基于改进蚁狮优化算法的太阳电池模型参数辨识

提出一种改进蚁狮优化算法,引入混沌序列进行初始值的分配,增强种群的均匀性和遍历性;在个体更新部分引入粒子群算法的思想,分别以当前的最优个体与全局最优个体为目标进行计算,同时提高算法的局部和全局搜索能力;参考当前最优个体位移进行动态空间收缩,可有效减小个体的搜索范围,缩短寻优时间。与粒子群算法、蝙蝠和原蚁狮算法进行仿真对比并应用到太阳电池模型参数辨识中,验证其有效性。     

基于改进鸡群优化算法的质子交换膜燃料电池模型参数辨识

针对当前大部分智能算法在求解质子交换膜燃料电池模型参数辨识问题时易陷入局部最优,导致参数辨识精度低、模型泛化能力差等问题,提出一种基于改进鸡群优化算法的质子交换膜燃料电池模型参数辨识方法。首先,引入Tent映射策略初始化种群,提高种群的均匀性和遍历性;其次,设计基于个体进食速度的自适应惯性权重,改善母鸡个体寻优效率,平衡算法的开发与探索能力;然后,利用Levy飞行策略的长短跳跃特点对小鸡位置进行随机更新,增强算法的全局最优搜索能力。最后,通过4组测试函数验证了该算法的优越性,并将算法应用于H-12电堆的参数辨识问题中。结果表明：相比于鲸鱼优化算法、花卉授粉算法等算法,该算法具有更高的参数辨识精度,所辨识出的模型具有更强的泛化能力。     

基于改进混合蛙跳算法的氧量对象模型辨识

针对混合蛙跳算法易早熟、寻优精度低的缺陷,将混沌初始化和局部变异高斯因子引入混合蛙跳算法,进行种群初始化和局部搜索的改进。将改进后的混合蛙跳算法用于火电厂过程模型辨识,以某1 000 MW火电机组双输入单输出的尾部烟气含氧量模型为辨识对象进行系统辨识。结果表明:与混合蛙跳算法相比,改进的混合蛙跳算法种群遍历性更广,局部搜索更快,能够避免陷入局部最优解,全局寻优能力更强,寻优精度更高,收敛速度更快,稳定性更好。     

烟花算法在太阳电池双二极管模型参数辨识的应用

为解决太阳电池双二极管模型中参数辨识准确度低的问题,基于烟花算法提出一种新型的参数辨识方法。该方法模拟烟花的爆炸过程,在条件范围内进行局部寻优,选取一定数量的最优火花进行下一轮迭代,火花将逐渐搜索整个解空间直到找到满足条件的最优解。测试双晶硅太阳电池KC200GT,采用烟花算法获取参数的平均绝对误差为0.0152,遗传算法和粒子群算法的平均绝对误差分别为0.3548、0.2374。实验结果表明:提出的基于烟花算法的太阳电池参数辨识精度明显优于遗传算法及粒子群算法,可为太阳电池的参数辨识提供一种新方法。     

蜂群算法在太阳电池组件参数辨识中的应用

针对太阳电池组件参数辨识精确度不高的问题,提出一种采用蜂群算法应用于参数辨识的方法。太阳电池组件模型采用单二极管串并联模型,在确定太阳能组件参数范围后,利用提出的蜂群算法对电池组件参数进行辨识。在蜂群算法中,不同的蜜蜂用不同类型的路径修改自己的位置,从而避免了过早收敛于局部最优解,进行全局搜索最优解。实验结果表明,蜂群优化算法的辨识的均方根差值为0.00241,计算电流(测量的25组电流值)总误差为0.0413,明显优于混沌无性繁殖算法、混沌粒子群算法、模式搜索算法、模拟退化算法,为太阳电池组件的参数辨识提供了一种新的方法。     

基于IOLBBO算法的水轮机非线性模型参数辨识

为提高考虑弹性水击模型的水轮机系统非线性模型参数辨识的精度、速度、稳定度,采用改进正交学习生物地理学算法(IOLBBO)对该模型进行参数辨识。IOLBBO利用佳点集方法的遍历性,初始化栖息地特征变量;引入精英保留策略,提高算法运行效率;融合正交学习(OL)策略,提高算法全局寻优能力。基于某水轮机动态试验数据的参数辨识计算及对比分析,表明IOLBBO算法可用于水轮机系统非线性模型参数实测辨识,与GA、PSO、QPSO、BBO算法相比,收敛速度更快、参数辨识精度更高、算法更稳定,为电力系统的参数辨识提供了一种新方法。     

基于Jaya-DA算法的太阳电池模型参数辨识

为提升太阳电池模型参数辨识的准确率,该文提出基于Jaya算法与蜻蜓算法相融合的辨识方法,运用Jaya算法进行初步全局搜索,并结合蜻蜓算法进行局部搜索最优解,使算法收敛精度得到有效提升.研究结果表明:运用Jaya-DA算法求得太阳电池模型的电流均方根误差为9.861×10-4,相较于单一使用Jaya算法、蜻蜓算法、人工蜂...     

