基于VMD和SVPSO-BP的滚动轴承故障诊断

为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解（VMD）和缩放变异粒子群算法（SVPSO）优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法（SVPSO）,再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。     

基于新型混合粒子群算法的含分布式电源的配电网规划

针对粒子群算法易出现"惰性"粒子的问题,提出新型混合粒子群算法,即首先利用混沌理论初始化粒子群,使生成的初始解遍历整个搜索空间,再融入交叉、变异、混沌扰动操作帮助"惰性"粒子跳出局部最优,进而以有功网络损耗最小为目标函数,应用新型混合粒子群算法对IEEE33节点配电系统中分布式电源的位置和容量进行规划。结果表明,新型混合粒子群算法应用于含分布式电源的配电网规划中具有可行性。     

基于粒子群神经网络的热力站供热负荷预测

结合河北省秦皇岛市碧水园热力站的供热实际情况,提出了利用BP神经网络进行热力站供热负荷的预测。为克服标准BP算法收敛速度慢和易于陷入局部最小的问题,提出利用进化算法——粒子群算法进行神经网络初始状态的优化。在此基础上,进一步提出了混合粒子群算法和速度变异粒子群算法两种改进算法提高优化性能。计算结果表明,采用粒子群算法和BP算法相结合的办法,可以明显提高热负荷的预测精度。     

基于自适应变异粒子群算法的光伏MPPT控制研究

针对局部遮阴(PSC)时,光伏阵列输出P-U曲线出现多峰值现象,传统最大功率点追踪(MPPT)算法易陷入局部最优解,无法追踪到全局最优解的问题,该文提出基于自适应变异粒子群算法的光伏MPPT控制方法.在粒子群算法寻优过程中同步调整学习因子与惯性权重,以提高算法收敛速度与精度,同时引入变异机制以扩大粒子搜索范围,增强算法...     

基于改进秃鹰算法的微电网群经济优化调度研究

传统优化算法相较于智能优化算法在求解微电网群优化调度问题中较难寻出可行解或最优解,对此提出一种基于融合反向学习和柯西变异改进的秃鹰算法（IBES）,在秃鹰搜索空间猎物阶段采用融合反向学习和柯西变异策略,使得秃鹰算法有效跳出局部最优,解决算法求解精度低等问题。通过与粒子群算法（PSO）、麻雀算法（SSA）、鲸鱼算法（WOA）进行对比,仿真结果表明IBES寻优精度更高,可有效减少微电网群系统的经济成本。     

CQPSO-BP算法在风电机组齿轮箱故障诊断中的应用

为实现风电机组齿轮箱故障模式的有效识别,提出一种基于混沌量子粒子群优化BP神经网络(CQPSOBP)的故障诊断方法。在该算法中,利用混沌序列来初始化粒子的初始角位置,可提高种群的遍历性;通过引入变异操作,避免算法陷入早熟收敛,并依此来对BP神经网络的初始权值和阈值进行优化。实例表明,同粒子群优化BP神经网络(PSO-BP)与BP网络的诊断结果相比,CQPSO-BP算法具有收敛速度快、识别精度高的优点,可有效用于风电机组齿轮箱的故障诊断系统中。     

基于改进搜索特性的粒子群算法的水电站优化调度研究

为了进一步提高水电站水库优化效果,减少弃水,提高水电站收益,本文以东风水电站为例,研究了粒子群算法的改进;改进了粒子自搜索、贪婪选择策略、优胜劣汰变异策略三项关键技术;并将改进的算法应用于水电站中长期优化调度。实例计算以基本粒子群算法、蜂群算法和提出的改进算法对同一电站进行优化。结果显示,改进的粒子群算法优于基本粒子群算法和蜂群算法,发电量和总收益都高于其他两种算法,弃水更少。结果证明改进的粒子群算法在求解具有复杂约束条件的非线性水库优化调度问题时,求解结果更优,收敛速度快的优点,为解决水电站中长期优化调度问题提供了一种新的有效方法。     

