基于改进混沌粒子群的PEMFC模型参数辨识

基于质子交换膜燃料电池(PEMFC)电堆的输出特性及相关电化学反应建立输出特性模型,提出改进混沌粒子群优化(CPSO)算法来优化PEMFC输出特性模型参数辨识问题。首先采用6种标准测试函数验证了CPSO算法的寻优性能,然后针对两种参数不同的电堆进行了输出特性模型参数辨识。结果表明,相较于遗传算法(GA)、粒子群优化(PSO)算法、受约束粒子群优化(B-PSO)算法、具有收缩系数的粒子群优化(PSO-χ)算法、引力粒子群优化(GSAPSO)算法以及差分进化算法(DE),CPSO算法辨识精度最高且收敛速度最快。静态工况下电堆1的均方根误差为0.213,平均相对误差为2.339%;电堆2的均方根误差为0.481,平均相对误差为1.243%,充分说明CPSO算法在PEMFC输出特性模型参数辨识方面的优越性。     

基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型

针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,本文从混合DGA特征量中优选出一组DGA新特征组合为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support vector machine,SVM)的变压器故障诊断模型进行故障诊断。将SVM的c和s与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组最优DGA新特征组合;利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明：与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%;IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。     

基于扩张状态观测器的PEMFC电堆温度控制

针对质子交换膜燃料电池(PEMFC)的电堆温度控制系统,提出一种基于扩张状态观测器的PEMFC电堆温度控制器设计方法。首先建立PEMFC的电堆温度模型,并对模型进行非线性变换。根据变换后的模型设计扩张状态观测器,利用扩张状态观测器得到电堆温度的动态过程,并将得到的动态过程信息补偿到控制器中。所设计的控制器不需精确的PEMFC内部传热过程,是一种不基于模型的控制器设计方法,且算法简单,工程实用性强。仿真结果表明所提出的控制方法适合PEMFC电堆温度控制系统的设计,并具有较好的控制效果。     

PEMFC的动态特性分析及其PID控制

针对质子交换膜燃料电池(PEMFC)控制系统的非线性、时滞性、复杂性等特点,利用Matlab/Simulink仿真软件建立PEMFC电堆工作仿真模型。在此基础上,采用比例积分微分(PID)算法控制器控制电堆的输出电流。讨论了当电堆输出电流出现阶跃变化时,电堆输出电压、输出功率以及电堆效率的动态响应,并对仿真结果进行了比较分析。仿真结果表明,该模型能够较好地反映PEMFC系统的动态性能,采用的算法具有较好的鲁棒性,有助于改善PEMFC控制系统的设计,提高其性能。     

空冷型质子交换膜燃料电池堆温湿度特性建模

空冷型质子交换膜燃料电池(Air-CoolingPEMFC)电堆具有结构简单,自身能耗低等特点,在便携式电源研究领域有着更为光明的应用前景。在电堆的工作条件中,电堆工作温度和湿度是影响电堆性能的关键因素。以实验手段对空冷型电堆的温度和湿度特性进行研究,通过实验数据分析电堆工作温度和尾气排放周期对输出性能的影响,并结合分析结果基于遗传算法建立了电堆温度和湿度特性经验模型。研究结果有助于空冷型PEMFC电堆的温度和湿度特性分析、模型优化和实时控制系统的设计。     

基于改进遗传算法的PEMFC电堆稳态运行优化

在质子交换膜燃料电池(PEMFC)运行过程中,运行压力、反应气条件、质子膜含水状态、电堆温度、输出电流等因素,都会影响电堆功率输出,因此须确定电堆输出最大功率的最优运行状态。为确定最大输出功率,建立了一个PEM-FC电堆参数模型和优化目标,并提出一种实现此优化的改进遗传算法。使用1kW电堆的实验数据通过最小二乘法确定了模型参数,同时详细叙述了如何利用此遗传算法实现优化,对PEMFC电堆最优运行条件进行了分析。计算和分析结果表明此遗传算法能够有效确定最大输出功率和最优运行状态。     

