基于自适应聚焦粒子群优化算法的电力系统多目标无功优化

自适应聚焦粒子群算法(adaptive focusing particle swarm optimization,AFPSO)是根据粒子群算法的全局搜索与局部搜索平衡特性,并予以改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。作者将此算法用于电力系统无功优化。该方法以最优控制原理为基础,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大的多目标无功优化模型。IEEE 30节点系统仿真结果表明,AFPSO算法在实现系统经济运行的同时也增强了电网的电压稳定性,证明了AFPSO算法的有效性和优越性。     

基于随机聚焦粒子群算法的多机系统PSS参数优化

随机聚焦粒子群算法(SFPSO)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法.通过采用SFPSO算法,对多机系统的PSS参数进行优化.该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS 参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力.通过仿真测试以及不同算法优化结果的对比,表明基于SFPSO算法优化的PSS在不同的干扰下都具有良好的性能,能够抑制低频振荡,并保持系统稳定,同时证明了SFPSO算法的有效性和优越性.     

引入自监督机制的燃料电池水管理系统健康状态检测方法EI北大核心CSCD

为保证质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)运行过程中的安全性和平稳性,该文提出一种引入自监督机制的燃料电池水管理系统健康状态检测方法。该方法的计算网络引入自监督机制挖掘数据特征,具体通过堆叠两层稀疏收缩自编码器(sparse contractive autoencoder,SCAE)实现功能。该自编码网络以逐层贪婪训练的方式完成参数初始化,避免因初值取值不佳使得网络参数训练陷入局部最优解。同时,改进的自编码网络也能有效避免模型过拟合,从而达到良好的特征提取效果。用Softmax分类器替换最后一个自编码器的输出层,然后运用Adadelta算法进行基于自适应学习率的自编码网络权值微调,从而完成系统识别网络的搭建。该算法根据梯度动态调节学习率大小,使得网络权值快速逼近符合数据特点的最佳取值。实验结果表明,该方法能快速准确地识别PEMFC正常、水淹和膜干3种状态,检测正确率高达98.5%,检测时间为3.24s。与线性判别分析-概率神经网络(linear discriminant analysis-probabilistic neural network,LDAPNN)、稀疏自编码器-支持向量机(sparse autoencodersupport vector machine,SAE-SVM)和主成分分析-向后传播神经网络(principal component analysis-backpropagation neural network,PCA-BPNN)方法相比,所提方法计算时间分别减少3.08、5.38和7.15s,准确率分别提高7.92、25.08和9.08%。普适性验证表明,该方法对于多节电池的健康状态检测同样适用。     

基于改进粒子群算法的H∞次优控制在PEMFC混合发电系统中的应用

为了改善粒子群算法(PSO)的全局搜索能力,通过提高平衡点多样性提出一种改进粒子群算法(MPSO).结合H∞次优控制方法,将加权函数的选取转化成优化问题,并将该方法应用于质子交换膜燃料电池(PEMFC)混合发电系统的过氧比(OER)控制.动态仿真结果证明,在大负载电流变化、参数摄动、环境干扰和量测噪声影响下该方法能够维持系统OER在最优值附近,保证了系统的稳定运行.同时与其他控制方法比较,证明该方法具有较好的抗扰性和鲁棒稳定性.     

混沌人工鱼群算法在含风电配电网无功优化中的应用

目前风力发电机组大多使用异步发电机并网,而异步发电机运行过程中须吸收大量的无功功率。从而造成系统的无功不足。导致节点电压偏低,降低电网的电压稳定性和电能质量。混沌人工鱼群算法（ChaoticArtificialFishSwarmAlgorithm,CAFSA）是在人工鱼群算法执行全局搜索的基础上,结合混沌优化算法进行局部搜索,具有不易陷入局部最优解且收敛速度较快的群体智能优化算法。     

基于改进粒子群算法的H∞次优控制在PEMFC混合发电系统中的应用

为了改善粒子群算法（PSO）的全局搜索能力,通过提高平衡点多样性提出一种改进粒子群算法（MPSO）。结合H∞次优控制方法,将加权函数的选取转化成优化问题,并将该方法应用于质子交换膜燃料电池（PEMFC）混合发电系统的过氧比（OER）控制。动态仿真结果证明,在大负载电流变化、参数摄动、环境干扰和量测噪声影响下该方法能够维持系统OER在最优值附近,保证了系统的稳定运行。同时与其他控制方法比较,证明该方法具有较好的抗扰性和鲁棒稳定性。     

基于随机聚焦粒子群算法的多机系统PSS参数优化

随机聚焦粒子群算法（SFPSO）是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法。通过采用SFPSO算法,对多机系统的PSS参数进行优化。该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS 参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力。通过仿真测试以及不同算法优化结果的对比,表明基于SFPSO算法优化的PSS在不同的干扰下都具有良好的性能,能够抑制低频振荡,并保持系统稳定,同时证明了SFPSO算法的有效性和优越性。     

基于虚拟磁链的质子交换膜燃料电池并网控制系统研究

根据质子交换膜燃料电池（PEMFC）发电系统运行特性,建立PEMFC并网控制系统模型,设计基于d轴虚拟电网磁链定向的矢量控制策略（VFOC）和改进的虚拟电网磁链观测器,并通过采用IEEE Std1547-2003标准,对并网电压、电流的总谐波畸变率（THD）进行仿真测试。结果表明,该PEMFC并网控制系统能够实现单位功率因数运行,而且通过FFT分析证明该并网系统也能够较好地降低电压和电流总谐波含量,验证了所设计并网系统的正确性和有效性。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性。     

基干预测机制下的电能质量扰动检测分析

进行电能质量扰动分析、扰动治理设备参数调整以及经济调度控制策略制定需要的准确实时可靠的数据信息,将基于全极点模型的线性预测优化算法（LPC）成功引入到电能质量扰动中.线性预测的电能扰动检测系统,其可以通过对样本数据信息自动学习获得误差最小的线性预测模型,以实现对电能质量扰动的在线分析检测.通过试验仿真分析表明,应用线性预测模型对电能质量扰动信号的检测和扰动起始时间、持续时间以及扰动工况点特性数据的提取是可行和有效的,该装置有很好的实用价值和应用前景.