粒子群优化鱼群算法及其在光伏系统最大功率点跟踪中的应用

将标准粒子群优化算法中的速度惯性、粒子个体的记忆因素和粒子间学习交流因素等几个特征引入人工鱼群算法,提出了粒子群优化鱼群算法。在新算法中,鱼群的游动具有了速度惯性的特征,并且其行为模式被扩充为追尾、聚群、记忆、交流以及觅食。通过仿真分析,验证了粒子群优化鱼群算法比两种基本算法具有更快的收敛速度和更高的寻优精度,且性能稳定。最后将所提出的粒子群优化鱼群算法应用于局部遮阴情况下的光伏发电系统最大功率点跟踪,实验表明,该算法可以在很短时间内以很高精度寻得不均匀光照系统的最大功率点。     

粒子群优化鱼群算法仿真分析

针对标准粒子群算法(PSO)寻优多维多极值函数成功率低,基本人工鱼群算法(AFSA)收敛速度和精度有待提高等问题,提出粒子群优化鱼群算法(PSO-FSA)。该算法将速度惯性、个体记忆和个体间交流等特征引入鱼群算法,使鱼群行为模式扩充至追尾、聚群、记忆、交流以及觅食。此外,定义参数max D动态限定鱼群搜索的视野和步长。仿真分析表明,粒子群优化鱼群算法较两种基本算法而言具有更快的收敛速度和寻优精度。     

基于自适应多行为模式鱼群算法的电能计量设备运维作业优化研究

随着网络化、信息化技术在电力行业的深入推广,传统的电能计量设备运维作业模式早已无法满足当今的管理需求。针对传统运维作业模式中所存在的路径规划不科学,作业过程耗时长、能耗高,且难以实时掌握和调整运维作业进度等问题,首先建立基于智能优化算法的电能计量设备运维作业优化模型,并提出了一种自适应多行为模式的人工鱼群算法完成对该优化模型的求解。仿真实验表明,所提出的自适应多行为模式鱼群算法对于多局部极值问题具有更好的优化精度,且能够在所建立的运维作业优化模型基础上完成对全局最优路径的求解。     

一种深度扩展记忆的仿人粒子群算法仿真分析

从仿生学和心理学角度出发,提出一种深度扩展记忆的仿人粒子群算法,以解决标准粒子群及其主流改进算法易陷入局部最优等问题.算法对粒子认知进行群体共享,并采用深度扩展记忆积累粒子认知,通过仿人遗忘函数配置不同时期认知对当前决策的影响权重.仿真分析表明,所提出算法对遗忘函数和遗忘因子高度敏感,算法寻优多维多极值函数时,在收敛精度、成功率和优化成本等方面较标准粒子群及其改进算法有显著提升.     

基于ArcGIS与多因子模型的光伏电站选址评估

该文基于中国光伏资源的时空分布，研究并提出一种基于ArcGIS与多因子评价的光伏电站选址及发电潜力预测模型。利用ArcGIS软件与层次分析法，综合考虑多种影响大型光伏电站建设的因素，对不同地势和土地类型赋予不同的光伏利用系数，得到大型光伏电站建设适宜度、光伏潜力与光伏电站选址的多因子评价模型。基于该模型得出中国光伏发电潜力并给出光伏电站选址建议。评估结果表明，全国年光伏总发电量约为570.07×10⁶kWh，其中新疆为年光伏总发电量最高的省份。中国较为适宜建设光伏电站的地区主要为西北部地区，其中适宜区面积为1.08×10⁶km²，最适宜区面积为2.10×10⁵km²，研究可结果将为中国光伏产业长期的规划与建设提供可靠的理论依据。     

基于ArcGIS与多因子模型的风力发电场选址评估

基于地理信息系统，研究并提出一种基于ArcGIS与多因子模型的风力发电场选址评估方法，以实现对不同地区风能资源空间分布情况、开发适宜性和理论发电量的有效评估，进而为风电场的选址提供理论依据。首先，基于不同地区的风资源气象数据，通过引入地形、道路等地理限制因素，提出一种多因子模型，以实现对不同地区风能资源开发适宜性评估。然后，基于10 m高度处的风速分布，通过风速外推得到80 m高度处的风速分布，进而用于评估80 m高度处的风能理论发电量。最后，综合上述开发适宜性和理论发电量评估结果，可较为准确地给出计及风速、风功率密度、地形、道路等多因子模型的风电场选址建议。结果发现：风电场选址主要集中在西北部、东北部以及内蒙古等地。     

基于一维卷积神经网络的超声导波管道裂纹识别方法

在船舶运输、石油化工等需要广泛使用各类型管道的行业中，管道的结构健康监测(structural health monitoring, SHM)对于工业系统的安全稳定运行意义重大。在基于超声导波的管道裂纹等级识别方面，建立了一个与实际管道基本一致的有限元模型，通过添加噪声的方式合成了更接近实际检测的导波数据。基于包含不同管道裂纹等级的有限元仿真数据库，提出了一种基于多尺度一维卷积神经网络(multi-scale one dimensional convolution neural network, MS-1DCNN)的管道裂纹等级识别模型，该模型以端到端的方法，将原始波形信号直接作为输入，无需专门设计信号降噪及特征提取算法。试验结果表明，该模型相较于传统机器学习方法在噪声环境下对管道裂纹等级的识别具有较高精度，并通过实物管道试验，验证了该模型在管道结构健康监测中的有效性。