架空输电线路载流量计算方法的比较

介绍了目前国际上计算架空输电线载流量的摩根公式和架空输电线载流量计算IEEE标准的方法,由于这两种算法所考虑的影响因素有所不同,所以计算结果也不同.比较了影响架空输电线载流量的各种因素,在变化时采用不同算式所计算的载流量发现：在风速影响下,载流量的最大差异为7％;在环境温度的影响下,载流量的最大差异为1％;在日照的影响下,载流量的最大差异为1％.可见,在计算架空输电线载流量时,不管是采用摩根公式还是采用架空输电线载流量计算IEEE标准的算法,计算误差最大为7％,因此可以说这两个算法基本上可以通用.     

基于改进鲸鱼算法的三峡水电站经济运行模型及其应用

针对大型水电站厂内经济运行问题,以最小发电耗水量为目标建立经济运行模型,同时针对传统鲸鱼算法(WOA)寻优能力不足及易陷入局部最优的缺点,引入惯性权重、反向学习机制和摄动变异机制,改进了随机搜寻方式,以三峡水电站为实例,将改进鲸鱼算法(IWOA)运用到经济运行模型中,计算不同水头和不同负荷下的最低耗水量,并将结果与遗传算法(GA)和粒子群算法(PSO)进行对比。结果表明,IWOA寻优速度和寻优能力均优于GA、PSO、WOA。     

基于改进秃鹰算法的微电网群经济优化调度研究

传统优化算法相较于智能优化算法在求解微电网群优化调度问题中较难寻出可行解或最优解,对此提出一种基于融合反向学习和柯西变异改进的秃鹰算法（IBES）,在秃鹰搜索空间猎物阶段采用融合反向学习和柯西变异策略,使得秃鹰算法有效跳出局部最优,解决算法求解精度低等问题。通过与粒子群算法（PSO）、麻雀算法（SSA）、鲸鱼算法（WOA）进行对比,仿真结果表明IBES寻优精度更高,可有效减少微电网群系统的经济成本。     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。     

基于GWO-SVR的风电机组柔性塔架振动建模与仿真分析

针对风电机组柔性塔架因机械疲劳、振动等引起的失稳问题,采用改进的回归方法建立塔架振动预测模型。在风电机组不同运行工况下,通过相关性分析对多源异构数据进行优化,求出影响柔性塔架振动的相关联变量。基于灰狼优化（GWO）算法得到支持向量回归（SVR）方法的最优参数,建立塔架振动预测模型。以某风场2 MW风电机组120 m柔性塔架数据进行仿真分析,结果表明,在额定风速以上工况下,GWO优化SVR模型相较于BP模型、SVR模型、粒子群算法（PSO）优化SVR模型、鲸鱼优化算法（WOA）优化SVR模型,均方根误差RMSE分别降低了11.143、8.925、8.263、3.651;平均绝对误差MAE分别降低了9.032、7.016、2.665、3.233。基于GWO优化的SVR模型提高了柔性塔架振动预测精度,可为柔性塔架的振动控制提供准确数据支持。     

基于改进的PSO算法的电力系统无功优化研究

电力系统无功优化是保证电力系统安全、经济运行的重要措施,粒子群优化算法（PSO）具有模型简单、收敛速度快、参数简洁等优点,但用于求解高维复杂优化问题时易陷入局部最优,针对此缺陷,在PSO算法的基础上提出了自适应随机变异粒子群优化算法（AMPSO）,将该算法用于求解电力系统无功优化问题,并以IEEE30标准节点系统为算例进行验证。结果表明,与PSO算法相比,AMPSO算法有效降低了系统网损,显现出良好的全局收敛特性。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法.首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断.最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能...     

