蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

电力应急抢修预案的历史大数据填补方法

为提高电力应急抢修预案的质量，及时恢复电力受损情况，提出电力应急抢修预案的历史大数据填补方法。利用二次函数的极小值寻找数据缺失部分并填补缺失信息，构建完整的数据信息后将其传输到数据分析层，通过对电力历史大数据的深入挖掘和融合，调整可能存在的安全隐患，经应急管理层电网应急恢复处置后，获取最佳电力应急抢修预案。经实验验证：该方法缺失数据填补精度较高，受数据集大小、缺失率的变化情况影响较小，预案评分等级较高，应急抢修时间较短，可为降低电力突发事件带来的经济损失提供参考。     

基于进化算法和气象信息的三峡-葛洲坝通航调度研究

在分析气象信息影响船舶停航的基础上，应用时间—空间二维正态分布函数，建立了考虑气象信息的三峡-葛洲坝两坝联合通航多目标优化调度模型(CSCM)，并提出一种改进的增强帕累托进化算法(ISPEA2)进行模型求解。为验证所建模型的合理性和ISPEA2算法的有效性，根据三峡-葛洲坝联合通航调度中船舶申报信息，应用ISPEA2对CSCM问题进行仿真计算。结果显示，利用CSCM模型能较准确地反〖JP2〗映气象对两坝通航调度计划的影响，与其他算法相比，采用ISPEA2能够得到较合理的两坝联合通航调度计划。     

基于改进布谷鸟算法的电力系统最优潮流计算

针对电力系统最优潮流问题,提出一种融入量子计算和混沌局部搜索策略的改进布谷鸟算法(QCCS),即对布谷鸟算法的个体进行量子位编码,通过叠加态的量子位实现多样化种群,并在算法每次迭代的优化值附近进行混沌局部搜索进而增加布谷鸟算法的局部搜索能力,同时采用量子门变换使每个个体朝最优个体进化,从而提高算法的寻优能力。最后以IEEE 118节点系统的最优潮流计算问题为例,应用QCCS进行仿真计算。通过与其他方法(PSO、GA、CS)计算结果进行对比分析,验证了QCCS算法求解电力系统最优潮流问题的有效性,从而为电力系统最优潮流(OPF)问题的求解提供了一种新方法。     

基于进化算法和气象信息的三峡-葛洲坝通航调度研究

在分析气象信息影响船舶停航的基础上,应用时间—空间二维正态分布函数,建立了考虑气象信息的三峡-葛洲坝两坝联合通航多目标优化调度模型(CSCM),并提出一种改进的增强帕累托进化算法(ISPEA2)进行模型求解。为验证所建模型的合理性和ISPEA2算法的有效性,根据三峡-葛洲坝联合通航调度中船舶申报信息,应用ISPEA2对CSCM问题进行仿真计算。结果显示,利用CSCM模型能较准确地反映气象对两坝通航调度计划的影响,与其他算法相比,采用ISPEA2能够得到较合理的两坝联合通航调度计划。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

短期水电优化调度系统设计与开发

大规模水电站群联合优化调度运行对于水电厂自身和电网安全稳定运行至关重要,需制定高效实用的水电站短期发电计划指导其运行。因此,该系统研发了一套基于B/S模式的短期水电优化调度系统,阐述了该系统的总体功能设计和关键实现技术。系统应用表明,该系统具有友好的人机交互界面、良好的健壮性和可扩展性,为制定短期水电系统联合优化发电计划提供了便利。     

基于随机分形搜索算法的马斯京根模型参数优选

马斯京根模型在河道洪水演算中发挥着重要作用,该模型参数优选对提高洪水演算准确性至关重要。提出利用随机分形搜索算法(SFS)解决非线性马斯京根模型参数优选问题,同时将混沌序列替代SFS更新操作中的随机数。对算例进行洪水演算仿真分析并与多种优化算法比较,结果表明,随机分形搜索算法对非线性马斯京根法模型参数优选问题求解行之有效,且算法实施过程简便、参数解算精度高。     

基于改进LSSVM的太阳辐射量预测

为准确预测太阳辐射量,提出一种基于变分模态分解和粒子群优化算法的最小二乘支持向量机组合预测模型。针对太阳辐射量序列具有不稳定性的特点,首先利用变分模态分解将历史太阳辐射量数据分解成一系列相对稳定的分量序列,再应用粒子群优化最小二乘支持向量机参数,以预测各分量序列,将各分量太阳辐射量预测值集成,从而得到最终太阳辐射量预测值。实例分析和对比研究表明,该模型预测太阳辐射量有效可行,具有较高的预测精度。研究成果可为太阳辐射量预测提供参考。