基于改进鲸鱼优化算法的光伏发电系统MPPT控制研究

在局部阴影条件下,常规的最大功率点跟踪MPPT(maximum power point tracking)算法因含有容易陷入局部极值、跟踪精度低等弊端,使其无法及时、精确地跟踪光伏发电系统的最大功率点,因此,提出了一种基于改进型鲸鱼优化算法的光伏发电系统MPPT控制策略。首先,采用混沌映射初始化种群,增加种群的多样性。其次,通过引入非线性收敛因子使局部寻优能力和全局搜索能力达到均衡。最后,通过引入非线性时变的自适应权重使系统及时跳出局部最优解,并提高搜索的精度。经仿真验证,与粒子群优化算法、狮群优化算法、传统的鲸鱼优化算法等相比,改进的鲸鱼算法在跟踪速度、精度、稳定性等方面均有更显著的效果。     

基于改进萤火虫算法的含DG配电网重构方法

为了更好地解决含DG的配电网重构问题,建立了以系统损耗、负荷均衡、电压偏差为目标的重构模型,并利用改进萤火虫算法进行寻优计算。针对传统萤火虫算法中存在的早熟收敛、过度依赖控制参数等缺陷,引入了惯性权重,利用混沌理论对算法参数进行调整,使算法兼顾全局搜索与局部搜索能力的均衡。同时将精英保留策略融入到萤火虫算法当中,加快了算法收敛的速度。为了减少网络重构中出现的大量不可行解,对网络拓扑进行了简化操作,缩短了编码维数,提高了寻优效率。最后通过算例分析,验证了该算法的有效性与实用性。     

云计算多目标任务调度的优化粒子群算法研究

针对传统粒子群算法求解云计算多目标任务调度的收敛速度慢、精度低的缺陷,提出一种优化多目标任务调度粒子群 算法(MOTS-PSO)。 首先,引入非线性自适应惯性权重,改变粒子的寻优能力,避免算法陷入局部最优;其次引入花朵授粉算法 概率更新机制,平衡粒子的全局搜索和局部寻优,并对粒子的全局搜索位置更新公式进行改进;最后引入萤火虫算法,产生“精 英解”对局部搜索位置更新公式进行改进;同时利用“精英解”对粒子的位置进行扰动,跳出局部最优状态。 实验表明,MOTS-PSO 算法在收敛速度和收敛精度上,比 PSO 算法提高了 27. 1%、19. 9%,比 FA 算法提高了 22. 09%、5. 2%。 进一步实验表明, MOTS-PSO 算法在解决不同规模数量的任务调度时,比 PSO、FA 算法效果更优。     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

融合禁忌搜索的SSA算法及其路径规划的应用

针对麻雀搜索算法易陷入局部最优解、收敛精度不足等问题,提出一种融合禁忌算法思想的改进麻雀搜索算法。首先,采用拉丁超立方抽样初始化种群,保证初始空间解分布更均匀;其次,对R2相似文献   

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(support vector machine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。     

一种高效光伏多峰MPPT控制算法

在局部阴影条件下,光伏阵列的输出功率会出现多峰现象,传统MPPT控制方法搜索全局最大功率点会发生寻优失效。提出了一种高效的光伏多峰MPPT控制算法。该算法基于天牛须搜索算法,通过引入随时间变化的自适应步长因子,在算法初期自动的选取较大的搜索步长,使之保持较高的全局搜索能力;中期逐渐增大步长的衰减速度,加快算法收敛;后期逐渐减小步长的衰减速度,以提高收敛精度。Matlab结果表明,该算法可有效地减小搜索时间和搜索震荡,显著提高收敛速度,同时又可大大地提高搜索精度,准确搜索到光伏最大输出功率。     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

改进自适应蜂群优化算法在变压器故障诊断中的应用

为增强神经网络对变压器故障诊断的能力,同时避免蜂群算法出现局部最优和易早熟,提出一种改进自适应搜索策略蜂群优化算法。该方法通过自适应调整种群更新步长来协调蜂群算法的全局和局部搜索能力,避免出现局部最优状况,同时引入Levy变异因子提高局部搜索的性能。利用改进的蜂群算法优化BP神经网络权值和阈值,通过反复迭代算法,直到达到目标精度要求。该方法以变压器数据为依据进行测试。仿真结果表明,改进后的方法收敛速度更快、判别故障准确率更高。     

基于C-FS混合算法的微电网经济调度

为了引导储能设备进行深度充放电,提高其使用寿命,利用雨流计数法得到每次充放电对储能设备寿命的影响,建立起了考虑储能设备运行成本的微网经济调度模型。文中针对自由搜索算法(FS)收敛速度慢、易陷入局部最优等缺点,结合混沌理论和精英策略,提出了一种混沌自由搜索混合算法(C-FS)对微网经济调度模型进行求解。通过对14节点辐射状微网系统进行仿真分析,结果表明,考虑储能设备运行成本能有效提高储能设备使用寿命。同时,与传统算法相比,混沌自由搜索混合算法能迅速跳出局部最优解和快速收敛。     

基于反向变异麻雀搜索算法的微电网优化调度

针对麻雀搜索算法寻优过程中可能陷入局部最优,导致收敛速度下降的不足,提出一种反向变异麻雀搜索算法（TSSA）,利用反向学习策略对优势个体的选择和自适应t分布变异的扰动特性,改进算法的搜索能力。以综合运行成本最低为目标建立了微电网优化调度模型,利用反向变异麻雀搜索算法进行优化求解与分析。对比仿真实验结果表明此改进算法可行有效,且具有更好的全局搜索能力,在收敛速度、寻优精度和稳定性上优于多种算法,能为微电网调度提供合理建议,使微电网获得更佳的综合效益。     