基于改进布谷鸟算法的电力系统最优潮流计算

针对电力系统最优潮流问题,提出一种融入量子计算和混沌局部搜索策略的改进布谷鸟算法(QCCS),即对布谷鸟算法的个体进行量子位编码,通过叠加态的量子位实现多样化种群,并在算法每次迭代的优化值附近进行混沌局部搜索进而增加布谷鸟算法的局部搜索能力,同时采用量子门变换使每个个体朝最优个体进化,从而提高算法的寻优能力。最后以IEEE 118节点系统的最优潮流计算问题为例,应用QCCS进行仿真计算。通过与其他方法(PSO、GA、CS)计算结果进行对比分析,验证了QCCS算法求解电力系统最优潮流问题的有效性,从而为电力系统最优潮流(OPF)问题的求解提供了一种新方法。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于全局信息融合粒子群算法的水轮发电机模型参数辨识

针对粒子群(PSO)优化算法辨识发电机模型参数时存在局部最优和后期收敛速度慢很难准确获取具有强泛化能力的模型参数的问题,提出了一种基于多粒子全局信息共享和变权重的全局信息融合PSO算法(GPSO),并通过IEEE3机9节点系统算例验证了该算法的有效性。结果表明,与常规PSO算法相比,该算法具有泛化能力强、辨识精度高和后期收敛速度快的优点。     

基于WOA-BiLSTM模型的短期光伏出力预测

针对光伏发电系统受环境因素影响较大、预测精度低等问题,提出了一种基于鲸鱼算法优化双向长短期记忆神经网络（WOA-BiLSTM）的光伏出力短期预测模型。利用鲸鱼算法（WOA）进行参数寻优,完成对双向长短期记忆神经网络（BiLSTM）模型最优超参数的选择,并以华东某光伏电站的历史光伏数据进行了验证。预测结果显示：相较于长短期记忆神经网络（LSTM）与BiLSTM预测模型,WOA-BiLSTM模型可以在一定程度上提高预测的精度。     

基于粒子群优化算法优化BP神经网络模型的间接空冷散热器性能监测

为监测间接空冷散热器的换热性能,提出了监测间接空冷塔出水温度的方法。根据间接空冷系统散热器传热量计算和热平衡方程,分析了间接空冷塔出水温度的影响因素,建立了以环境温度、环境风速、大气压力、间接空冷塔循环水进水温度、循环水进水压力、出水压力和百叶窗开度7个主要参数为输入,出水温度为输出的BP神经网络模型。为避免该模型陷入局部最优,采用非线性动态惯性权重的粒子群优化(PSO)算法对BP神经网络模型的初始权值和阈值进行了优化,构建了PSO-BP神经网络预测模型,并根据某660MW间接空冷机组的运行数据对该模型进行了训练和验证。结果表明:采用PSO算法优化的BP神经网络模型具有较强泛化能力,预测精度高于单纯的BP神经网络模型,预测平均绝对百分比误差为0.55%。     

基于自适应微粒群算法的电力系统无功优化

针对当前电力系统进行无功优化采用传统的优化方法,存在诸多不足的问题,提出了一种自适应微粒群优化(APSO)算法,用以解决无功优化时控制变量一般为离散变量和标准微粒群优化(PSO)算法中参数需经多次试验确定而影响实用性的问题。APSO算法采用自适应参数策略和边界约束条件,能够取得问题的全局优化解。通过建立基于APSO算法的无功优化模型,成功解决了变量的离散问题。在Visual Studio 2008环境下,采用C#语言编写,应用在IEEE 30节点系统的无功优化程序计算结果表明,APSO算法较标准PSO算法有效地提高了收敛精度及稳定性,具有较好的自适应性和有效性,而且全局寻优能力更强。     

基于改进PSO的带分布式电源配电网状态估计

粒子群优化(PSO)算法可以解决在配电网状态估计中由分布式电源接入引起的非线性特征问题,但是将标准PSO算法应用于多模态函数系统会出现陷入局部收敛等问题。提出了带有变异算子的PSO算法,能够解决PSO算法在配电网状态估计时陷入局部收敛的问题。利用所提出算法对IEEE33节点系统进行状态估计,并与标准PSO算法进行比较,验证了所提算法的有效性。     

基于位置动态参数PSO算法的水库防洪调度研究

介绍了一种易于实现、参数少且收敛快的集群智能算法——粒子群算法。针对标准PSO算法的缺陷,提出了在位置进化方程中引进动态参数的方法,改进了标准粒子群算法的收敛速度。根据建立的水库优化调度数学模型,将改进的粒子群优化算法运用到水库优化调度计算中,并通过算例验证该算法的可行性和有效性。     

