粒子群算法惯性权重策略对参数反分析优化性能的影响

以某混凝土重力坝挡水坝段为例,针对惯性权重为粒子群算法中平衡全局搜索能力和局部搜索能力的关键参数,分析了不同的惯性权重策略影响粒子群算法在材料参数反分析领域的优化性能,并比较了四种惯性权重策略。结果表明,线性微分递减惯性权重策略最优,可使材料参数反分析过程收敛速度更快、稳定性更强。     

基于SSA-PSO-ANFIS的短期风速预测研究

针对风速具有强非线性的特点,提出一种奇异谱分析和改进粒子群优化自适应模糊推理系统的短期风速预测模型。该方法采用奇异谱分析将原始序列分解为趋势和谐波分量,对各分量分别建立模糊神经网络模型,最后将各分量预测结果叠加得到预测风速值。为提高预测精度,改用改进粒子群算法对自适应模糊推理系统的隶属度函数进行优化。以河北某风电场实测数据进行仿真并与传统的神经网络对比分析,结果表明将风速重构后分别预测再叠加降低了原始问题的复杂度,同时提高了预测精度,在不同时间间隔的风速序列预测中该模型显著降低了多步实时预测中的误差。     

模糊综合评判模型预测电站燃煤结渣特性研究

基于最大隶属度原则,采用常规煤质结渣特性指标以及炉膛运行参数组成的"6指标法"对模糊理论预测燃煤结渣的四种常用模型进行了分析和检验。     

关于改进粒子群算法在输电网规划中的应用研究

针对标准粒子群算法在迭代过程中容易陷入局部最优而过早收敛的缺陷,对算法的粒子速度更新公式做了如下改进:首先将更新公式中惯性权值的线性递减策略改为非线性动态递减策略,更好的平衡粒子群算法全局搜索和局部搜索的性能;其次在更新公式中引入了所有粒子个体极值的平均值,使得粒子能够利用更多的参考信息来调整自己的搜索速度.在输电网扩展规划中的应用结果表明,上述两个改进可以有效改善粒子群算法的收敛特性,最终使算法找到全局最优解,从而证明了该改进粒子群算法具有一定的可行性和有效性.     

基于改进PSO-SVR模型在短期风速预测上的应用研究

针对现有风速预测精度不高等问题,选择一种组合核函数的支持向量机回归模型(SVR),根据粒子的适应度动态自适应地调节算法中惯性权重取值的改进粒子群优化算法优化模型参数,建立基于改进PSO-SVR的短期风速预测模型,通过实例研究验证该方法的有效性与实用性.     

模糊综合评判模型预测电站燃煤结渣特性的研究

基于最大隶属度原则,采用常规煤质结渣特性指标以及炉膛运行参数组成的"6指标法"对模糊理论预测燃煤结渣的4种常用模型进行了分析和检验.分析发现,4种模型都具有较好的预测效果,但相比而言,具有"主因素决定型"特征的模型由于过于强调单一指标的作用效果,在评判过程中容易陷于局部最大修正隶属度的误区,从而导致对结渣倾向性不明显样本预测的失效.考虑各因素影响的综合评判方法则避开了这一误区,在整体预测效果上获得了更高的准确度.     

基于LOGPSO算法的光伏系统MPPT研究

在光伏系统最大功率点跟踪过程中,针对太阳辐射强度改变时,粒子群算法易出现收敛速度慢、陷入局部最优等问题,提出了一种惯性权重对数递减粒子群(LOGPSO)算法,该算法将惯性权重以对数形式递减,并加入了对数调整因子,使运行初期的MPPT能够较快地确定极大功率值点所对应的电压,运行中期的惯性权重迅速减小,运行后期的MPPT能够精确地搜索到最大功率点所对应的电压。仿真结果表明,在不同的太阳辐射强度条件下,LOGPSO算法能够显著改善光伏系统MPPT中存在的收敛速度慢、收敛精度低等问题。     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

