基于改进微分进化算法的过程模型参数辨识

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于改进微分进化(DE)算法的模型参数辨识方法,有效提高了参数辨识的精度和效率.对火电厂热工过程参数辨识的仿真研究验证了本文算法的有效性.结果表明,利用改进DE算法辨识过程模型参数,无论...     

基于改进微分进化算法的电力系统无功优化

提出了一种改进的微分进化算法求解电力系统无功优化问题。在进化过程中，该算法根据进化情况采用动态参数调整机制提高算法的搜索效率，并且对种群重叠状况进行实时监视，对重叠个体利用混沌搜索策略来进一步提高算法的全局寻优能力。通过对IEEE 6、IEEE 30、IEEE 118标准测试系统及某地区实际系统的无功优化问题计算及结果分析表明，文中提出的改进微分进化算法高效、且全局寻优能力强。     

计及跟随型和支撑型分布式光伏的广义综合负荷模型及两阶段参数聚合等效方法

为有效聚合等值包含不同控制类型分布式光伏发电系统的配电网,提出一种计及跟随型和支撑型分布式光伏的广义综合负荷模型及两阶段模型参数聚合等效方法。通过将跟随型和支撑型光伏等效模型与传统综合负荷模型并联形成广义综合负荷模型,实现对实际配电网并网特性的有效拟合;基于参数灵敏度分析与改进的微分进化算法,通过两阶段聚合等效确定模型参数,避免模型未知参数过多带来的辨识解分散性大的弊端。基于PSCAD和MATLAB验证了所提模型的自描述能力、泛化能力和参数稳定性。     

基于改进DE算法的负荷建模参数辨识

负荷建模对电力系统运行及其控制起着重要的影响,主要有基于元件和基于量测两种建模方法。基于量测的负荷建模已广泛用于实践中,当考虑负荷的时变性后,基于量测的负荷建模即成为数学优化问题。因此,寻找到有效可靠的优化方法用于负荷建模参数辨识具有重要的现实意义。微分进化（DE）算法具有全局寻优能力,对初值不敏感,经改进后还可以加快收敛速度并防止出现早熟现象,因此可用于负荷建模参数辨识实践中。将DE算法用于负荷建模参数辨识实践中,在现有改进算法的基础上,借鉴遗传算法引入移民策略以防止早熟现象,通过对两个实测建模参数辨识     

基于改进DE算法的负荷建模参数辨识

负荷建模对电力系统运行及其控制起着重要的影响,主要有基于元件和基于量测两种建模方法.基于量测的负荷建模已广泛用于实践中,当考虑负荷的时变性后,基于量测的负荷建模即成为数学优化问题.因此,寻找到有效可靠的优化方法用于负荷建模参数辨识具有重要的现实意义.微分进化(DE)算法具有全局寻优能力,对初值不敏感,经改进后还可以加快收敛速度并防止出现早熟现象,因此可用于负荷建模参数辨识实践中.将DE算法用于负荷建模参数辨识实践中,在现有改进算法的基础上,借鉴遗传算法引入移民策略以防止早熟现象,通过对两个实测建模参数辨识实例的分析,表明经改进后的DE算法具有比改进遗传算法、蚁群算法和粒子群算法更好的性能.     

负荷模型参数辨识的粒子群优化法及其与基因算法比较

粒子群优化法(PS算法)具有全局性能好、搜索效率高等优点。文中应用该算法进行电力系统负荷模型的参数辨识，并将其与模拟进化算法进行比较，发现PS算法在计算时间、全局性方面均有比较明显的优势。讨论了PS算法中用以调节全局搜索和局部搜索关系的权重ω与搜索效率之间的关系，并给出了适用于电力系统负荷参数辨识的ω值。提出了一种利用PS算法的收敛快速性来提高全局性能的工程实用方法，并对工程实例进行辨识，收到了良好效果。     

一种改进的差分进化算法与电解电容器参数辨识

针对差分进化算法在参数辨识时容易陷入局部最优、辨识精度需要优化等问题,改进的算法在原有选择、变异、交叉操作的基础上,引入随机游走策略,加强了算法的局部搜索能力,提高了种群的多样性.以等效串联电阻(ESR)和等效阻抗(Z)的实测值与预测值为基础构造目标函数,采用改进算法优化目标函数,对两个复杂程度不同的电解电容器模型进行参数辨识,得到参数辨识结果以及ESR和阻抗Z预测值.通过仿真表明,改进的算法是有效的,并且在经典模型下改进的算法预测精度始终维持在5％优于传统算法的14％.     