基于收缩因子改进PSO算法的J-A磁滞模型参数辨识

变压器铁心磁滞特性的准确预测及其模型参数可靠辨识,一直是国内外学者们研究的难点问题。针对现有主流磁化(Jile-Atherton,J-A)模型存在的辨识参量多、计算时间长、容易陷入局部最优解等问题,提出一种基于收缩因子改进粒子群优化(Particle swarm optimization,PSO)算法的J-A磁滞模型参数辨识方法。研究建立以磁感应强度为输入变量的J-A静态磁滞逆模型,提出考虑包含涡流损耗、异常损耗因素下的动态磁滞模型;针对传统PSO算法计算精度低、不易于快速寻优的问题,提出基于收缩因子改进的PSO优化算法,可实现J-A磁滞模型关键参量的快速辨识。所提算法克服了传统粒子飞行速度的限制,兼具全局寻优和局部寻优的特点,易于实现J-A磁致模型的快速参数辨识。通过仿真算例分析,验证了所提改进PSO算法在不同磁密峰值工况下的应用可靠性,且迭代收敛速度和精度均优于传统PSO算法。     

基于自适应协同引导的电池组性能衰退参数辨识北大核心CSCD

老化导致的电池组性能衰退与电池组电荷吞吐能力密切相关,对电池组性能衰退参数的快速精确辨识对提高电池组的服役寿命预测有效性至关重要。然而,既有的电池组性能衰退参数辨识方法仍然存在对大种群规模和高迭代次数的显著依赖,不利于提高电池组性能衰退模型的在线辨识更新适用性。针对此,本文提出了一种基于自适应协同引导的电池组性能衰退参数辨识方法。该方法首先基于自适应协同策略,综合考虑种群差异度和种群适应度的折中,实现种群个体对参数搜索空间的初期全局分布;在此基础上,基于精英引导策略,使种群中的个体在全局精英个体周围局部搜索,实现后期快速收敛至全局最优解。基于实测数据验证的统计结果表明,本文提出方法针对半经验容量衰退模型和内阻增量模型,在小种群规模下的参数辨识效率和精度均得到显著提升,分别在0.6 s和1.1 s内达到0.237%和0.37%的适应度终值,相对于蚁狮算法在辨识效率提高81.35%的同时适应度均值降低了3.8%,相对于灰狼算法在辨识效率提高17.14%的同时最终适应度均值降低了22.11%。     

基于混沌RBF神经网络的汽油机瞬态工况油膜参数辨识研究

提出了基于混沌径向基(RBF)神经网络的汽油机瞬态工况油膜参数辨识方法。利用混沌优化算法确定隐含层高斯函数径向基中心和输出层连接权值,使其达到全局最优,有效地提高RBF神经网络的收敛速度;同时,利用混沌算法训练RBF神经网络,使目标函数取全局最小值或逼近全局最小值,有效地提高辨识模型的辨识精度,并与BP神经网络模型及最小二乘法辨识进行了分析和比较。仿真结果表明:混沌RBF神经网络模型收敛速度快,具有更强的非线性辨识能力,能够有效地提高油膜动态参数的辨识精度,进而得出不同工况下的油膜参数动态特征。     

基于改进BES-LSSVM光伏组件积灰预测

为探究气象因素与光伏组件积灰之间的关系，提出一种基于改进秃鹰算法（IBES）优化的最小二乘支持向量机（LSSVM）的积灰预测模型。该模型以降雨量、风速等气象因素作为输入，对组件面积灰进行预测。通过引入高斯-柯西变异算子对种群最优个体进行变异，择优选取进入下一次迭代，改善原始秃鹰算法收敛速度慢、易陷入局部最优的缺点。将改进算法寻优得到的参数代入模型，仿真后与其他种类算法模型进行对比，结果表明IBES-LSSVM积灰预测模型预测误差更小，拟合效果更好。最后根据累计积灰计算发电损失，结合降雨情况对组件清洗进行指导。     

改进鸡群算法在光伏系统MPPT中的应用

鸡群算法本身存在高维度运算,易出现偏差,对其改进并应用到光伏系统的最大功率点跟踪(MPPT)控制中。引入混沌序列方法进行初始值的分配,可增强种群的均匀性和遍历性;引入自适应惯性权重改善母鸡个体部分寻优策略,可加快算法的全局搜索速度并改善局部搜索能力;将小鸡个体的跟随系数改进为随机量,可增加较差个体的随机性,避免算法因早熟收敛而陷入局部极值;上述改进既可增强算法的搜索速度和寻优精度,也利于避免早熟现象的发生,进一步曾强算法的寻优效率。与其他应用算法比较及在光伏系统最大功率点跟踪中的应用,验证其有效性。     

