基于改进混合蛙跳算法的协调控制系统优化

针对混合蛙跳算法寻优精度低、易陷入局部最优的缺陷,将混沌初始化和高斯变异因子引入混合蛙跳算法,经对某二阶被控过程的PID控制器参数优化验证后,表明改进后的算法寻优精度更高、收敛速度更快。结合实际工程实践要求,以1 000 MW机组协调控制系统为对象,采用改进混合蛙跳算法来寻优多变量PID控制器参数。仿真结果表明,与混合蛙跳算法寻优所得PID控制器相比,基于改进混合蛙跳算法的多变量PID控制器负荷跟随性更优、响应速度更快。     

基于IEHO算法的太阳电池模型参数辨识

针对传统太阳电池模型参数辨识方法存在精度低、收敛速度慢、易陷入局部最优等不足,提出基于改进象群游牧优化(IEHO)算法的太阳电池模型参数辨识方法。引入混沌初始化,改善初始种群质量,增强种群的遍历性;增加快速移动算子,使算法的收敛速度和全局搜索能力有较大提升;引入精英策略,用最优个体替代最差个体,加快算法寻优速度,缩短寻优时间。应用于太阳电池模型的参数辨识中,IEHO算法比其他算法得到的辨识结果更快更好。对不同光照条件下的太阳电池模型进行参数辨识,辨识结果与实测数据拟合度很高,表明IEHO算法能在不同环境下准确有效地进行太阳电池模型的参数辨识。     

基于改进鸡群优化算法的质子交换膜燃料电池模型参数辨识

针对当前大部分智能算法在求解质子交换膜燃料电池模型参数辨识问题时易陷入局部最优,导致参数辨识精度低、模型泛化能力差等问题,提出一种基于改进鸡群优化算法的质子交换膜燃料电池模型参数辨识方法。首先,引入Tent映射策略初始化种群,提高种群的均匀性和遍历性;其次,设计基于个体进食速度的自适应惯性权重,改善母鸡个体寻优效率,平衡算法的开发与探索能力;然后,利用Levy飞行策略的长短跳跃特点对小鸡位置进行随机更新,增强算法的全局最优搜索能力。最后,通过4组测试函数验证了该算法的优越性,并将算法应用于H-12电堆的参数辨识问题中。结果表明：相比于鲸鱼优化算法、花卉授粉算法等算法,该算法具有更高的参数辨识精度,所辨识出的模型具有更强的泛化能力。     

基于IOLBBO算法的水轮机非线性模型参数辨识

为提高考虑弹性水击模型的水轮机系统非线性模型参数辨识的精度、速度、稳定度,采用改进正交学习生物地理学算法(IOLBBO)对该模型进行参数辨识。IOLBBO利用佳点集方法的遍历性,初始化栖息地特征变量;引入精英保留策略,提高算法运行效率;融合正交学习(OL)策略,提高算法全局寻优能力。基于某水轮机动态试验数据的参数辨识计算及对比分析,表明IOLBBO算法可用于水轮机系统非线性模型参数实测辨识,与GA、PSO、QPSO、BBO算法相比,收敛速度更快、参数辨识精度更高、算法更稳定,为电力系统的参数辨识提供了一种新方法。     

基于混合蛙跳算法的油纸绝缘变压器拓展德拜等值电路参数求解

为了更好地研究变压器油纸绝缘老化状态与拓展德拜等值电路参数之间的相关性,根据实测回复电压特征量参数等值电路模型,建立求解等值电路参数的数学模型,并将该模型转化为非线性优化问题,利用混合蛙跳算法的全局信息交换和局部深度搜索特性对拓展德拜等值电路参数进行参数辨识。通过两台变压器的辨识结果表明,与粒子群算法相比,由混合蛙跳算法辨识的电路参数计算获得的回复电压值与测量值具有更高的重合度,并能够准确地反映变压器油纸绝缘状态。     

基于混合蛙跳算法的光伏阵列参数辨识方法

在建立太阳电池工程用简化模型的基础上,确定需辨识的参数,并将某光伏电站提供的实测数据划分为晴天、阴天、多云及阴雨4种天气类型。采用混合蛙跳算法(SFLA)对各天气状况下的模型参数进行辨识,并运用实测数据对辨识结果进行算例验证;随后将混合蛙跳算法与粒子群算法的辨识结果对比,进一步验证混合蛙跳算法的优越性,从而使简化模型输出与实测曲线更为一致。     