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。     

基于改进微分进化算法的可用输电能力研究

微分进化算法具有控制参数少、鲁棒性强、易于使用等优点,并具有不同的变异策略。通过对微分进化算法各变异策略的研究,提出了基于混合变异策略的改进微分进化算法,并结合可用输电能力问题的特点,构造了适合于ATC计算的改进微分进化算法优化模型,提高了ATC计算的准确性和有效性。改进算法的主要思想是将寻优过程分为两个阶段,每个阶段采用不同的变异策略,使计算初期种群的多样性得到维持、后期算法的收敛速度加快,从而提高了算法的全局搜索能力和收敛速度;对控制参数进行动态调整,增强了算法的适应性。IEEE-30节点系统仿真结果验证了所改进算法的可行性和有效性。     

基于混合粒子群算法的短期负荷预测模型

由于电力负荷内在的非线性特性,传统基于梯度搜索的参数辨识技术可能陷入局部最优,影响了预测精度,故提出了混合进化和粒子群优化算法。将进化算法的基本思想引入粒子群优化算法,不但保持了粒子群算法结构简单、易于实现的特点,而且充分发挥了进化算法的全局搜索能力,可有效提高算法的精度和收敛速度。对上海地区电网进行短期负荷预测,与实际值相比较,结果表明,该算法具有较高的预测精度,是一种有效的短期预测方法。     

一种求解电力经济负荷分配问题的改进微分进化算法

针对电力系统经济负荷分配(economic dispatch,ED)这一典型的非凸、非线性、组合优化问题,提出一种改进的微分进化(improved differential evolution,IDE)算法。微分进化(differential evolution,DE)算法虽有简单、搜索效率高的优点,但是仍然有局部最优的问题。该文在对DE算法搜索机理进行分析的基础上,针对DE算法参数难于动态调整的问题,提出不依赖于优化问题的控制参数自适应调整机制,并根据动态监视群体适应度方差的变化,增加个体迁移策略,进一步提高DE算法的全局寻优能力和鲁棒性。运用该算法对IEEE3机、40机及69机300节点标准测试用例进行计算,并考虑机组的爬坡约束、出力限制区约束、非光滑费用函数曲线等非线性特性,将其计算结果与遗传算法(genetic algorithm,GA)及粒子群算法(particle swarm optimization,PSO)进行比较,分析表明该方法是可行的、有效的。     

基于改进二进制蝙蝠算法的独立型微网容量优化配置

该文围绕独立型风/光/柴/储微网的容量优化配置展开研究,以微网系统供电可靠性为约束条件,同时考虑微网经济性、环保性和可再生能源利用率3个指标,以加权后的年均综合费用最小为优化目标,构建微网容量优化配置的非线性整数规划模型。针对连续优化算法直接用于求解离散优化模型而导致的局部最优问题,该文提出一种改进的二进制蝙蝠算法(improved binary bat algorithm,IBBA),将差分进化(differential evolution,DE)算法的变异、交叉、选择操作与二进制蝙蝠算法(binary bat algorithm,BBA)相结合,增强BBA的全局寻优能力。算例结果表明,IBBA求解得到的配置结果在精度和稳定性上均优于遗传算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)和DE算法。     

基于微分进化和SMO算法的烟气含氧量软测量

火电厂中烟气含氧量是一个难以测量的量,采用支持向量机中的序列最小优化(SMO)算法对其进行软测量,并采用改进的SMO算法提高建模速度.SMO算法的性能很大程度上依赖于其学习参数,选择合适的SMO参数是一个亟待解决的问题.而微分进化算法(DE)具有很强的全局搜索能力,在多峰函数的寻优问题上已表现出优异的性能.为此,采用DE算法选择SMO的参数,提出了基于DE算法的SMO参数选择方法.仿真表明,该方法能够准确预测烟气含氧量的变化,比用遗传(GA)算法和粒子群(PSO)算法优化SMO参数具有更高的精度和更快的速度.     