混合微分进化算法应用于换热网络优化

针对微分进化(Differential Evolution,DE)算法应用于换热网络优化存在局部搜索能力不足、收敛速度慢和求解精度低等问题,提出一种混合微分进化(Hybrid Differential Evolution,HDE)算法。当DE算法的变异、交叉和选择操作不再使种群的最优值继续进化时,加入梯度操作使当前种群的最优个体趋向更好的解。为了防止算法早熟收敛,当种群的多样性低于设定的阈值时,引入迁移操作,在最优个体附近区域重新生成新的个体并以此替换旧的个体,增强算法的种群多样性。通过算例验证了该算法可以有效适用于换热网络的优化过程,具有更强的局部搜索能力,更快的收敛速度和更高的优化效率。     

基于遗传粒子群算法的光伏并网逆变器参数辨识

在并网光伏发电系统模型基础上,通过分析逆变器控制器结构,确定待辨识参数。提出一种基于遗传粒子群(GAPSO)算法的光伏并网逆变器参数辨识方法,同步辨识各控制参数。辨识结果与遗传算法和粒子群算法辨识结果的对比表明,GAPSO参数优化模型在辨识精度和收敛速度方面具有明显的优越性。最后对参数辨识模型的泛化能力进行评价,比较了3种不同扰动情况下的仿真曲线与测试曲线,验证了模型的适用性和准确性。     

基于自适应遗传退火算法的配电网故障定位研究

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出了一种混合遗传算法（自适应遗传退火算法）用于解决辐射状配电网故障定位问题。该算法采用轮盘赌和最优保存策略相结合的选择机制,使得当前最优个体始终保持在种群里,并结合自适应交叉、变异概率,扩大种群的搜索范围,继而引入模拟退火算法,加快迭代后期算法的收敛速度。最后,通过对IEEE-33节点配电系统进行仿真计算,结果表明,该算法能够对单点和多点故障进行实时、准确地定位,并在故障信息畸变的情况下,也能快速地得到准确结果。     

基于改进黏菌算法的光伏多峰值MPPT控制

针对传统最大功率点跟踪技术在局部遮阴等天气条件下存在无法追踪到全局最大功率点的问题,提出一种基于改进黏菌算法的MPPT控制。首先,对太阳电池模型及多峰值特性进行分析;其次,在黏菌算法中引入领导者策略和基于最优个体的凸透镜反向学习策略,在提高算法计算精度、收敛速度的同时克服了算法易“早熟”现象;最后,根据光伏阵列最大功率输出特性分别确定算法优化模型、初始化位置及重启机制。仿真与实验结果表明：基于改进黏菌算法的MPPT控制能快速、准确地跟踪到全局最大功率点,有效规避陷入局部最优问题,提高了光伏系统的转换效率。     

蜂群算法在太阳电池寿命预测参数辨识中的应用

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。     

基于并行小种群差分进化算法的水火电力系统短期优化调度

为解决水火电力系统短期发电优化调度中存在的问题,提出基于MPI平台的并行小种群差分进化算法。该算法将进化种群分为若干个小种群(单个种群规模为3~10个),每个进化种群由不同的CPU进程独立执行差分进化算法,并在种群间引入集合、分散操作以协调各小种群的寻优过程;为降低小种群初始化和进化过程中多样性的损失,引入正交化初始化方法和种群重构技术;最后以典型案例验证了算法的有效性。结果表明,该方法在求解精度、收敛速度和求解耗时上均较有竞争力。     

基于混合蛙跳算法的光伏阵列参数辨识方法

在建立太阳电池工程用简化模型的基础上,确定需辨识的参数,并将某光伏电站提供的实测数据划分为晴天、阴天、多云及阴雨4种天气类型。采用混合蛙跳算法(SFLA)对各天气状况下的模型参数进行辨识,并运用实测数据对辨识结果进行算例验证;随后将混合蛙跳算法与粒子群算法的辨识结果对比,进一步验证混合蛙跳算法的优越性,从而使简化模型输出与实测曲线更为一致。     

基于改进飞蛾优化算法的水火互联电网负荷频率控制

负荷频率控制是互联电网进行有功调频的重要方法,设计了一种基于改进飞蛾优化算法的水火互联电网负荷频率控制方案,该方案将Lévy飞行策略引入到飞蛾优化算法中,同时在飞蛾的更新公式中引入动态惯性权值和历史最优火焰平均值以改善算法性能,并对互联电网分数阶PID控制器参数进行优化整定,以提高收敛速度及寻优精度。建立三区域水火互联电网LFC系统仿真模型,采用改进飞蛾优化算法搜索获得最优的分数阶PID控制器参数,并在阶跃负荷扰动下进行仿真分析。结果表明,所提方案具有很好的鲁棒性和控制效果。