基于H∞鲁棒控制的质子交换膜燃料电池空气供应系统设计

自适应聚焦粒子群算法是根据粒子群优化(particle swarm optimization,PSO)算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。为实现对质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)空气供应系统的控制,建立空气供应系统机理模型,并采用多目标自适应聚焦粒子群(adaptive focusing particle swarm optimization,AFPSO)算法提出H∞鲁棒控制方法。仿真结果证明该H￥鲁棒控制方法能够实现对PEMFC空气供应系统的控制,在模拟电动车行驶过程时可使系统稳定运行,并与其它控制方法比较,证明该H￥鲁棒控制方法具有明显的优越性和有效性,对PEMFC实时控制系统的研究有重要的指导作用。     

基于自适应聚焦粒子群优化算法的电力系统多目标无功优化

自适应聚焦粒子群算法(adaptive focusing particle swarm optimization,AFPSO)是根据粒子群算法的全局搜索与局部搜索平衡特性,并予以改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。作者将此算法用于电力系统无功优化。该方法以最优控制原理为基础,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大的多目标无功优化模型。IEEE 30节点系统仿真结果表明,AFPSO算法在实现系统经济运行的同时也增强了电网的电压稳定性,证明了AFPSO算法的有效性和优越性。     

基于粒子群-量子操作算法的同步发电机非线性模型参数辨识

为解决同步发电机三阶非线性模型参数辨识问题,在将参数辨识问题转化为非线性优化问题的基础上,引入粒子群优化(particle swarm optimization,PSO)算法.考虑到PSO收敛速度慢、参数辨识精度低,而量子粒子群优化(quantum particle swarm optimization,QPSO)算法收敛速度快、具有较好的全局搜索能力,将量子操作引入到PSO算法中,提出了粒子群-量子操作(particle swarm optimization with quantum operation,PSO-QO)优化算法.仿真试验结果表明,与PSO算法、QPSO算法相比,PSO-QO算法收敛速度快、参数辨识精度高、算法更为稳定;与经典扩展卡尔曼滤波(extended Kalman filter,EKE)方法相比,PSO-QO具有更强的鲁棒性,尽管强噪声条件下参数辨识精度有所下降,但效果仍优于EKF.     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法(AFPSO)是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法.通过采用AFPSO算法,对电力系统进行无功优化.该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性.     

基于自适应粒子群算法的直流输电PI控制器参数优化

针对传统粒子群算法(particle swarm optimization,PSO)的不足,提出了一种自适应粒子群优化(adaptive particle swarm optimization,APSO)算法,并应用于直流控制器比例–积分控制器(proportional integral,PI)的参数寻优。文中首先介绍了HVDC控制器的系统模型,然后推导出了贵广直流输电工程中的控制器传递函数,并利用APSO算法进行PI参数寻优。寻优过程采取时间乘绝对误差积分(integral of time multipled by the absolute value of error,ITAE)准则计算目标函数值,取对应ITAE目标函数最小的样本为最优PI参数,得到的PI参数可认为是全局最优解。结果表明了APSO算法在PI控制器参数优化中的全局寻优能力和有效性。     

基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性。     

基于大数据和双量子粒子群算法的多变量系统辨识

针对智能算法与历史大数据相结合进行多变量系统辨识过程中不能精确量化每个子系统数学模型的问题,提出了一种有效的数据并行优化计算的解决方案。在辨识过程中,为了解决量子粒子群算法(quantum particle swarm optimization ,QPSO)收敛速度和寻优精度方面的不足,提出了一种改进的 QPSO 算法--双量子粒子群算法(double quantum particle swarm optimization ,D-QPSO)。该算法对粒子种群编码和原有的进化搜索策略同时进行了量子化处理,经过测试函数实验,改进的算法在搜索能力上优于 PSO 和QPSO算法。最后利用现场运行历史数据,通过D-QPSO算法进行参数估计,将设计的解决方案应用于热力发电厂负荷控制系统的传递函数辨识中,得到的模型为控制器的设计与优化奠定了基础。     

电力系统稳定器参数优化的研究

电力系统稳定器(PSS)的性能受其参数影响很大,如何对其参数进行协调优化是一个值得深入研究的问题.基于单机无穷大系统和4机2区域系统模型,通过采用 SFPSO算法对电力系统稳定器进行参数的协调优化,以抑制低频振荡.随机聚焦粒子群算法SFPSO(Stochastic focusing particle swarm optimization)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的改进粒子群算法(PSO).通过仿真测试以及不同算法优化结果的对比,结果表明,利用该方法设计的PSS,在不同的干扰下都具有良好的性能,对系统的稳定性提升有较大帮助.     