基于改进粒子群优化算法的边坡稳定性分析

针对标准粒子群算法存在收敛精度低、易陷入局部最优的缺点,提出了基于混沌与变异的改进粒子群优化算法(CVPSO),将其应用于边坡滑裂面搜索,研制了边坡稳定分析程序CVPSO-LEM2D。采用改进粒子群算法对澳大利亚计算机应用协会(ACADS)边坡算例进行计算分析,结果表明改进粒子群算法的全局最优搜索能力与收敛精度得到了较大提高,计算结果与ACADS推荐的裁判答案基本一致,验证了算法的有效性。最后,将CVPSO-LEM2D应用于两河口泄水建筑物进口边坡稳定性分析,验证了方法的可行性,为类似工程提供了参考和借鉴。     

基于分组差分粒子群算法的含分布式电源配电网故障定位北大核心CSCD

针对粒子群算法在对含分布式电源的配电网故障定位时,易陷入局部最优的问题,文章提出了一种分组差分粒子群算法。该算法对粒子群进行了分组操作,每组粒子群均可代表原种群的特性,并对每组全局最优值进行了变异、选择操作。文章构造了配电网故障定位的目标函数,以含分布式电源的IEEE33节点配电网系统为例进行仿真测试,对该算法与其他启发式优化算法进行了对比分析,结果验证了该算法在故障定位时不易陷入局部收敛,且准确性和快速性得到提高。最后通过配网自动化平台对所提算法进行了验证,进一步证明了该算法应用于实际工程的可行性。     

基于SA-PSO混合优化算法的燃气轮机气路故障诊断方法研究

为了对燃气轮机进行有效的气路状态监测和故障诊断,提出一种基于模拟退火与粒子群混合优化的燃气轮机气路故障诊断新方法。采用快速模拟退火算法设计粒子生成器,用生成的初始粒子群进行全局的粗糙搜索,再利用粒子群算法对特定区域进行重点搜索,最终获得精确解。该方法结合了遗传算法的全局搜索能力和粒子群优化算法的高效率,比原始的粒子群优化算法迭代次数更少,可减少50%的诊断时间。此方法对单部件的诊断精度可达到0.1%,多部件的诊断精度可达到1%。     

基于改进粒子群优化算法的边坡稳定性分析

针对标准粒子群算法存在收敛精度低、易陷入局部最优的缺点,提出了基于混沌与变异的改进粒子群优化算法（CVPSO）,将其应用于边坡滑裂面搜索,研制了边坡稳定分析程序CVPSO LEM2D。采用改进粒子群算法对澳大利亚计算机应用协会（ACADS）边坡算例进行计算分析,结果表明改进粒子群算法的全局最优搜索能力与收敛精度得到了较大提高,计算结果与ACADS推荐的裁判答案基本一致,验证了算法的有效性。最后,将CVPSO LEM2D应用于两河口泄水建筑物进口边坡稳定性分析,验证了方法的可行性,为类似工程提供了参考和借鉴。     

基于改进PSO算法的微能源网优化配置研究

微能源网优化配置的求解算法存在易陷入局部搜索和收敛速度低两大缺陷,如何同时解决这两个缺陷是一直以来的研究难点。针对这一问题,提出了基于时变压缩因子和自适应变异的改进粒子群算法。针对经济优化配置,建立了包括多种分布式设备的微能源网架构模型和以年经济成本最低为目标,计及可靠性并含多种约束的优化配置模型。最后,结合具体算例,将改进粒子群算法运用于模型中,得到各分布式设备的配置方案和最优年经济成本,对比验证改进粒子群算法性能。实验结果表明：改进粒子群算法较好地提高了算法的收敛速度和全局收敛能力;微能源网优化配置模型实现了低经济性和高可靠性的有效结合。     