基于局部搜索增强策略的微分进化算法应用于换热网络优化

针对微分进化算法应用于换热网络优化时,局部搜索能力不强及易出现"早熟收敛"的现象,提出了一种兼顾局部搜索和全局寻优能力的改进策略。首先,对算法出现早熟的主要原因进行了机理分析;在此基础上,从动态更新角度引入局部增强算子,以当前解为中心进行邻域精细搜索,保证了局部搜索精度;最后,结合强制跳出机制,解决了算法易陷入局部极值的缺陷,对于非凸非线性问题较为严重的换热网络问题,实现了换热网络优化全局寻优能力和局部搜索精度的兼顾。算例结果表明,新的局部搜索增强策略能够进一步改善种群多样性和提高寻优效率及精度,获得比文献中结果更好的解,有效提高微分进化算法应用于与换热网络优化的能力。     

改进鸡群算法在光伏系统MPPT中的应用

鸡群算法本身存在高维度运算,易出现偏差,对其改进并应用到光伏系统的最大功率点跟踪(MPPT)控制中。引入混沌序列方法进行初始值的分配,可增强种群的均匀性和遍历性;引入自适应惯性权重改善母鸡个体部分寻优策略,可加快算法的全局搜索速度并改善局部搜索能力;将小鸡个体的跟随系数改进为随机量,可增加较差个体的随机性,避免算法因早熟收敛而陷入局部极值;上述改进既可增强算法的搜索速度和寻优精度,也利于避免早熟现象的发生,进一步曾强算法的寻优效率。与其他应用算法比较及在光伏系统最大功率点跟踪中的应用,验证其有效性。     

基于改进蚁狮优化算法的太阳电池模型参数辨识

提出一种改进蚁狮优化算法,引入混沌序列进行初始值的分配,增强种群的均匀性和遍历性;在个体更新部分引入粒子群算法的思想,分别以当前的最优个体与全局最优个体为目标进行计算,同时提高算法的局部和全局搜索能力;参考当前最优个体位移进行动态空间收缩,可有效减小个体的搜索范围,缩短寻优时间。与粒子群算法、蝙蝠和原蚁狮算法进行仿真对比并应用到太阳电池模型参数辨识中,验证其有效性。     

基于改进INFO-Bi-LSTM模型的SO2排放质量浓度预测

针对火电机组SO₂排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors, INFO)算法与双向长短期记忆(bi-directional long short term memory, Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO₂排放质量浓度进行预测,将预测结果进行验证对比。结果表明：改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO₂排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。     

基于改进和声搜索算法的主蒸汽温度现场数据辨识

针对主蒸汽温度系统现场数据的模型辨识问题,提出了结合粒子群优化算法的改进和声搜索算法.采用经验模态分解法对带噪声污染的现场数据进行滤波处理,采用离散相似法进行模型辨识的计算机仿真实现和数值计算.应用该改进算法对循环流化床主蒸汽温度系统模型进行了现场数据辨识.结果表明:所辨识的模型具有较高的精度,能够反映实际主蒸汽温度系统的动静态特性;改进和声搜索算法比粒子群优化算法具有更好的稳定性和全局寻优能力,以及更快的收敛速度.     

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度。提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进。以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交叉熵函数对学习规则进行改进。改进后的网络模型既具有小波分析的良好的局部时域和频域特性,又具有全局搜索能力,可增大跳出局部最优的可能性,同时拥有更快的收敛能力和稳定性。实验结果验证了该算法的有效性。     

基于人工鱼群和蛙跳混合算法的光伏阵列多场景参数辨识

光伏阵列模型的准确性对大规模光伏发电系统的并网运行与调度至关重要。在建立光伏阵列机理模型的基础上,采用人工鱼群和蛙跳混合算法对模型中的未知参数进行辨识,并将辨识结果与人工鱼群算法和蛙跳算法单独辨识的结果进行了对比分析,证明了混合算法兼具两种算法的优点,并能有效克服两种算法的不足,验证了其优越性和有效性。为使光伏阵列模型的输出与实际光伏电站任意1 d的实测曲线均能很好拟合,采用混合算法对不同场景下的参数进行了辨识,并采用任意2 d的实测数据对辨识结果进行了适应性验证,证明了辨识结果的准确性,进一步验证了混合算法的有效性和实用性。     

基于收缩因子改进PSO算法的J-A磁滞模型参数辨识

变压器铁心磁滞特性的准确预测及其模型参数可靠辨识,一直是国内外学者们研究的难点问题。针对现有主流磁化(Jile-Atherton,J-A)模型存在的辨识参量多、计算时间长、容易陷入局部最优解等问题,提出一种基于收缩因子改进粒子群优化(Particle swarm optimization,PSO)算法的J-A磁滞模型参数辨识方法。研究建立以磁感应强度为输入变量的J-A静态磁滞逆模型,提出考虑包含涡流损耗、异常损耗因素下的动态磁滞模型;针对传统PSO算法计算精度低、不易于快速寻优的问题,提出基于收缩因子改进的PSO优化算法,可实现J-A磁滞模型关键参量的快速辨识。所提算法克服了传统粒子飞行速度的限制,兼具全局寻优和局部寻优的特点,易于实现J-A磁致模型的快速参数辨识。通过仿真算例分析,验证了所提改进PSO算法在不同磁密峰值工况下的应用可靠性,且迭代收敛速度和精度均优于传统PSO算法。     

