dichotomy and finite element analysis. A lumped parameter model of an engine bladed-disc system is then set up. A bladed arrangement optimization method, namely the genetic particle swarm optimization algorithm, is presented. It consists of a discrete particle swarm optimization and a genetic algorithm. From this, the local and global search ability is introduced. CUDA-based co-evolution particle swarm optimization, using a graphics processing unit, is presented and its performance is analysed. The results show that using optimization results can reduce the amplitude and localization of the forced vibration response of a bladed-disc system, while optimization based on the CUDA framework can improve the computing speed. This method could provide support for engineering applications in terms of effectiveness and efficiency.     

Swarm algorithms with chaotic jumps for optimization of multimodal functions

In this article, the use of some well-known versions of particle swarm optimization (PSO) namely the canonical PSO, the bare bones PSO (BBPSO) and the fully informed particle swarm (FIPS) is investigated on multimodal optimization problems. A hybrid approach which consists of swarm algorithms combined with a jump strategy in order to escape from local optima is developed and tested. The jump strategy is based on the chaotic logistic map. The hybrid algorithm was tested for all three versions of PSO and simulation results show that the addition of the jump strategy improves the performance of swarm algorithms for most of the investigated optimization problems. Comparison with the off-the-shelf PSO with local topology (l _best model) has also been performed and indicates the superior performance of the standard PSO with chaotic jump over the standard both using local topology (l _best model).     

光伏发电系统发电功率预测

为解决光伏发电系统发电功率在不同条件下误差较大问题,提出光伏发电系统发电功率预测新方法。通过分析光伏发电系统结构,研究光伏发电系统发电功率影响因素;以季节和天气类型作为历史样本选取样本源,针对气象部门提供的预测日分时气象数据在历史数据库中寻找相似数据点作为历史样本;依据历史样本构建离线参数寻优数据总集,使用核函数极限学习机算法构建发电系统发电功率预测模型,通过粒子群算法优化模型参数。实验结果表明：所提方法在不同条件下预测太阳能光伏发电系统发电功率的平均绝对百分比误差分别为1.47%和6.39%,光伏组件在综合异常条件下发电功率预测误差相对变化均低于1%,证明所提方法满足实际预测要求。