基于改进PSO-DE融合算法优化LSSVM的短期风功率预测

为了提高短期风功率预测精度,采用惯性权系数、粒子初始化规则调整和越界粒子变异操作等策略对粒子群—差分进化（Particle Swarm Optimization-Differential Evolution,PSO-DE）融合算法进行改进,形成改进PSO-DE融合算法,从而提高改进PSO-DE融合算法的优化性能。采用改进PSO-DE融合算法对最小二乘支持向量机进行优化,建立基于改进PSO-DE融合算法优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的短期风功率预测模型。采用风电场实际运行数据进行算例分析,结果表明,PSO-DE融合算法能够减少迭代次数,提高收敛精度,基于改进PSO-DE融合算法优化LSSVM的风功率预测模型的平均相对误差、全局最大误差和均方根误差分别为3.26%、5.97%和13.53,预测精度高于其他几种风功率预测方法,验证了所提出的改进策略及短期风功率预测模型的正确性。     

基于斑点鬣狗算法优化支持向量机的短期风电功率预测

为提高短期风电功率预测精度,提出了一种基于斑点鬣狗算法优化支持向量机的短期风电功率预测方法。采用斑点鬣狗算法对支持向量机的惩罚系数和核参数进行优化,建立基于SHO SVM的短期风电功率预测模型,并采用实际风电场运行数据进行仿真分析。仿真结果表明,SHO SVM模型的平均相对误差和均方根误差分别为4.15%和0.196,预测精度和数据波动性均优于其他模型,验证了短期风电功率预测方法的正确性和实用性。     

基于ICEEMDAN-SE-MSGJO-LSTM-EC的短期风电功率预测

为了提高风电功率短期预测精度,本文提出了一种基于ICEEMDAN-SE-MSGJO-LSTM-EC模型的短期风电功率预测模型。首先,通过ICEEMDAN对原始风功率信号进行分解并通过样本熵计算熵值相近的分量相加重构。其次,建立MSGJO-LSTM预测模型,通过改进金豺优化算法(MSGJO)优化LSTM网络参数,对各模态分量进行预测。最后,通过对各模态分量预测结果进行误差修正(EC)并将所有模态预测结果相加得到最终预测结果。以新疆某风电场为例,采用本文所提预测模型进行仿真分析,试验结果表明本文基于ICEEMDAN-SE-MSGJO-LSTM-EC的预测模型预测精度更高。     

一种基于IGWO-SNN的光伏出力短期预测方法

光伏出力短期预测对于电网或微电网的能量管理和优化调度具有重要意义。构建了一种基于改进灰狼学习算法(improved grey wolf optimization, IGWO)的脉冲神经网络(spiking neural network, SNN),并将其应用到光伏出力短期预测中。首先,利用灰色关联分析法选取相似日。然后,提出一种IGWO算法用于SNN模型训练,通过引入基于三角函数规律变化的非线性下降收敛因子和动态权重更新策略,提升SNN的编码和预测的性能。最后,利用实证系统对所提方法进行了评估,并与其他3种模型进行了对比研究。结果表明,所提方法预测性能提升明显。     

基于VMD-IGWO-SVM的风电功率超短期预测研究

为了提高风电功率预测精度,保证风能的有效利用,提出一种基于变分模态分解和改进灰狼算法优化支持向量机的风电功率超短期组合预测模型。采用变分模态分解将风电功率序列分解为一系列具有不同中心频率的模态分量以降低其随机性,将各分量分别建立支持向量机预测模型,并采用改进灰狼算法对其参数寻优,将各分量的预测值叠加重构得到最终的预测值。实例仿真表明,所提的组合预测模型与其他预测模型相比具有更高的预测精度。     

基于信号分解和核极限学习机的风电功率预测

针对传统短期风功率预测模型在功率变化较大情况下的预测精度不高问题,提出了一种基于信号分解和量子粒子群算法优化核极限学习机的短期风功率预测模型.首先利用经验小波变换将原始风功率序列分解成为若干个模态分量,再利用核极限学习机建立每个模态分量的预测模型,为了提高模型预测精度,采用量子粒子群算法优化核极限学习机参数,最后将每个模态分量预测值相加得到最终的功率预测结果.以实际风电场发电功率为例,并与其他预测模型进行比较,结果表明所提模型具有较高的预测精度.     