空冷型PEMFC电堆温度建模及改进GPC控制

为了使电池具有良好的输出性能,质子交换膜燃料电池(PEMFC)电堆温度必须控制在一个合适的范围内.提出了一个基于广义预测控制(GPC)的PEMFC温度预测控制方案.根据电池内部的能量守恒定律,建立了空冷型燃料电池电堆温度模型,基于此温度模型,采用GPC控制器建立了PEMFC温度控制系统,并提出一种改进的广义预测控制算法,减少了计算量和控制过程中的超调.设定温度为实验所获得的最佳工作温度.控制仿真结果表明,设计的PEMFC温度GPC控制系统有较高的控制精度与响应速度.     

空冷型PEMFC电堆温度特性及模糊PID融合控制

以实验手段对空冷型电堆的温度特性进行研究,通过实验数据分析电堆工作温度对输出性能的影响,并结合分析结果推导出了电堆工作温度特性经验模型;同时针对电堆工作温度控制特点,设计了电堆工作温度的模糊PID融合控制方法。研究结果有助于空冷型PEMFC电堆的温度特性分析、模型优化和实时控制系统的设计。     

PEMFC电堆的三维热力耦合数值仿真

以典型质子交换膜燃料电池(PEMFC)电堆为研究对象,结合计算流体动力学与有限单元法建立了多级PEMFC电堆的整体三维稳态热力耦合模型,分析了电堆在不同工作状态时温度、应力及膜电极(MEA)表面接触压力的分布形式和变化规律.结果表明:电堆在封装载荷的作用下,主要沿封装方向单向变形,其余两个方向的变形可以忽略不计;封装好的PEMFC电堆工作前,膜电极(MEA)表面接触压力呈非均匀分布,压力数值从MEA边缘向中心区域递减;当电堆稳态工作后,在结构热应力的影响下,MEA表面接触压力的不均匀性得到缓解,但接触压力数值将损失约20％.     

水冷型PEMFC的热管理研究

质子交换膜燃料电池(PEMFC)电堆内气、水两相的分布和热量的产生与传递间相互影响.为提高电堆的性能和寿命,根据连续方程和质量守恒定律,建立了电堆内气、水两相传输的动态模型;根据能量守衡原理,建立了PEMFC电堆温度和冷却水温度的动态模型;并在此基础上采用李雅普诺夫函数反向递推法设计了—种非线性鲁棒控制器,使系统温度能在一定摄动范围内保持稳定.最后,在Matlab/Simulink平台上验证了该模型及控制策略的有效性.     

Integrated Reactive Power Optimization Method for Active Distribution Networks Based on a Quantum Krill Herd Algorithm

Abstract

Aiming at the problem that the reactive power optimization of traditional distribution network can’t adapt to the active distribution network (ADN) of large-scale distributed power access, a comprehensive reactive power optimization method based on quantum krill herd algorithm for ADN is proposed. Firstly, a reactive power optimization model of ADN based on proportional coefficient is proposed by analyzing the characteristics of active control and active management. Secondly, the krill herd algorithm is easy to fall into local optimum when solving optimization problems. To overcome this shortcoming, a quantum krill swarm algorithm is proposed. The algorithm uses the probability amplitude of quantum bits to represent the information of particle position, uses quantum revolving gate to increase population diversity and generates new population through chaotic crossover, which improves the convergence accuracy of the algorithm. Finally, simulation experiments are carried out on the modified IEEE33 node and IEEE 69 node to verify the effectiveness of the proposed model and algorithm.     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