随机差分变异粒子群混合优化算法

针对传统粒子群优化算法与差分进化算法都易出现早熟等问题,提出了一种随机差分变异粒子群混合优化算法。算法结合粒子群与差分算法的各自特点,首先采用差分变异方法产生试探性候选个体,再将其代入到粒子群速度更新公式,引导粒子飞行方向,从而扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解,采用随机差分变异方式对当前最优粒子进行扰动,使算法在有效提高局部开采能力的同时,有效避免停滞现象的发生。算法分别在单峰及多峰等8个测试函数上与3个相关算法进行对比实验,实验结果表明,新的混合算法优于其他对比算法,有效提高了算法的性能。     

基于差分粒子群算法的变电站选址定容规划

针对标准粒子群算法(particle swarm optimization,PSO)易陷入局部最优,差分进化算法(differential evolution,DE)后期收敛速度慢的缺点,提出差分粒子群算法(differential particle swarm optimization,DEPSO)将二者进行混合优化,提高群体的收敛速度和全局寻优能力,并应用于配电网变电站规划。在变电站选址数学模型中结合Voronoi图来确定变电站供电范围和规划容量,继而校验变电站实际负载率,简化计算过程,提高搜索效率。通过某市城区远期规划实例验证得知该算法正确有效,可以满足城区配电网的规划要求。     

Improved differential evolutionary algorithm for nonlinear identification of a novel vibration‐assisted swing cutting system

Vibration‐assisted swing cutting (VASC) is a new precision machining technology. VASC not only inherits the characteristics of EVC intermittent cutting but also alleviates the problem of EVC residual height. However, system identification is key if you want to achieve precise control. In order to solve this problem, a new improved differential evolutionary (IDE) algorithm is proposed to identify and optimize the Hammerstein‐Wiener model parameter in VASC system. IDE algorithm is applied to transform the identification problem of the model into the optimization problem in the parameter space, and the optimal solution of the parameter of the model in the parameter space is obtained. Meanwhile, the IDE algorithm and the conventional five differential evolutionary algorithms perform performance comparison tests on six different test functions. The test results show that the IDE algorithm is strengthening the global search capability, accelerate the convergence rate to the global optimal solution, and indicate that the IDE algorithm can be effectively applied to the parameter optimization of Hammerstein‐winner model. Based on the input and output data collected from the experiment, the accuracy of the identification model can be up to 98%, which prove the superiority of the proposed IDE algorithm for system identification.     

广义回归神经网络模型在短期电力负荷预测中的应用研究

介绍了广义回归神经网络(GRNN)的基本理论,指出其回归的实质就是对平滑参数的优化。考虑到常规差分进化算法容易“早熟,”全局寻优效率偏低,提出了基于优进策略的差分进化算法,利用种群繁衍的有用信息改进子代分布,并引入确定性寻优操作,实现了高效全局搜优。以推广能力作为优化目标,所建的GRNN有很强的非线性拟合能力和优良的预报性能,将其成功地为短期电力负荷预测建模,获得了满意的预测结果。     

基于改进差分进化-生物地理学优化算法的最优潮流问题

生物地理学优化算法(biogeography-based optimization,BBO)是一种新提出的全局智能优化算法,但是其应用于最优潮流计算时,具有早熟和收敛不稳定的问题。将BBO与差分进化(differential evolution,DE)算法相结合,并对差分进化部分的改进策略稍做修改,形成改进DE-BBO算法。应用所提方法对IEEE 30节点系统进行了有功优化的计算,并和GA、PSO、BBO和DE 4种方法进行了分析和比较,结果表明所提方法具有良好的收敛稳定性,可以有效缩短迭代时间。