基于IGWO-BP和超声衰减法的变压器油氧化安定性检测方法研究

为实现对变压器油氧化安定性的快速准确检测,提出了基于改进灰狼算法(IGWO)优化BP神经网络和超声衰减法的变压器油氧化安定性检测方法。首先,利用超声波在变换器油中的衰减特性,检测得到超声波的衰减系数等特性参数;然后对灰狼算法的收敛因子进行改进,并利用改进后的灰狼算法优化BP神经网络,得到收敛速度快、全局寻优能力强和预测精度高的IGWO-BP算法;最后,利用IGWO-BP算法训练样本,得到变压器油氧化安定性的检测模型。试验结果验证了方法的可行性。     

考虑天气类型和历史相似日的短期光伏输出功率预测

光伏发电的随机性和不确定性是制约光伏发展的主要原因。为了提高短期光伏发电功率预测精度,提出了一种考虑天气类型和历史相似日的短期光伏输出功率预测方法。针对不同季节和天气类型划分历史数据,根据灰色关联度计算结果确定相似日。采用混沌初始化、控制因子非线性调整和莱维飞行等策略对斑点鬣狗优化（spotted hyena optimizer）算法进行改进,采用改进斑点鬣狗算法（improved spotted hyena optimizer）对核极限学习机进行优化,建立基于改进斑点鬣狗算法优化（kernel extreme learning machine,KELM）的短期光伏输出功率预测模型。利用实际光伏电站监测数据进行仿真分析,结果表明,基于ISHO-KELM的短期光伏输出功率预测模型能够降低光伏输出功率预测过程中的波动性,提高预测精度,验证了所提光伏预测方法的正确性和实用性。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

基于IGWO-MLP的变压器健康指数预测模型

针对变压器健康指数(HI)预测,提出了基于主成分分析(PCA)特征选择的改进灰狼算法(IGWO)优化多层感知机(MLP)预测模型。以Kaggle公开数据集为例,通过PCA将15维输入特征降为相关性更高的10维特征,使用IGWO优化MLP得到最优参数,将参数输入MLP模型得到变压器健康指数并对其进行评估。实验结果显示,IGWO-MLP相较于GWO-MLP、IGWO-SVR、PSO-MLP和MLP模型,其预测精度更高,更能有效地预测变压器健康指数。     

基于VMD-SE和优化支持向量机的光伏预测方法

针对光伏电站短期功率预测准确性的问题,提出了一种基于VMD-SE与改进的灰狼优化(Grey Wolf Optimization,GWO)算法优化支持向量机回归(Support Vector Regression,SVR)的组合预测方法。由于不同天气类型的光伏功率输出相差较大,因而利用相似日选取相同天气类型下的数据进行预测;考虑到光伏功率输出随机波动性较强,采用变分模态分解对原始光伏功率序列进行分解,以减少数据的非平稳性;为了克服支持向量回归参数盲目选取的弊端,利用改进的灰狼优化算法对其参数进行优化,以进一步提高数据的预测精度;最后,将分解后的子序列经样本熵重组后相加求和得到最终预测结果。算例结果表明,该组合预测方法整体上预测误差最小,有效提高了光伏输出功率预测的准确性,可以更好地保障电力系统的可靠运行。     

基于改进灰狼优化算法的分布式能源系统优化调度

为了提高分布式能源系统（Distributed Energy System,DES）运行的经济性，以DES运行成本最小为目标函数，建立了基于改进灰狼优化（Improved Grey Wolf Optimization,IGWO）算法的分布式能源系统优化调度模型。采用Tent混沌映射和非线性调整收敛因子策略对灰狼优化算法（Grey Wolf Optimization,GWO）进行改进，提高了算法的性能。利用某综合大楼分布式能源系统进行算例分析，并与其他优化算法的求解结果进行对比，结果表明，IGWO算法收敛时的迭代次数更少，收敛时间更短，与其他三种算法相比，运行成本最低，各项指标均优于其他优化算法，在此调度方案下，各分布式电源出力合理，验证了本文DES优化调度模型的正确性和求解方法的有效性。     

基于二次分解与IGWO-LSSVR模型的超短期风速预测研究

针对风速序列的非线性导致预测精度不高的问题,提出了一种基于二次分解技术和改进灰狼算法的风速预测模型.首先,利用该模型对风速序列进行完备经验模态分解(CEEMD),并且对复杂度过大的前3个分量采用变分模态分解(VMD)进行二次分解;然后,对分解后的各个分量采用改进灰狼算法(IGWO)优化最小二乘支持向量回归(LSSVR)...     

