基于免疫记忆克隆选择算法的多目标无功优化

结合免疫记忆学说和克隆选择原理,提出了一种解决多目标无功优化问题的免疫记忆克隆选择算法。该算法针对多目标无功优化问题的特点,采用以拥挤距离为适应度的自适应克隆方式,实现了种群的扩张,保证了所得解集的均匀性;引入非一致性变异算子,使该算法同时具备全局均匀搜索能力和局部精确寻优能力;采用交叉重组算子实现了抗体间的协作,促进不同抗体间信息的交流;通过抗体群更新操作,一方面保证了算法的收敛速度,另一方面确保了所得解集均匀分布;引入记忆单元概念,可以有效抑制寻优过程中出现的退化现象,确保了种群的多样性。以IEEE-14和IEEE-118节点测试系统为例进行仿真计算,结果表明该算法可以有效提高系统运行的安全性和经济性,是求解多目标无功优化问题的有效方法。     

基于克隆选择分类算法的电力变压器故障诊断

变压器油中溶解气体分析是进行电力变压器故障诊断的一种有效方法,将克隆选择分类算法引入电力变压器油中溶解气体分析,利用免疫克隆选择原理学习并提取表征故障样本特征的记忆抗体集,然后用最邻近分类法对故障样本进行分类。人工免疫系统具有良好的自学习和自记忆能力, 使得克隆选择分类算法具有很强的非线性分类和泛化能力。经大量实例分析,并将其结果与IEC三比值法和BP神经网络等方法的结果相比较表明,该算法能有效对电力变压器单故障和多故障样本进行分类,并具有较高的诊断精度。     

基于蚁群优化算法的电力系统暂态稳定评估特征选择

暂态稳定评估的特征选择是一个典型的组合优化问题。针对该问题解的离散性特点,提出基于蚁群优化算法的特征选择方法。该方法以最小二乘支持向量机作为暂态稳定评估分类器,以分类错误率最低和特征选择比率最小为优化目标,通过二进制编码形式的蚁群优化算法实现特征的选择。这样能选择出计及分类器特性的最优特征子集,减少了特征维数,提高了分类正确率。通过对综合程序EPRI-36节点系统的仿真计算,验证了该方法的有效性。     

基于蚁群优化算法的电力系统暂态稳定评估特征选择

暂态稳定评估的特征选择是一个典型的组合优化问题.针对该问题解的离散性特点,提出基于蚁群优化算法的特征选择方法.该方法以最小二乘支持向量机作为暂态稳定评估分类器,以分类错误率最低和特征选择比率最小为优化目标,通过二进制编码形式的蚁群优化算法实现特征的选择.这样能选择出计及分类器特性的最优特征子集,减少了特征维数,提高了分类正确率.通过对综合程序EPRI-36节点系统的仿真计算,验证了该方法的有效性.     

针对特征选择问题的改进蚁群算法及其在电力系统安全评估中的应用

提出基于改进蚁群优化算法和k近邻算法相结合的特征选择算法。利用k近邻分类器的分类精度和特征子集维数加权构造了综合适应度指标,利用改进蚁群算法的全局寻优和多次优解搜索能力实现特征子集搜索。针对传统蚁群算法在特征选择中可能含有冗余特征的问题,设计了局部细化搜索方式,使得特征选择结果不含冗余特征的同时提高了算法的收敛性。通过测试数据验证了算法的有效性和快速性后,将所提算法应用于10机39节点电力系统的安全评估问题,获得了良好的特征选择和稳定预测性能。     

基于NGA的特征选择和SVM参数优化

支持向量机（SVM）的分类性能受样本的特征以及SVM本身参数的选择影响较大。在以前的工作中,很多学者对特征子集的选择以及SVM参数的优化分别进行了研究,实际上,特征子集和参数相互影响,针对这种情况,本文提出了一种同时进行特征子集选择以及参数优化的方法,该方法基于小生境遗传算法（NGA）,对参数和特征采用不同的编码方法,对得到的每个参数以及对应的特征子集,使用SVM对其进行性能评价。使用UCI数据集进行了相关的实验,实验结果证明了该方法可以减少特征的数量以及提高分类正确率。     