AMPSO闭环控制及在光伏多峰MPPT中的应用

针对光伏阵列的输出特性具有非线性、时变性和多峰性等特点,提出一种基于自适应变异的粒子群优化(AMPSO)闭环控制方法,并将其应用于光伏阵列多峰情况下的最大功率点跟踪。该方法的优点为:采用AMPSO算法来预测最大功率点电压,可克服粒子群算法(PSO)存在的早熟收敛问题;采用电压闭环控制来跟踪最大功率点电压,可实现阵列输出电压的准确控制。仿真和实验结果表明该方法可快速跟踪外部环境变化,准确搜索到最大功率点,有效提高光伏系统的效率。     

基于改进参数的粒子群算法的换热网络优化

对于换热网络综合优化问题,粒子群算法能有效解决其容易陷入局部最优和无法收敛到全局最优的局限性。标准粒子群算法具有较强的随机性,可调节参数较少,不同的参数配置对算法的优化效果有显著影响。在分析粒子群算法中各参数特点的基础上,通过合理调整参数,使该算法在连续变量优化过程中具有更好的全局收敛性能。采用4股流体的小规模换热网络算例进行验证,优化结果表明,改进参数后的粒子群算法对计算换热网络综合问题有效。     

基于改进的PSO算法的电力系统无功优化研究

电力系统无功优化是保证电力系统安全、经济运行的重要措施,粒子群优化算法（PSO）具有模型简单、收敛速度快、参数简洁等优点,但用于求解高维复杂优化问题时易陷入局部最优,针对此缺陷,在PSO算法的基础上提出了自适应随机变异粒子群优化算法（AMPSO）,将该算法用于求解电力系统无功优化问题,并以IEEE30标准节点系统为算例进行验证。结果表明,与PSO算法相比,AMPSO算法有效降低了系统网损,显现出良好的全局收敛特性。     

风光互补发电系统混合储能单元的容量优化设计

由于粒子群优化算法在优化计算中存在早熟收敛,易陷入局部最优且搜索精度不高等缺点,在现有粒子群优化算法的基础上融合模拟退火算法对其进行改进,得到改进后的模拟退火粒子群优化算法,并将其应用到风光互补发电系统混合储能单元容量的优化配置中。优化结果表明,在满足负荷用电的前提下,该算法可有效降低储能单元的投资成本和运行费用,从而证明了算法的正确性。     

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。     

基于预测变异多目标粒子群算法的风-光-抽水蓄能系统日前调度

文章针对风-光-抽水蓄能联合发电系统,采取并网运行、自发自用、余电上网的模式,以经济效益最大化和电网交互功率波动最小作为目标函数,考虑各子系统运行约束和能量平衡约束,对其日前调度进行了研究。针对传统多目标粒子群算法多样性较差、易早熟且后期收敛速度慢的问题,提出一种基于预测变异的多目标粒子群算法（P-MOPSO）,引入预测变异策略提高种群的多样性和全局搜索能力,采用基于拥挤距离均方根和分散度检测的方法提高收敛速度,使算法能够快速得到接近真实的Pareto前沿。仿真结果表明,将该算法用于求解风-光-抽水蓄能联合发电系统的优化调度问题,在多样性、稳定性和求解速度上均具有明显优势。     

基于改进粒子群算法的BP神经网络在初始地应力场反演优化中的应用

为找到一种较为精确的方法反演出最接近实际情况的初始地应力场,首先对传统粒子群算法进行改进,以弥补传统粒子群算法搜索范围过于局限的缺陷,然后将改进粒子群算法与BP神经网络算法相结合,来解决BP神经网络收敛速度慢、精度不足等缺点,最后对某抽水蓄能电站初始地应力场的反演进行优化,并与BP神经网络的计算结果和实测值进行对比,发现该方法可提高优化精度。     

基于HPSO算法光伏并网逆变器MPPT技术研究

为了解决光伏阵列最大功率点跟踪问题,提出一种基于神经网络与粒子群优化算法的最大功率点跟踪算法。在不同太阳辐射强度情况下,利用神经网络辨识光伏阵列的瞬时功率,并将此瞬时功率作为粒子群优化算法的粒子,利用粒子群优化算法求出最大功率点所对应的逆变器开关量。实验结果表明,将神经网络与粒子群优化算法相结合,可以准确实现光伏阵列最大功率点的跟踪。