基于文化粒子群算法的梯级水电站优化调度研究

针对PSO算法中的早熟收敛问题,提出一种文化粒子群算法(CPSO)并将PSO纳入文化算法模型作为群体空间的进化方式,引入一种局部随机搜索算子实现信念空间的知识结构并指导算法的演化过程,在保持种群多样性的同时提高算法的全局寻优性能.将CPSO应用于某梯级水电站的优化调度中,结果表明,CPSO可很好地兼顾计算速度及求解精度,为梯级水库优化调度提供了一条全新途径.     

瓦斯涌出量自适应预测模型研究

为有效预防和减少煤矿瓦斯灾害,提高对回采工作面瓦斯涌出量预测的精度,提出了耦合优化的自适应粒子群算法与人工蜂群算法整合的瓦斯涌出量预测模型。通过数据预处理对原始瓦斯涌出因素进行维数约简,结合二次寻优变为建立线性方程和损失函数进一步简化计算,代入耦合优化函数实现对瓦斯涌出数据特征向量的提取,并将它作为LS-SVM的输入。应用非线性调整惯性权重H的控制策略,更新特征解的最优位置及其适应度值,对LS-SVM高斯核参数σ和正则化参数γ寻优,建立自适应耦合优化算法瓦斯涌出量预测模型。结果表明,预测值的平均相对误差仅为2.594%,相较于原优化算法和数据未处理的预测模型,实现全局搜索和局部搜寻性能的有效平衡,具备更好的泛化能力和预测准确度。     

改进的AMALGAM算法在TOPMODEL参数优化中的应用

水文模型参数的优化对模拟结果至关重要,参数率定方法中的多目标分析方法备受关注。将具有继承性的精英非支配排序遗传算法(i-NSGA-Ⅱ)与多目标涡流粒子种群算法(MOVPSO)分别作为NSGA-Ⅱ算法与PSO算法的改进算法,与AMS算法及DE算法共同寻优,提出改进的遗传自适应多目标算法(AMALGAM算法),以超体积、收敛性度量及多样性度量作为算法性能评价指标,对比改进的AMALGAM算法与AMALGAM算法的解集性能。选出较优算法,并结合实例对基于地形指数的水文模型(TOPMODEL)进行参数率定,得出Pareto最优解。结果表明改进的AMALGAM算法优于AMALGAM算法,模型预报精度较高,在解决多参数多目标优化问题中具有优势。     

基于灰狼算法的分布式电源优化配置

分布式电源(DG)的优化配置是主动配电网(ADN)规划中的重要环节,ADN中DG的合理配置对ADN的稳定运行具有重要意义。从电能供给侧出发,建立了考虑DG的投资和主动管理费用、系统网损及电压偏移的多目标联合优化配置模型,并根据1-9标度法对各目标权重系数进行设定。针对传统灰狼算法(GWO)在全局寻优能力和收敛速率上的不足,提出了引入混沌序列的GWO算法,并在IEEE33节点系统中对所提模型进行求解。结果表明,改进方法能对DG进行有效的优化配置,其收敛速度和寻优能力亦优于传统算法。     

基于水循环算法的梯级水电站短期优化调度

鉴于梯级水电站优化运行的高复杂度、强非线性、多约束等特点,构建了基于峰谷分时电价下的梯级水电站日最大发电效益模型。针对遗传算法(GA)等传统智能算法对复杂模型求解易陷入局部最优的问题,提出一种水循环算法(WCA)与水位廊道约束耦合、降低约束复杂度、规范寻优空间的方法,并以湖北某梯级短期优化调度为背景进行建模仿真,将计算结果分别与GA和粒子群算法(PSO)所得结果进行比较。实例研究表明,WCA计算的总效益在丰、平、枯典型日分别比GA和PSO计算值约高5.65%、3.15%、0.80%,迭代收敛速度更快,求解能力更强,为解决梯级水电站优化调度问题提供了新思路。