基于 LS 和 MTS 的两阶段滚动轴承故障特征选择方法

滚动轴承故障预测和健康管理(PHM)方法可以提取大量的故障特征数据,这些数据虽然有很大的潜在价值,但也存在高维、高冗余性的特点,难以直接分析和利用。因此,针对轴承故障特征数据的特点,以去除数据冗余性、筛选敏感特征为目的,提出两阶段特征选择算法。该方法的第1阶段采用拉普拉斯得分(LS)对原始特征按局部保持能力进行排序,利用互信息聚类算法删除特征集中的冗余特征。第2阶段采用多变量模式识别中的马田系统(MTS)方法对剩余特征进行综合评价,挖掘对故障分类更有效的特征。轴承退化仿真试验数据验证结果表明,提出的两阶段特征选择算法可以有效地去除冗余度、提高故障监测准确率,可以有效的运用到滚动轴承的初期故障检测中。     

基于免疫克隆选择算法的水电站水库优化调度

在研究了人工免疫系统中的克隆选择学说和克隆选择算法的基础上,研究了1种新的人工免疫算法——免疫克隆选择算法,并将其应用到水库优化调度中,提出了1种基于免疫克隆选择算法的水库优化调度方法.该算法通过在克隆选择算法中引入免疫基因操作,提高了算法的求解精度和求解效率,避免了“维数灾”和早熟问题.实例研究结果表明,相对于动态规划,免疫克隆选择算法计算速度快、收敛性好,提高了计算效率,较好地解决了传统的动态规划方法求解水库(群)优化调度问题存在“维数灾”问题.     

基于遗传算法和支持向量机的特征子集选择方法

在模式分类系统中,往往需要从大量的特征中选择最优的特征子集,人工选择特征的方法往往费时费力,本文采用遗传算法(GA)对支持向量机进行封装的方法选择特征子集。首先使用遗传算法随机产生若干特征子集,通过选择、交叉和变异操作产生新的特征子集,经过若干代之后,得到最优的特征子集。在遗传算法中最重要的是适应度的确定,本文用支持向量机(SVM)作为分类器,为了避免出现“过拟和”,把特征子集的5阶交叉验证分类准确率和特征数量的联合函数作为适应度函数。对UCI机器学习库中SONAR和LED数据集进行实验,结果表明本方法可以有效滤除无关特征并提高分类准确率。     

一种新型的电力系统无功优化方法

粒子群优化算法在进化中随种群多样性减少易出现早熟收敛等问题。基于免疫克隆选择学说理论,提出了一种免疫克隆粒子群算法。在算法进化过程中,引入克隆复制算子、免疫基因算子、克隆选择算子。成比例克隆复制可以使优良个体得到保护,加快算法收敛;免疫基因操作可以增加种群的多样性;克隆选择从所有子代、父代中选择出最优个体,避免算法退化。将该算法应用于电力系统无功优化中,以IEEE30节点的电力系统为例进行了仿真,结果表明：使用该算法优化的网损平均值更低,寻优性能更好,优化的网损值集中在比较小的区间。     

面向电力客户侧终端网络的高效入侵检测模型研究

针对电力客户侧终端网络逐渐开放、设备分散和不易进行安全监测的现状,提出了一种基于LightGBM的高效率网络入侵检测模型。文章在目标编码中引入改进的平滑映射方法,提升了模型的检测效果;利用BPSO算法进行特征选择,设计目标函数,在保障检测准确率的前提下,实现对低价值特征的去除,降低模型的时间开销,并通过设计速度变异策略提升BPSO算法的效率;利用LightGBM算法实现入侵检测和攻击分类,并利用PSO算法实现LightGBM参数的自动选取。基于多个开源数据集的实验表明,所提模型具有较高的自适应能力,在攻击检测上具有较高的准确率、较少的误报和漏报情况,并且可以提升19%的训练和检测效率。     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择。通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性。     

基于图像结构与改进Brief检测算子的目标匹配算法

为了解决当前特征点匹配算法在前景遮挡、背景复杂的干扰下,存在匹配能力不足的问题,提出了基于改进Brief的目标鲁棒匹配算法。首先,对存在匹配干扰的图像展开分析,通过基于不变矩的特征点检测方法,改进breif特征点检测。然后扩大滤波范围来处理目标积分图像,通过基于特征点主方向的旋转矩阵,构建Brief特征描述算子; 最后结合欧式距离和KNN,进行匹配运算,并编程实现算法,实验测试结果显示：与当前传统特征点匹配算法相比,在特征遮挡严重、背景极复杂的干扰下,本文算法拥有较强的匹配精度与鲁棒性。     

