基于改进粒子群优化算法的电力线通信多径传输模型参数辨识

基于已有的电力线多径传输模型结构,以0.5~20 MHz范围内的实际低压载波通信信道测量数据为样本,将改进粒子群优化算法应用于低压载波通信信道模型的多参数辨识,通过自适应改变惯性权重提高搜索效率,同时采用模拟退火算法并自适应调整退火温度,克服了基本粒子群算法容易发生早熟收敛的缺点。对路径数为4和18的信道模型进行参数辨识的结果表明：与遗传算法相比,改进的粒子群算法可加速收敛,缩短辨识时间,同时提高了拟合精度,克服了参数的分散性,所取路径数越多,拟合效果越好。     

基于改进闭环子空间的水电机组参数辨识方法

以往的开环辨识方法仅适用于水电机组并大网模型,系统并入孤网或小网或空载运行时应采用闭环辨识。具有较好辨识效果的预测形式简约子空间闭环辨识方法(PARSIM-K)充分利用了马尔克夫参数矩阵的Toeplitz结构,通过奇异值分解降阶和线性投影获取模型参数,但需要选择合适的时域参数,目前尚无一般的方法。为此,建立了带有频率噪声的水轮机调速系统模型,提出基于粒子群优化算法参数优化的PARSIM-K。该方法利用粒子群优化算法优化时域参数p、f,提高了辨识精度。与传统开环方法相比,所提方法能够克服噪声的影响,更加简便、安全、实用。仿真结果表明,与未优化参数的方法相比,所提方法辨识的模型参数误差更小、模型精度更高。     

基于粒子群优化神经网络观测器感应电机定子电阻辨识

针对感应电机模型参数时变性突出的问题,提出一种基于粒子群优化神经网络观测器感应电机定子电阻辨识方法。该方法首先通过构建一个含待辨识参数的非线性函数,然后根据神经网络的一致逼近任意非线性连续函数的性质,利用RBF神经网络逼近这个非线性函数,并在此基础上构造自适应观测器。采用伪降阶观测器结构,减少了参数辨识的计算时间;用粒子群优化算法对神经网络参数进行优化,提高了神经网络的收敛速度和逼近精确度。仿真和实验结果验证该方法鲁棒性强,动态性能好,具有较好的辨识效果。     

基于改进混沌粒子群的PEMFC模型参数辨识

基于质子交换膜燃料电池(PEMFC)电堆的输出特性及相关电化学反应建立输出特性模型,提出改进混沌粒子群优化(CPSO)算法来优化PEMFC输出特性模型参数辨识问题。首先采用6种标准测试函数验证了CPSO算法的寻优性能,然后针对两种参数不同的电堆进行了输出特性模型参数辨识。结果表明,相较于遗传算法(GA)、粒子群优化(PSO)算法、受约束粒子群优化(B-PSO)算法、具有收缩系数的粒子群优化(PSO-χ)算法、引力粒子群优化(GSAPSO)算法以及差分进化算法(DE),CPSO算法辨识精度最高且收敛速度最快。静态工况下电堆1的均方根误差为0.213,平均相对误差为2.339%;电堆2的均方根误差为0.481,平均相对误差为1.243%,充分说明CPSO算法在PEMFC输出特性模型参数辨识方面的优越性。     

一种低压配电网电力线载波通信网络中继算法

建立了低压配电网电力线载波通信网络的一般路由模型,提出并讨论一种基于蚁群优化的电力线通信中继算法,该算法可以根据信道和通信链路的动态变化而动态地建立、维护、优化电力线通信网络路由,保证通信网络的有效性。在此基础上,进一步分析了所提出的中继算法在节点发生故障和信道质量明显下降时的可用性。仿真试验初步验证了该中继算法的有效性。     

感应电机参数辨识三种智能算法的比较

针对感应电机参数辨识,采用3种智能优化算法,即遗传算法、蚁群算法、微粒群算法.感应电机的实际输出电流和电气模型的观测电流之间的差值被作为目标函数不断对电气模型中的参数进行更新,从而辨识全部的感应电机参数.变速运行实验是在电机不带负载的情况下进行的.通过实验,对感应电机参数辨识3种智能优化算法进行比较,并得出结论.遗传算法可以得到最准确的电机参数,微粒群算法次之,蚁群算法最差.蚁群算法所需时间最短,遗传算法次之,微粒群算法最长.     

