排序方式: 共有75条查询结果,搜索用时 31 毫秒
21.
以电光射频位相调制光谱技术为基础,对有源腔内位相调制增强的机理进行了理论和实验研究。数值计算得到了腔内调制存在腔增强效应的结果。在调制频率为10MHz时,理论腔增强倍数为9倍,并在实验上获得了验证。 相似文献
22.
针对传统光伏功率预测特征提取不足导致预测精度不高的问题,提出一种双通道网络模型进行光伏功率预测。首先将光伏功率历史数据进行归一化处理,再将数据送入两个并行的卷积神经网络(Convolutional Neural Network, CNN)进行特征提取,经融合层融合送入长短期记忆网络(Long Short-Term Memory, LSTM)进行光伏功率预测。采用地中海气候光伏发电数据集进行测试,结果表明所提出的方法与单通道网络相比平均绝对误差(Mean-Absolute Error, MAE)减小了12.3%,均方根误差(Root-Mean-Square Error, RMSE)减小了3%,实现了更高的预测精度。 相似文献
23.
24.
针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。 相似文献
25.
26.
基于细菌菌落算法的电力系统无功优化 总被引:1,自引:0,他引:1
电力系统无功优化具有非线性,多控制变量,多约束条件,连续变量和离散变量混杂的特点,针对现有算法或容易陷入局部最优解或收敛速度慢的缺点,提出了一种细菌菌落(bacterial colony optimization,BCO)优化算法,将BCO优化算法首次应用于电力系统无功优化问题。BCO算法将问题的解空间视为细菌培养液,在其中放置单个或少量细菌个体,模拟细菌菌落的生长进化过程,该算法本身具有进化机制,并且提出了一种新的结束准则。BCO算法通过繁殖适应度高的个体,死亡适应度低的个体,可以尽快的获得适应度更优的个体,从而可以避免算法陷入局部最优解,同时也加快了收敛速度。用BCO算法对IEEE14节点标准测试系统进行无功优化计算,实验结果表明,细菌菌落(BCO)优化算法较其他算法具有较强的全局寻优能力,且收敛速度快,鲁棒性好,可以作为求解电力系统无功优化问题的一种新途径。 相似文献
27.
为了更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,提出了一种基于免疫进化的改进多目标细菌觅食优化算法。该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。IEEE14,IEEE30节点测试系统的算例结果表明所提的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。 相似文献
28.
为解决太阳电池寿命预测模型参数辨识中参数辨识精度低的问题,提出采用人工蜂群算法进行太阳电池寿命预测模型参数辨识的方法。利用人工蜂群算法的局部快速搜索能力和高效全局收敛性能,对太阳电池寿命预测的电流衰减模型的五参数进行辨识,给定失效阈值利用电流衰减模型进行最大寿命预测。运用人工蜂群算法和最小二乘法辨识的均方根误差RMSE分别为2.858×10/~(-4)和1.337×10~(-3),R~2分别为0.9228和0.8666,实验分析表明:人工蜂群算法求得的均方根误差、误差平方和与R~2明显优于最小二乘法,为太阳电池寿命预测的电流衰减模型参数辨识提供一种新的思路。 相似文献
29.
30.