基于矢量解耦与预测电流控制相结合的APF的研究

由于基于瞬时无功理论的ip-iq谐波检测算法在非理想电网电压下不能准确地检测无功电流,介绍一种解耦控制与预测谐波电流控制相结合的控制算法。为克服解耦控制回路和预测谐波电流回路受电感参数变化的影响,提出一种基于合成矢量的无电感参数的解耦控制器,对解耦控制和预测控制回路进行改进,引入参数可自动调节的PI控制器,使控制回路适应电感参数的变化,增强控制系统的抗干扰性。最后,在Matlab/Simulink环境下,对其分别进行了仿真分析并进行比较,证明了改进之后控制算法的正确性与可行性。     

基于Snort和改进BM算法的入侵检测系统的研究与实现

网络入侵检测系统是近年来发展较快的一种网络安全技术。文中提出并实现了一种在基于Snort和改进的BM算法的入侵检测系统的实现方案。分析研究了该系统的架构,网络数据截获模块的设计方案。文中还针对传统的Boyer-Moore匹配算法的缺陷进行了讨论,并提出了改进意见。结论显示改进后的算法能够取得更高的匹配效率和更短的匹配时间。     

智能用电用户行为分析特征优选策略

针对大数据应用背景下用户智能用电行为分类的计算复杂性和特征选择有效性的问题,提出一种基于特征信息量的特征优选策略。首先,以用电特征的互信息量与相关系数作为特征有效性和关联性判据,设计用电特征优选准则。然后,提出一种该准则下的用电行为特征优选策略,通过减少特征间的分类信息冗余实现高维特征的降维,并选取有效独立的特征,从而构建用户用电行为聚类精简特征集。最后,基于特征优选策略实现了一种特征自适应的用户用电行为分析方法,完成优化的用户用电行为分析。通过电网实际用电数据验证了所提策略能提高聚类准确率和减少计算复杂性的有效性。     

一种新的小电流接地选线算法

在分析以往小电流接地选线各种算法的基础上,提出了一种基于数学形态学及小波变换综合的选线算法,该算法利用数学形态学滤波器对采集到的电压电流信号进行滤波,而后利用小波变换的奇异性理论和模极大值理论来构成接地选线算法,本算法很好地体现了形态学滤波器的噪声抑制能力和小波分解的奇异点检测能力。Matlab仿真结果表明,该算法不受中性点接地方式和线路参数的影响,且具有较强的承受过渡电阻的能力。     

免疫克隆选择算法在船舶电力系统故障恢复中的应用研究

实现船舶电力系统的快速供电恢复是一个复杂的多目标非线性组合优化问题。为了解决船舶电力系统发生故障时供电恢复问题,采用了免疫克隆算法,并对算法的变异算子进行了改进,改进后的变异算子把高频变异和柯西变异有效的结合在一起,兼顾全局搜索和局部搜索,吸取了遗传算法并行搜索优点,提高了搜索效率和收敛性。船舶电力系统典型故障恢复算例表明,该算法具有很高的搜索效率和寻优性能,能有效地提高供电恢复的速度及精度,较好地实现船舶电力系统的故障恢复。     

基于XGBoost算法的智能电网信息攻击识别模型

智能电网在遭受信息攻击后,如何根据量测数据的变化规律,准确识别电力系统遭受的攻击类型是提高电网安全防御的有效手段,本文提出一种基于Extreme Gradient Boosting (XGBoost)算法的智能电网信息攻击识别模型。首先,基于kmeans-smote设计电力数据过采样方法,对量测数据进行平衡处理,解决攻击事件样本的不平衡问题。然后,提出最大相关-最小冗余(MRMR)特征选择方法,提取信息攻击事件最优表征特征子集,降低数据维度并提升信息攻击的识别效率。最后,设计XGBoost分类器,对3种攻击状态和正常状态进行分类识别,采用准确率、召回率等指标评估模型的识别性能。经仿真实验验证,本文提出的信息攻击识别模型显著提升了智能电网信息攻击的识别精度,且具有较好的泛化性。