基于麻雀算法优化的VMD-CNN-LSTM的短期风电功率研究

考虑相关风电场之间的影响因素可以有效提升新建风电场的风电功率预测精度，提出利用变分模态分解技术（VMD）将单风电场风电功率预处理分解为本征模态函数（IMF），然后将各风电场同频段分量，即低频分量、高频分量和残差分量，组合为二维特征矩阵作为卷积神经网络（CNN）的输入，利用卷积神经网络提取同分量子模态下空间特征信息，输入到长短时记忆网络（LSTM）提取时间序列中的长时依赖关系进行预测，最后将预测结果进行叠加，获得完整的预测结果。组合神经网络的超参数设置相较于单一模型对预测精度的影响更大，采用新型麻雀搜索算法（SSA）可以节省人工手动调制参数的时间、提高超参数设置的精度和效率。使用该方法对某风电集群中的新建基准风电场进行预测，预测结果表明经SSA优化的VMD-CNN-LSTM模型在预测风电集群数据上有较高的精度，预测效果好于对比模型LSTM,CNN-LSTM和SSA-VMD-LSTM。     

基于IINFO的粒子重组FastSLAM在SLAM中的研究

针对FastSLAM算法需要增加粒子数提高精度以及重采样导致的粒子多样性缺失的问题，提出一种改进INFO(向量加权平均算法)优化的粒子重组FastSLAM算法。首先，在预测粒子集时加入最新时刻的观测信息并通过INFO计算粒子适应度值，为增强INFO跳出局部最优的能力，对最优个体进行柯西变异；其次，通过改进INFO寻优能力强，收敛速度快的特性更新预测粒子集，使得在计算权重前粒子集的位姿就更接近期望值，以此提高估计精度；最后，重采样阶段将筛选后保留的粒子与剩余粒子重新组合成新的粒子，以此增加粒子多样性。仿真实验结果表明，IINFO-FastSLAM算法较FastSLAM、INFO-FastSLAM算法相比，其位姿与路标估计精度更高且鲁棒性更佳。