基于DSLPSO算法的超级电容参数辨识

针对超级电容模型多参数辨识问题以及传统辨识算法收敛精度差,收敛速度慢问题,提出基于动态自学习粒子群算法的超级电容参数辨识方法.根据超级电容等效电路模型,采用双线性变换进行离散化获得辨识模型,使用动态自学习粒子群算法辨识各分支的参数.仿真结果分析表明,与基本粒子群、自适应惯性权重粒子群对比分析,基于动态自学习粒子群算法的...     

一种低压配电网电力线载波通信网络中继算法

建立了低压配电网电力线载波通信网络的一般路由模型,提出并讨论一种基于蚁群优化的电力线通信中继算法,该算法可以根据信道和通信链路的动态变化而动态地建立、维护、优化电力线通信网络路由,保证通信网络的有效性.在此基础上,进一步分析了所提出的中继算法在节点发生故障和信道质量明显下降时的可用性.仿真试验初步验证了该中继算法的有效性.     

基于混沌蚁群算法的负荷模型参数辨识

为了解决负荷模型参数辨识结果平稳性这一困扰模型应用的难题,提出了一种适用于负荷模型参数辨识的混沌蚁群混合算法.该算法针对蚁群算法容易陷入局部最优的缺点和混沌算法遍历性和随机性的优点,把混沌算法引入到了蚁群算法中,在蚁群算法求解的基础上,利用混沌算法对解的邻域进行了混沌优化,有效避免了蚁群算法的局部收敛问题.基于实测数据的算例结果表明:与单一蚁群算法相比,混沌蚁群混合算法提高了辨识结果的精度,减少了辨识误差,有效控制了参数分散性,具有较好的工程实用价值.     

应用粒子群优化算法的静电放电模型参数辨识

为了获得精确的静电放电模型,提出了一种应用粒子群优化算法的静电放电模型参数辨识新方法。以Heidler雷电流方程的静电放电模型参数为辨识对象,分别以仿真及实验数据验证了该方法的可行性,并从电流波形的整体和局部两方面对拟合效果进行了评估。结果表明,与遗传算法相比,粒子群优化方法的执行速度更快,所得的辨识参数精度更高,粒子群优化方法对电流波形的整体和局部关键点的拟合度均高于遗传算法。因此,粒子群算法较遗传算法更适用于解决静电放电模型参数辨识问题。此外,从实例可以看出,粒子群算法不需要过多的初始参数值先验知识,而只须提供一个较宽的初始参数搜索范围即可获得良好的辨识结果。     

蚁群优化PI控制器在静止无功补偿器电压控制中的应用

静止无功补偿器(static var compensator,SVC)通常用来进行负荷补偿或系统补偿,在系统补偿时往往用于电压稳定控制,针对电压稳定控制的工况,文中提出一种采用蚁群算法优化PI控制器参数的方法,克服了常规PI控制对被控对象数学模型的依赖性,简单易于实现。蚁群优化算法中,以时间与误差绝对值乘积积分(integral of time-weighted absolute error,ITAE)准则作为寻优目标函数,对PI控制器的比例、积分参数进行调整、寻优,使SVC系统的响应过程达到最优。仿真和实验结果表明,该最优PI控制器能快速跟踪SVC系统的电压设定值,基于该PI控制器的SVC能迅速进行无功补偿,具有较强的适应性和较高的补偿精度。     

基于适应性扩展和阈值分割的低压电力线信道数据处理算法的研究与应用

为了克服电力线通信系统中严重的多径衰落效应,改善低压电力线通信系统的通信质量,引入基于适应性扩展和阈值分割的数据处理算法。建立了OFDM通信系统以及电力线信道的仿真模型,分别对适应性扩展算法以及三级阈值分割算法在电力线通信领域的应用进行了仿真分析。与传统的OFDM通信系统的信道估计技术相比,该算法不占用宝贵的频带资源并且易于实现。实验证明,除去信号被噪声淹没等一些极端情况,对于各种多径信道,该方法均可以有效对抗多径衰落特性,降低误码率(BER),提高通信质量。     