遗传算法在风力机风轮叶片优化设计中的应用

提出了风力机风轮叶片的优化设计模型,该模型考虑了风场风速的概率分布,以风力机年能量输出最大为设计目标。为加速搜索寻优过程并保证获得全局最优解,采用ECGA算法进行搜索寻优。与传统的遗传算法相比,ECGA搜索寻优速度更快,获得的结果更准确,也可以使用更小的种群,函数求值次数也更少。利用开发的优化设计程序,设计了1.3MW失速型风力机的叶片。与已有的1.3MW失速型风力机相比,设计结果显示了明显的优越性,说明该优化设计模型的有效性和实用性。     

融合寻优算法的双馈风力机控制参数分步辨识方法

为获得准确的双馈风力机（DFIG）控制参数以提高电力系统机电/电磁仿真分析和计算的准确性,将长短期记忆（LSTM）神经网络与改进粒子群（IPSO）算法相结合对DFIG的控制参数进行辨识。首先,利用RT-LAB平台通过硬件在环（HIL）实验获得真实DFIG控制器的响应数据集;其次,为避免无关特征干扰LSTM模型的预测结果,利用最大信息系数提取出DFIG中高相关性的观测量特征;在此基础上,为提高算法的寻优速度,利用LSTM初步寻优到DFIG控制参数的初始值与搜索范围;最后,通过IPSO算法精确辨识出DFIG的控制参数,提高了辨识算法的寻优效率和精度。HIL测试结果证实了LSTM-IPSO辨识方法在20%～80%低电压穿越工况下具有良好的适应性,并能有效提高DFIG控制参数的辨识精度。     

混合微分进化算法应用于换热网络优化

针对微分进化(Differential Evolution,DE)算法应用于换热网络优化存在局部搜索能力不足、收敛速度慢和求解精度低等问题,提出一种混合微分进化(Hybrid Differential Evolution,HDE)算法。当DE算法的变异、交叉和选择操作不再使种群的最优值继续进化时,加入梯度操作使当前种群的最优个体趋向更好的解。为了防止算法早熟收敛,当种群的多样性低于设定的阈值时,引入迁移操作,在最优个体附近区域重新生成新的个体并以此替换旧的个体,增强算法的种群多样性。通过算例验证了该算法可以有效适用于换热网络的优化过程,具有更强的局部搜索能力,更快的收敛速度和更高的优化效率。     

基于改进杂草算法优化的神经网络模型在径流预报中的应用

针对BP神经网络在径流预报中易陷入局部最优解的缺陷及智能优化算法的优势,引入改进的杂草算法优化神经网络权值和阈值,将传统的杂草算法个体以正态分布空间扩散的方式改进为混合种群多种分布的方式产生子代个体。以金沙江流域中长期径流预报为例,将改进杂草算法优化的神经网络模型的径流预报结果与传统的BP神经网络和基于遗传算法优化的神经网络模型的预报结果进行对比。结果表明,改进杂草算法优化的神经网络应用到金沙江流域的径流预报精度较高,模型收敛更快,结果更加稳定,在实际预测中合理可行,具有一定的应用优势。研究成果为径流预报提供了新思路。     

基于模拟退火-混合蛙跳法的多峰值MPPT算法

根据光伏阵列在实际生产中的局部阴影情况建立了光伏阵列的实际生产模型,并针对局部阴影情况导致的多峰值问题设计了一种基于模拟退火-混合蛙跳法(SA-SFLA)的多峰值功率最高值跟踪技术(MPPT),即在保留混合蛙跳算法跳出局部功率最优点能力的同时,引进模拟退火算法来提升跟踪全局功率最大点的速度和精度。最后通过Simulink仿真,证实了该算法进行MPPT多峰跟踪的性能较混合蛙跳法有了显著提高,有益于光伏阵列效能的提升。     

烟花算法在太阳电池双二极管模型参数辨识的应用

为解决太阳电池双二极管模型中参数辨识准确度低的问题,基于烟花算法提出一种新型的参数辨识方法。该方法模拟烟花的爆炸过程,在条件范围内进行局部寻优,选取一定数量的最优火花进行下一轮迭代,火花将逐渐搜索整个解空间直到找到满足条件的最优解。测试双晶硅太阳电池KC200GT,采用烟花算法获取参数的平均绝对误差为0.0152,遗传算法和粒子群算法的平均绝对误差分别为0.3548、0.2374。实验结果表明:提出的基于烟花算法的太阳电池参数辨识精度明显优于遗传算法及粒子群算法,可为太阳电池的参数辨识提供一种新方法。