基于PCC-ISSA-BP燃料电池剩余寿命预测

在质子交换膜燃料电池(PEMFC)寿命预测中,针对燃料电池中的特征对其寿命的影响程度未知问题,使预测燃料电池的剩余寿命问题变得相对复杂,为了更加准确的预测燃料电池的剩余使用寿命。本文首先通过小波分析对原始堆栈电压进行去噪处理,滤除噪声数据,利用皮尔逊相关系数(PCC)对影响因素进行降维,提取关键影响因素,简化模型结构;然后利用改进的麻雀优化算法(ISSA)优化BP神经网络,找到网络最优的权值和阈值,并建立ISSA-BP模型;最后将处理好的数据输入ISSA-BP模型,实现PEMFC的剩余寿命预测。实验结果表明,PCC-ISSA-BP的平均绝对误差百分比、平均绝对误差、均方根误差分别为0.125%、0.003 97、0.005 68,优于其它模型,能够更有效地预测燃料电池的剩余寿命。     

空冷自增湿PEMFC测试平台设计

为便于对空冷自增湿质子交换膜燃料电池(PEMFC)性能测试及控制算法设计,基于工控机、Lab VIEW及USB数据采集模块设计了一种通用开放式空冷自增湿PEMFC测试平台,用于对空冷自增湿PEMFC性能测试及控制算法设计与验证。测试平台通过USB数据采集模块采集PEMFC电堆的温度、输出电流、输出电压等参数,实时显示电堆当前状态参数曲线,并输出相应控制信号控制电堆稳定运行。经实验验证,该测试平台运行可靠,监控性能良好,实用性强,为研究空冷自增湿PEMFC的性能与控制算法设计提供了开放式测试平台,具有很高的实用价值。     

基于遗传优化BP网络的振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,采用遗传算法对BP神经网络的初值空间进行多点遗传优化,得到最佳初始权值矩阵,在此基础上按误差前向反馈算法沿负梯度搜索进行网络学习;同时提出了一种用于BP神经网络遗传优化的染色体浮点编码方法,并描述了作用于染色体上的遗传操作算法。仿真研究表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到汽轮发电机组振动故障诊断中。     

基于遗传算法的有源消声系统设计

建立了基于遗传算法的自适应有源消声模型,介绍有源消声系统原理,自适应控制系统的关键在于其控制算法,用算法来调整滤波器的系数.在消声系统里必须考虑的因素主要有误差、声音的延迟、声音的衰减、在公式中适当的加入相位变化等.该系统结合神经网络算法,遗传算法和BP算法结合并改进提高了精度和准确性,可以用来优化神经网络的结构及其权值.实验分别从单音和复音情况进行,实验结果证明了基于神经网络算法的自适应有源消声系统有良好的消声效果,该系统稳定性较强.     

灰色神经网络模型GNNM(1,1)在城市年用电量预测中的应用

针对城市电力系统年用电量增长的特点，将灰色神经网络模型GNNM(1，1)引入城市年用电量预测。GNNM(1，1)模型是把灰色方法与神经网络有机结合起来，对复杂的不确定性问题进行求解所建立的模型。该模型通过建立一个BP网络，来映射GM(1，1)模型的灰色微分方程的解。GNNM(1，1)模型采用BP学习算法，网络经训练收敛后就可进行城市年用电量预测。算例计算表明，与灰色预测方法相比，GNNM(1，1)模型具有更强的适应性和更高的预测精度，适用于城市年用电量预测。     

文化微粒群神经网络在用电量预测中的应用

为了提高传统神经网络在中长期用电量负荷预测中的速度和预测精度,将文化算法、微粒群算法融入神经网络中,设计了文化微粒神经网络模型;将该模型用于我国某地区中长期用电量预测建模,采用了滚动时间窗技术处理输入输出数据,进一步优化模型数据输入量.该方法综合了微粒群算法的全局寻优能力和文化算法的演化优势.通过与传统的灰色预测模型以...     

PEMFC堆的正交实验分析与建模

采用正交实验法研究操作参数对PEMFC电堆性能的影响.实验结果表明:电堆性能受工作温度、气体压力和空气过量系数影响较大,而氢气过量系数以及阴、阳极湿度在60%～100%时对性能的影响较小.神经元网络可以避开电堆内部的复杂关系,在正交实验基础上能实现快速建模.采用改进型BP算法对多参数影响下的电堆性能进行建模,仿真结果表明:方法可行,并且模型具有较好的精度和泛化能力.     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。