基于果蝇优化算法的主动径向磁悬浮轴承多变量多目标优化设计

果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是一类新型全局优化算法。本文尝试将FOA引进到高速电机用RMB的优化设计中,以达到提高其高速电机性能指标的目的。     

基于果蝇优化算法的广域阻尼控制器设计

针对大规模互联电网区间低频振荡问题,提出了基于果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)的广域阻尼控制器设计方法。以标准16机68节点系统为例,对系统进行线性化,并进行模态分析,找出系统区间振荡模式及阻尼比。根据区域低频振荡模式下参与因子选择广域反馈信号。分析了广域控制器结构,并采用FOA算法对其参数进行优化。仿真结果表明,提出的广域控制器方法能有效地提高区间振荡阻尼比,为电力系统低频振荡优化控制提供了新的思路。     

基于人工蜂群算法优化支持向量机的接地网腐蚀速率预测模型

为了提高接地网腐蚀速率预测的精确度,在建立预测模型的过程中,首先对接地网进行了基于电网络理论的腐蚀诊断过程,并以经过诊断之后确定的腐蚀支路位置为采样点。考虑到仅以土壤理化性质反映接地网腐蚀速率的局限性,在接地网腐蚀诊断结果的基础上,提出接地网电阻平均增长速率作为预测模型的输入特征量之一。建立了基于人工蜂群优化支持向量机的接地网腐蚀速率预测模型,测试结果显示相对BP神经网络模型和广义回归神经网络模型,所提模型的预测结果精确度和稳定性更高,表明了对于解决接地网腐蚀速率预测问题,所提模型具有良好的适用性。     

接地网导体腐蚀预测研究

对接地网腐蚀状态及时检测,准确掌握接地网运行状况,对保障系统安全运行和用电设备可靠性具有重要的意义。在接地网腐蚀机理和现有腐蚀检测的基础上,研究了电化学方法在接地网腐蚀检测中的应用,提出了用神经网络检测算法来预测接地网腐蚀速率。最后,通过实地试验测量,提取去除干扰后的信号数据,验证了神经网络算法在接地网腐蚀预测应用中的可行性。     

基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测

为了提高接地网腐蚀速率预测精度,利用核主成分分析法对接地网腐蚀速率的主元进行提取,依据KPCA分析结果进行了指标重构,减少了接地网腐蚀预测模型建模工作量。通过收敛因子非线性调整及莱维飞行策略对斑点鬣狗算法进行改进,基于改进后的斑点鬣狗算法对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立了基于KPCA-ISHO-LSSVM的接地网腐蚀速率预测模型。仿真结果表明,经ISHO优化LSSVM接地网腐蚀速率预测模型的平均相对误差、均方根误差、全局最大相对误差均定系数分别为2.79%、0.139、3.53%和0.995,均优于其他接地网腐蚀预测模型,验证了模型的正确性和优越性。     

基于FOA-GRNN的水电站厂房结构振动响应研究

应用果蝇优化算法(FOA)对广义回归神经网络(GRNN)平滑参数spread值进行优化,充分利用果蝇优化算法收敛速度快及径向基函数调整参数少的优点,建立厂房结构的振动响应预测模型,同时结合反向传播神经网络(BP)、局部回归神经网络(ELMAN)对某厂顶溢流式水电站的厂房结构振动响应问题展开对比预测研究。通过比较三种神经网络的预测效果,最终得出:基于果蝇算法优化的广义回归神经网络(FOA-GRNN),在预测能力、学习速度上明显优于BP网络和ELMAN网络。说明运用FOA-GRNN神经网络预测厂房结构振动响应是可行的,为增强厂房结构的智能化监测提供了保障。     

基于MFU和FOA-BPNN的变压器油密度检测

研究一种基于多频超声(MFU)技术和果蝇优化BP神经网络(FOA-BPNN)的变压器油密度检测方法,将基于超声波原理测得的变压器油多频超声数据作为BP神经网络输入,密度计滴定法测定的变压器油密度作为输出,训练BP神经网络建立多频超声数据与变压器油密度的映射关系,同时为避免传统BP神经网络进行预测存在泛化能力弱,易陷入局部最优解的缺点,提出运用果蝇优化算法FOA对BP神经网络的拓扑结构、权值和阈值进行寻优,使用寻优结果建立基于FOA-BPNN的变压器油多频超声波图谱与油密度的映射关系模型。实例验证结果表明,相比于传统的BPNN模型,使用FOA对BPNN进行寻优后的模型的识别准确度更高,测量误差更小,将该模型用于基于多频超声波检测技术的变压器油密度识别是可行的。     

基于FOA_Elman神经网络的微网短期负荷预测

为适应微网的建设和发展对其负荷预测效率及精度的要求,针对微网负荷基数小、间歇性、随机性大等特点,提出一种基于果蝇优化算法(fruit fly optimization algorithm,FOA)优化Elman神经网络的微网短期负荷预测模型。考虑到微网负荷受气象因素累计效应的影响,引入人体舒适度指数以降低输入向量维数。为克服常规学习算法收敛速度慢、易陷入局部最优解、编程复杂等缺陷,利用具有全局寻优性能的FOA对Elman神经网络的结构、权值和阈值进行优化,并以国内某微网示范工程项目为例,将FOA_Elman神经网络用于微网短期负荷预测。仿真结果表明,所提出的预测模型优于常规Elman神经网络模型,更具应用价值。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