水库群供水优化调度的免疫蚁群算法应用研究

针对水库群供水优化调度问题,本文介绍了一种基于免疫进化的蚁群算法。该算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,同时在蚁群算法中增加扰动策略,克服了蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,并将其应用在滦河下游六水库联合供水优化调度中。实例计算表明,该算法求解水库群供水优化调度问题时,结果可靠、合理,计算效率高,从而为求解高维,复杂的水库供水优化调度提供了新的思路。     

基于蚁群优化算法的短期负荷预测研究

为了克服BP算法收敛速度慢和易于陷入局部最小的不足,作者提出将蚁群优化算法用于短期负荷预测的递归神经网络模型学习算法,对实际负荷系统日、周预测的仿真测试表明,该模型能有效地提高短期负荷预测的精度,对工作日和休息日都具有良好的稳定性和适应能力,其预测性能明显优于基于BP算法的递归神经网络(BP-RNN)和基于遗传算法的递归神经网络(GA-RNN).     

低压电力线远程抄表自动路由搜索算法研究

针对当前我国电力线通信的现状和特点,提出了一种能够实现远程抄表自动路由的改进蚁群搜索算法,给出了路由协议的基本框架,并建立了路由模型.该模型可以有效地维护电力线通信的传输路径,增强远程抄表数据传输的可靠性,方便了电力部门的管理.     

基于蚂蚁算法的配电网无功优化

电力系统中无功功率的优化配置在电网经济运行中占有十分重要的地位,无功优化问题是一个复杂的组合优化问题,蚁群算法是用于解决组合优化问题的一种高效的随机化内启发式全局搜索技术。文中采用改进的蚁群算法来解决配电网络无功优化问题,建立了相应的数学模型。并以某城市配电网无功优化结果表明这种方法搜索效率高易于找到全局最优解的优点。     

智能新算法在无功优化中的应用

动态无功优化是个十分复杂的时空分布非线性优化问题,全局寻优十分困难。为了解决电力系统无功优化的求解问题,提出了一种新的智能算法,即把蚁群算法和免疫算法相结合,利用两种算法优点的互补,以解决约束优化问题。该算法将免疫算法和蚁群算法相结合,把用蚁群算法解决的问题看作抗原,通过免疫算法产生抗体给参数赋值,并应用于具体问题的求解,将得到的结果作为当前抗体的适应度值,然后通过免疫算法的交叉、变异、亲和度选择等操作,将适应度好的抗体保留,淘汰适应度差的抗体,经过多次迭代,最终得到较优的抗体,改善了单一搜索机制易陷入局部最小的不足,克服了处理复杂边界问题的多种不足之处。通过算例比较了遗传算法、简单蚁群算法以及改进算法的结果,验证了改进算法的正确性和有效性。     

基于改进蚁群算法的输电线路路径规划关键技术

输电线路路径规划应根据规划区的地理、环境等完成。针对传统输电线路规划中存在的制约因素多、决策难等问题,提出使用RS获取规划区遥感图像地理信息,采用GIS数据处理平台,量化和整合复杂的地理信息,完成输电线路地理信息模型的建立。提出一种用于输电线路路径搜索的改进蚁群优化算法,并通过算例验证了算法的有效性和准确性。结果表明,改进算法提高了输电线路路径搜索效率。研究内容为我国输电线路路径规划的发展提供了参考和借鉴。     

一种低压电力线载波通信路由方法

低压电力线载波通信信道常常表现出噪声干扰强、信号衰减大、时变性强,直接影响电力线载波通信的范围,降低电力线载波通信的可靠性.文中通过分析低压电力线网络拓扑结构,提出了一种基于Q学习和改进蚁群系统融合的电力线载波通信路由方法.首先采用Q学习算法对电力线网络进行全局搜索得到各路径上信息素初始值;然后利用蚁群算法正反馈收敛机制以及改进后自适应调整搜索策略得到最优路由.将文中算法与两种蚂蚁系统算法进行仿真对比,结果表明,文中算法能更快地建立起网络中主节点到各从节点的路由,并能根据通信信道的变化动态的维护路由,具有很强的抗毁性和自愈性,提高了低压电力线载波通信的可靠性.