考虑电缆选型双馈机组分散协调控制对风电场无功优化影响

随着技术发展,双馈式风力发电机成为风电场主流,风电场内部电压波动及网络损耗优化研究也越来越重要。该文基于风机位置的电缆选型,分析双馈机组的无功极限,充分利用风机无功调节能力,将每台风机无功出力、静止无功补偿装置无功出力作为连续控制变量,有载调压变压器分接头位置及风电场固定无功补偿器组数作为离散控制变量,建立综合考虑风电场有功网损和总电压偏差的目标函数,并通过线性递减权重粒子群算法进行分析,得到风电无功优化最优解。通过算例表明:考虑电缆选型的双馈式风力发电机分散协调控制能有效降低网损及电压波动。     

基于改进PSO算法的风力机优化布置

了更充分地利用风能资源,提高风电场发电量及风电投资成本节省度,提出了一种无网格改进粒子群优化风力机布置的算法．该算法通过增加设计变量个数,直接优化各风力机的安放坐标,取消了划分网格对于风力机安放位置的限制,结合动态罚函数法对风力机间距进行约束的方式进行风力机优化布置工作,提高了该算法的连续性和约束性．通过与其他文献优化结果对比,该算法在风机优化布置问题上具有更强的实用性,不仅实现了合理确定风机布置数量,而且可实现风力机布置位置的连续化,有效提高了风电场总发电量．在此基础上,应用无网格优化模型,研究了风机布置优化方案的度电成本对风速变化的响应程度．研究结果表明：当风力机优化布置方案得到最佳风速时,优化模型将无法再降低风电场的度电成本,此后,风速对风电场度电成本的影响将达到最低,即风电场的发电效率达到最大,风电机组之间相互影响程度也相应达到最低．     

同时进行芯片规划的任意元胞模式总体布线

以递归划分的方法来进行同时的芯片规划和全局布线,它是一种把大的问题递归地划分成基本相同小问题的方法。首先采用模糊聚类方法把每一级聚为小于五的几类,再根据聚类构造出递归全局布线图,此图是一颗部分3-树,在它上面存在较好的布线算法,我们给出了在它上面求最小stciper树的算法,并以此算法进行全局布线。     

基于粒子群优化的模糊聚类算法

针对模糊C均值聚类算法具有容易陷入局部极小值,对初始值和噪声数据敏感的缺点,提出了基于粒子群优化算法的改进模糊聚类算法（PSFC）．该算法引入了粒子群优化算法强大的全局寻优能力,并结合了模糊C-均值聚类算法的特点．实验结果表明,该算法是一种实用的、速度更快、效率更高的改进聚类算法,具有很好的全局收敛性和较快的收敛速度．     

面向可及度的海上风电机组维修策略研究

为降低海上风电机组运维成本,考虑海上天气情况对维修活动的影响,采用马尔可夫法和动态时间窗描述海上天气情况,提出可及度指标评估海上风电机组的维修可及性。采用机会维修策略对机组关键部件开展维修优化,并以周期内成本期望值最小为目标函数,对机组关键部件的机会维修役龄与预防性维修役龄进行优化。最后以某海上风电场机组为例进行仿真分析,结果表明采用机会维修策略比役龄预防性维修策略的维修成本降低了10%,证明了机会维修策略在考虑海上天气因素制约的海上风电机组维修优化方面的有效性与优越性。     

基于改进FCM的脱硫系统优化运行策略

为了降低火电厂脱硫系统能耗,确定运行参数基准值,提出一种基于模糊聚类方法的优化运行策略,以较低脱硫成本为目标选取决策样本,采用麻雀搜索算法优化的模糊C均值聚类方法求解脱硫系统可调参数的基准值,将聚类中心作为优化变量,模糊C均值聚类算法的目标函数作为麻雀搜索算法的适应度函数,迭代计算得到全局最优解.分析了某660 MW机...     

一种新的模糊C均值聚类算法的优化方法

针对模糊C均值聚类算法对初始值敏感、易陷入局部最优的缺陷,提出一种新的优化方法.该方法通过分集聚类的结果初始化粒子群,得到逼近全局最优的聚类中心,再进行全局聚类,能有效避免陷入局部最优.真实数据集上的实验结果表明模糊C均值算法经该方法优化后,能快速收敛至全局最优解,在保证聚类速度的同时提高了聚类精度.     

基于PSO和GA混合优化的FCM算法

模糊C-均值(Fuzzy C-means,FCM)算法的初始聚类中心是随机确定的,因此存在着易受初始聚类中心和隶属度矩阵影响,可能收敛到局部极小值的缺点,从而影响图像分割效果.针对此问题,将粒子群优化(P S O)算法与遗传算法(GA)相结合更新种群和搜索最优点,进行全局搜索优化FCM初始聚类中心,实现了基于PSO和GA相结合的模糊C-均值图像分割算法,并用于分割乳腺钼靶图像.实验结果表明,提出的优化算法具有更好搜索全局最优解的能力,可以提高分割精度,得到更好的图像分割结果.     

面向化工灰箱建模的快速全局优化模糊聚类算法研究

针对化工过程灰箱建模存在的精确度差、速度慢、计算复杂度高等问题,对现行模糊C-均值聚类算法进行了改进,提出了一种快速全局优化的(用于建模的数据训练集)模糊聚类算法.该算法具有不依赖初始条件、收敛速度快等特点.实验结果表明,利用快速全局优化模糊聚类算法得到的数据,在灰色预测的时间和数据准确性方面都有了显著提高,计算机仿真实验表明了该算法的有效性.     

基于微粒群优化算法的文本模糊聚类方法

针对模糊C-均值算法(FCM)具有局部最优问题和初值敏感性的缺陷,将微粒群优化算法应用于文本模糊聚类, 提出了基于微粒群优化算法的模糊C-均值算法PFCM．该算法首先采用实数编码方式对聚类原型进行编码,利用微粒群优化算法的全局搜索性能对初始聚类原型的选取进行指导,然后利用模糊C-均值算法进行聚类．使用算法PFCM对文本集合进行聚类实验,并用目标函数值和划分系数来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的全局收敛性和较好的聚类结果．