基于正交对立学习的改进麻雀搜索算法

针对麻雀搜索算法种群多样性少,局部搜索能力弱的问题,本文提出了基于正交对立学习的改进型麻雀搜索算法(OOLSSA)。首先,在算法中引入正态变异算子,丰富算法种群多样性;其次,利用对立学习策略,增强算法跳出局部最优的能力;然后,在加入者更新之后引入正交对立学习机制,加快算法的收敛速度;最后,基于15个基准测试函数与6个传统优化算法和2个改进型算法进行仿真实验、非参数Friedman检验以及算法平衡能力进行分析,评估OOLSSA算法寻优性能。仿真结果证明,OOLSSA与其余8种算法相比,算法的探索开发能力以及收敛速度都表现良好。     

集成自适应变异混沌松鼠搜索和 LSTM 算法的RUL 预测方法及应用

针对松鼠搜索算法(SSA)优化长短期记忆人工神经网络(LSTM)时,存在优化参数易陷入局部最优以及LSTM预测效率下降的问题,提出一种自适应变异混沌松鼠搜索算法(AMCSSA)优化LSTM学习率及其下降因子的预测模型。通过计算AMCSSA的时间复杂度证明其在未增加算法复杂度的前提下提高寻优效率,AMCSSA采用切比雪夫混沌映射生成混沌初始种群,并将捕食者概率改为非线性递减模式,利用位置贪婪选择策略使其在算法迭代过程中不断更新并保留更优个体,引入自适应T变异策略提高SSA在搜索空间中的勘探能力。通过AMCSSA对LSTM的学习率及其下降因子进行参数寻优,进一步提高LSTM的预测能力。对滚动轴承的剩余使用寿命(RUL)进行实验验证,结果表明所提方法相较于传统SSA、粒子群算法(PSO)、蝙蝠算法(BAT)以及萤火虫算法(FA)优化LSTM后,在预测中的精度分别提高了1.05%、7.61%、8.4%以及7.73%,并且使优化后的LSTM在完成收敛所需要的迭代次数减少,从而提高预测效率。     

基于混沌自适应分组和声搜索算法的输电网规划

针对目前大规模输电网规划求解中难以快速地求得全局最优解的问题,给出了基于线路的建设费用、网络损耗费用、输电线路走廊的建设费用、各支路总的过负荷惩罚费用和N-1约束的过负荷惩罚费用为目标函数的输电网规划模型。分析了和声搜索算法随着输电网规模的扩大、优化问题维数的增加,算法求解精度和收敛速率明显降低且易陷入局部寻优的现象及其原因的基础上,设计了一种混沌自适应分组和声搜索算法。该算法通过维数分组、变异和混沌扰动来提升算法的搜索能力,使其能够快速地求解大规模的输电网规划问题。通过对IEEE18节点和巴西南部46节点系统的计算,证明了算法及模型应用于输电网规划的可行性,为实际工程应用打下了基础。     

引入改进迭代局部搜索的灰狼算法及应用

针对标准灰狼算法(GWO)收敛速度慢,易陷入局部最优等缺点,提出一种引入改进迭代局部搜索的灰狼算法(IGWO)。首先,通过佳点集策略增强初始种群的均匀性与多样性;其次,采用双收敛因子,收敛因子基于种群位置非线性自适应更新,在种群寻优全期平衡全局勘探与局部开发能力;再次,在种群位置更新公式引入欧氏动态权重与莱维飞行策略,提升寻优精度,并帮助种群跳出局部最优值;最后,引入改进迭代局部搜索,使算法的搜索能力更加灵活,帮助算法加速收敛。通过10个基准测试函数的仿真分析及种群寻优平衡性对比,证明了IGWO具有更优的寻优精度、稳定性及收敛速度,随后将IGWO应用于工程优化问题中,相比GWO、GJO、WOA、HSSAHHO、SCHOA、NCPGWO、DSFGWO 7种算法,适应度分别优化了3.25%、27.2%、28.9%、3.15%、3.04%、0.23%、0.07%,证实了在工程应用中的可行性和有效性。     

基于改进型象群优化算法的 BSS 方法

为了克服传统群智能算法在求解盲源分离(BSS)问题时收敛速度慢和分离精度差的缺点,提出一种基于改进型象群优化(IEHO)算法的BSS方法.该方法利用独立性原则,融合分离信号的峭度和互信息来构建目标函数.在氏族更新阶段,通过改进算法比例因子并加入邻域搜索,提高了算法搜索方式的多样性;在分离阶段,引入量子粒子群优化策略,提高了算法的全局搜索能力.仿真结果表明,与传统的象群优化算法和粒子群优化算法相比,IEHO算法的寻优效果较好,并成功实现了图像信号和语音信号的盲源分离,分离精度更高,收敛速度更快.     

基于变尺度混沌理论与免疫遗传算法的电力系统无功优化

提出一种基于变尺度混沌理论与免疫遗传算法的混合智能无功优化算法。该算法利用混沌变量的遍历性、随机性和规律性特点,将混沌运动自身的遍历区域变换成优化变量的取值范围,通过对整个解空间进行考察实现了可行域内的全局优化搜索。同时通过变尺度方法不断缩小优化变量的搜索范围来实现局部细化搜索,从而增强混沌局部搜索能力,加快解的收敛速度,提高解的精度。文章最后以某地区实际电网为例,分别采用免疫遗传算法和混合智能算法对其进行无功优化计算,结果表明本文提出的混合智能算法在计算速度和全局收敛性方面有很大的提高。