基于FOA-Elman神经网络的光伏发电功率预测模型

光伏发电功率对光伏发电的可靠性起着决定性作用。针对Elman神经网络收敛速度慢、训练时间较长的问题,利用果蝇算法(FOA)来优化Elman神经网络的权值和阈值,从而提高运行效率。建立了基于FOA-Elman神经网络的光伏发电功率预测模型,并给出了算法设计及编码方案。仿真实验结果表明,FOA-Elman模型预测精度比传统Elman神经网络模型预测精度高,更适合于光伏发电功率预测。     

基于改进FOA优化BP神经网络算法的光伏系统MPPT研究

针对基于BP神经网络的光伏系统MPPT策略在光照强度突变时存在较大误差的问题,提出了一种改进的果蝇优化算法用于BP神经网络的权值和阈值优化,并建立了基于IFOA-BP神经网络算法的光伏系统MPPT控制的仿真模型。测试和仿真结果表明,IFOA的收敛速度和求解精度较改进前均有明显提升;IFOA优化后的BP神经网络收敛速度加快,预测误差减少;较之于电导增量法,IFOA-BP神经网络的MPPT策略在稳态条件下能明显抑制功率波动,在外界条件发生突变时,能迅速准确地追踪到最大功率点,具有良好的稳态精度和动态特性。     

基于自适应樽海鞘算法优化BP的风光互补并网发电功率预测

为解决风光互补并网发电功率预测问题,针对前馈(BP)神经网络容易陷入局部最优而导致预测精度降低的问题,提出了一种自适应樽海鞘算法(ASSA)优化BP神经网络的风光互补并网发电功率预测模型。首先,在标准的樽海鞘算法(SSA)中引入动态权重策略和变异算子构建ASSA。其次,引入BP神经网络算法,构建BP神经网络的风光互补并网发电功率预测模型。最后,通过ASSA算法优化BP神经网络的权值和阈值,提出ASSA-BP的风光互补并网发电功率预测模型。仿真结果表明,利用ASSA-BP模型预测发电功率数据的相对误差小于BP模型预测数据的相对误差。ASSA-BP和SSA-BP的模型平均绝对误差数值更小,ASSA-BP模型的平均绝对误差最小,ASSA-BP模型的预测稳定性最强。该预测模型较传统风光互补并网发电功率预测方法有更高的精确度。     

配电网分布式电源最优配置研究*

针对配电网中分布式电源的选址与定容问题,以分布式电源的渗透率最高、配电网的网损改善率最大及电压质量改善率最大三个目标构成目标函数,利用判断矩阵确定权重建立多目标优化模型。提出一种改进的果蝇优化算法对配电网中分布式电源的接入位置和接入容量进行优化,IEEE 33节点配电网络的仿真结果表明:与遗传算法和基本果蝇优化算法相比,改进的果蝇优化算法在收敛速度和求解精度两个方面都具有较为明显的优势,验证了上述优化配置模型及改进算法的实用性与有效性。     

青藏铁路接地网设计中的遗传优化神经网络

为了提高青藏铁路变电站接地网设计准确度,同时解决CDEGS软件价格高,运算、操作复杂的问题,建立了用于青藏铁路接地网设计的遗传优化神经网络。首先分析了影响接地网接地电阻的主要因素,提出了接地网电阻系数的概念,根据CDEGS软件数据建立了求解接地网接地电阻的BP神经网络,为了提高网络的计算精度,根据青藏铁路接地网的实际情况确定了接地网网格数、长宽比和面积的选择范围,采用遗传算法对BP神经网络的训练过程进行优化。通过与实际计算对比表明,该遗传优化神经网络具有较高的准确性和可信度,且简单易行,可代替CDEGS软件,为青藏铁路沿线变电站接地网的设计提供帮助。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于FOA-Elman神经网络的光伏电站短期出力预测模型

提出了基于果蝇优化算法(FOA)-Elman神经网络的光伏电站出力短期预测模型,采用具有动态递归性能的Elman神经网络,可增强光伏电站出力预测模型的联想和泛化推理能力,保证出力预测的精度。引入人体舒适度,减少输入向量个数;通过FOA对Elman神经网络进行学习训练,可充分利用FOA的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。最后,与常规Elman模型进行对比仿真实验,结果表明所提出预测模型的正确性和有效性。     

考虑雷电暂态效应结合FOA的接地网优化设计

针对接地网受雷击时地电位分布不均的问题,提出了基于果蝇算法的接地网优化设计方法。首先根据接地体的通用数学模型搭建EMTP接地体单元模型,并在此基础上搭建小型接地网模型,仿真计算其雷电暂态效应。然后再以优化地网电压为目标,通过果蝇算法来寻找地网最优压缩比。仿真表明,采用本方法可有效提高地网运行的安全水平。