基于NS-APSO算法的变压器局部放电超声定位方法

为了对变压器中的局部放电源进行精确定位,本文提出了一种基于自然选择自适应粒子群算法(natural selection-adaptive particle swarm optimization,NS-APSO)的超声定位方法。在自适应粒子群算法的基础上融入自然选择的思想,每次迭代都对种群中的粒子进行“优胜劣汰”处理,用好的粒子替换差的粒子从而提高种群的整体质量。为了增强算法的实用性,基于MATLAB中的GUI模块开发了一款能够对不同尺寸变压器内部局部放电源进行定位的软件。将定位结果与标准PSO算法得到的结果进行对比,结果表明基于NS-APSO算法的变压器超声定位方法具有更高的定位精度和全局搜索能力。     

基于搜寻者优化算法的质子交换膜燃料电池模型优化

搜寻者优化算法(seeker optimization algorithm,SOA)是模拟人的随机搜索行为的一种应用于连续空间的群体智能优化算法。根据质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)极化曲线模型的建模原理,采用SOA算法对该模型的参数进行优化,用以得到一组模型的最优参数。通过仿真结果与实验结果的对比分析,证明SOA算法能够使仿真结果和实验测试数据之间达到很高的拟合精度,对于优化PEMFC的极化曲线模型参数具有明显的优越性。因此,SOA算法对于改善PEMFC极化曲线模型的性能将起到重要的作用,并有望成为模型优化领域的一种新的有效工具。     

Seeker optimization algorithm for global optimization: A case study on optimal modelling of proton exchange membrane fuel cell (PEMFC)

In order to optimize the proton exchange membrane fuel cell (PEMFC) model parameters, a novel approach based on seeker optimization algorithm (SOA) is proposed. The SOA is based on the concept of simulating human searching behaviors, where the choice of search direction is based on the empirical gradient by evaluating the response to the position changes and the decision of step length is based on uncertainty reasoning by using a simple Fuzzy rule. In this study, after evaluated on benchmark function optimization, the SOA is applied to optimal modelling of the PEMFC by using a fuel cell test system in Fuel Cell Application Centre (FAC) at the Temasek Polytechnic, and compared with several state-of-the-art versions of differential evolution (DE) and particle swarm optimization (PSO) algorithms. The simulation results show that the proposed approach is superior to other compared algorithms, and the PEMFC model with optimized parameters by SOA fitted experimental data well. Hence, SOA is an effective and reliable technique for optimizing the parameters of PEMFC model, and can be helpful for system analysis, optimization design and real-time control of the PEMFCs.     

ACPSO-WFLN算法在短期风电功率预测中的应用

针对传统小波神经网络初始参数设定困难、容易陷入局部极值的问题,提出一种基于自适应混沌粒子群算法(ACPSO)优化的小波链神经网络(WFLN)。首先,将小波神经网络与随机矢量函数连接网络相融合,构建小波链神经网络,加强网络并行运算能力;其次,在粒子群算法中引入混沌优化因子与自适应权重系数,改善粒子群的早熟收敛问题,实现全局与局部寻优能力的动态平衡;最后,利用ACPSO算法优化WFLN神经网络,建立短期风电功率预测模型。实验结果表明:ACPSO-WFLN风电功率预测模型较其它网络明显减少隐层神经元数目与迭代步数,具有较高的预测精度。     

自适应混沌粒子群算法在PSS设计中的应用

该文采用一种改进的粒子群算法PSO———自适应混沌粒子群算法ACPSO,对多机电力系统稳定器参数进行优化设计,以抑制系统低频振荡。该算法通过混沌初始化粒子群,在迭代计算过程中根据粒子的适应值自适应地调整算法惯性系数,从而可以获得更好的全局搜索能力和收敛速度。选取系统机电振荡模式最小阻尼比最大化为目标函数,将PSS参数优化转换为带不等式约束的非线性优化问题。以3机9节点系统为例,特征值和非线性仿真结果表明,运用该方法设计的PSS能够有效地抑制外界扰动引起的低频振荡。     

混合粒子群算法在PSS参数优化中的应用

通过采用一种新的混合粒子群算法对多机系统的电力系统稳定器(PSS)进行参数优化,以达到更好的低频振荡抑制效果.引入交叉操作的混合粒子群优化算法是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的改进粒子群算法(PSO).用Matlab软件进行仿真,结果表明,该方法设计的PSS稳定性有较大提高.     

基于反向云自适应粒子群算法的多目标无功优化

针对粒子群算法在高维复杂问题寻优时易陷入局部寻优的现象,提出了反向云自适应粒子群算法(OCAPSO),通过反向学习加快算法的收敛速度,使用云模型来平衡粒子的全部搜索和局部搜索能力,使用自适应突变机制增强种群的多样性。用高维广义Schwarz函数对OCAPSO的有效性进行验证,进一步以IEEE30节点系统进行单目标和多目标无功优化测试并将测试结果与粒子群优化（PSO）,进化算法（EA）等测试结果进行比较,证实了该算法的优越性。分析表明,OCAPSO算法用于解决多目标无功优化问题有效可行。