基于改进梯度提升算法的短期风电功率概率预测

随着风电大规模接入电网,风电功率概率预测的需求愈加迫切。为了实现短期风电功率概率分布预测,提出了一种基于改进梯度提升算法的短期风电功率概率预测方法。首先,分析了梯度提升算法应用于短期风电功率概率预测存在的问题。其次,利用负对数似然损失函数作为梯度提升算法中的损失函数,并利用费希尔信息矩阵修正损失函数在概率分布参数空间的梯度,将其转换为概率分布空间的自然梯度。然后,基于自然梯度提出适用于短期风电功率概率分布预测的改进梯度提升算法。最后,将所提算法与传统的梯度提升算法和其他算法进行对比,结果显示,所提算法训练过程收敛较快并且具有较好的预测性能,验证了其实用性和有效性。     

基于多元宇宙优化支持向量机的短期光伏发电功率预测

准确预测光伏发电功率对电网日常调度规划至关重要。本文提出一种基于混合改进的多元宇宙优化（HIMVO）算法优化支持向量机（SVM）的短期光伏发电功率预测模型。首先,采用基于帐篷映射的混沌序列参与种群初始化,克服传统多元宇宙优化（MVO）算法易陷入局部最优的缺点;然后,在MVO算法的位置矢量更新中,引入一种非线性惯性权值下降策略,并加入差分进化（DE）算法进行全局搜索,采用HIMVO算法对SVM参数寻优,将优化后的HIMVO-SVM算法用于光伏发电功率预测。最后,在3种不同天气类型下对某地光伏电站输出功率进行预测仿真实验,预测结果与SVM、MVO-SVM方法预测结果进行对比,验证了HIMVO-SVM方法可有效提升短期光伏发电功率预测精度。     

基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。     

基于多频超声波技术和改进灰狼优化算法的变压器油检测系统研究

变压器油是变压器重要的绝缘介质,为实现对变压器油理化性能快速准确的检测,提出了基于多频超声波技术(MFU)和改进灰狼算法(IGWO)优化小波神经网络(WNN)的变压器油理化性能检测方法。首先,让不同频率的超声波通过变压器油,获取超声波在不同频率下的传播速度、衰减系数等特性参数;然后对灰狼算法的收敛因子进行改进,并利用改进后的灰狼算法优化小波神经网络,得到全局寻优能力强、收敛速度快和预测精度高的IGWO-WNN算法。最后,利用IGWO-WNN算法训练样本,获得变压器油理化性能参数的检测模型,通过现场测试验证了方法的可行性。     

基于GWO-SVR的锂电池剩余使用寿命预测

锂离子电池剩余使用寿命预测在电池管理系统中发挥着重要作用,准确预测其剩余使用寿命能够保障电池的安全稳定运行。由于支持向量回归SVR(support vector regression)参数内核选择较为困难,为此提出灰狼优化—支持向量回归GWO-SVR(gray wolf optimization-SVR)方法,使用灰狼算法优化其内核参数,根据NASA预测中心提供的电池数据集对该方法进行了验证。通过与SVR方法进行对比发现,所提GWO-SVR方法的预测精度得到显著提高;在此基础上与ALO-SVR方法进行对比,证明所提方法平均相对误差降低了7.16%,预测精度更高,有效地提高了锂离子电池剩余寿命预测的精确性。     

基于LCD-SE-IWOA-KELM的短期风电功率区间预测

针对风电功率的不确定性、随机性以及已有的风电功率点预测无法反应其不确定性信息的问题,提出了基于局部特征尺度分解(LCD)-样本熵(SE)和改进鲸鱼优化算法(IWOA)优化核极限学习机(KELM)的短期风电功率区间预测模型。采用LCD分解来降低原始风电功率序列的非平稳性,通过测量各ISC分量的样本熵来重构新的序列以降低过多的分量对预测精度带来的影响,然后分别建立各新序列的区间预测模型,最后将各新序列的预测结果进行叠加获得最终预测结果。采用改进的WOA算法优化核极限学习机的参数。实验仿真表明,文中所提模型能够获得良好的区间预测结果,具有一定的实际意义和应用价值。     

基于WOA-AM-BiLSTM的短期风电功率预测

针对传统的超短期风电功率预测方法难以应对大量强波动性数据,以及对时间序列处理能力有限的问题,提出了一种深度学习模型WOA-AM-BiLSTM对风电功率进行短期预测。使用双向长短期记忆网络可提取时序数据的双向信息,选择性地增强重要特征信息的权重,再利用鲸鱼优化算法进行超参数寻优使AM-BiLSTM模型预测误差最小。通过软件仿真验证了所提风电功率预测模型具有较高的预测精度。