基于模糊信息粒化的电力系统中光伏出力预测模型分析

针对传统点预测模型出现的不稳定性问题,提出基于模糊信息粒化的电力系统中光伏出力预测模型。首先运用W. Pedrycz的模糊粒化方法,确定其基本思想,并对数据预测的序列进行模糊信息粒化处理;其次采用最小二乘支持向量机法,通过非线性映射构建最佳的线性回归函数;最后根据非线性惯性权值对自适应粒子群算法参数进行优化,并构建基于模糊信息粒化和最小二乘支持向量机的光伏出力预测功率波动模型。为进一步提升模型稳定性,使用EEMD将光伏数据分解成多个等同的子序列,对波动性较强序列的识别分组粒化,以获得精准预测值。实验结果表明,所提模型能够解决部分随机性与波动性问题,提高整体稳定性,且百分比误差率较小,可广泛应用在现实生活中。     

风电场邻近风电机组缺测风速集成填充方法

针对风电场中邻近多台风电机组集中出现缺损测量风速的工况,提出基于粒子群优化广义回归神经网络的风电机组缺损测量风速集成填充方法。以"成员等同性"原则引入动态时间规整算法、空间邻点法和Pearson相关系数法,分别搜寻与缺损测量风速风电机组风速演化最为相似的若干台风电机组及对应的测量风速时序,建立基于广义回归神经网络的填充子模型,采用粒子群算法对广义回归神经网络的模型参数和训练集的构成进行全局优化,之后选取较好的子模型构造自适应的熵权集成填充模型。实验结果表明:依据相似性风速序列进行缺损风速的填充能有效提高填充精度;粒子群算法优化广义回归神经网络,不仅提高了子模型的填充效果,更使得模型参数的调节有据可依,能适应不同风电场风速数据的特点;基于熵权的集成填充策略理论依据充分,集成填充的精度和稳定性优于单个子模型。     

基于优化PSO-RBF的柴油机故障诊断方法

针对传统RBF算法收敛速度慢,易于陷入局部极值的问题,提出了一种经优化的粒子群算法PSO,对RBF神经网络粒子群的改进参数、权值线性递减参数和标准参数进行训练寻优,构建出最优PSO-RBF神经网络,并将其用于柴油机的故障诊断预报。对MAN B&W 6L23/30H柴油机三种不同工况下第一缸试验参数的训练表明:改进的PSO-RBF神经网络在柴油机故障诊断中判别率更高,故障诊断的准确性与可靠性得到提高。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

采用模糊小波基函数神经网络的控制系统及混合优化算法

提出了一种采用模糊小波基函数神经网络的控制器,该控制器采用小波基函数作为模糊隶属函数,利用神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使控制器具备更强的学习和自适应能力.还提出了控制器参数的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整.对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性.图3参6     

基于改进混沌搜索的AMPSO-BP短期负荷预测

为了精准预测微电网短期负荷,采用模糊聚类方法选择相似日粗集,用灰色关联分析法选取相似日,并针对神经网络易陷入局部极小值的缺点,提出基于混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立AMPSO-BP神经网络短期负荷预测模型。对收集的电网数据进行试验仿真结果显示,所提方法有很高的预测精度和稳定性,在实际中有一定的应用价值。     

基于深度学习的配变停电电量损失预测

停电电量损失预测可为电网调度及规划提供参考,有利于为用户提供可靠供电服务。针对当前配变停电过程中的电量损失问题,先基于模糊C均值聚类算法实现对配变负荷曲线的分类处理及精细化分析,挖掘配变负荷数据规律;在此基础上,运用皮尔逊相关系数算法提取选择输入特征,构建基于门控循环单元神经网络的预测模型,从而得到停电时间负荷值,进而分析预测负荷曲线得到损失电量;最后,基于停电管理工作分析,实现基于粒子群优化的台区用电行为停电优化问题求解。算例测试验证了所提方法的正确性和有效性。     

基于模糊神经网络的电站燃煤锅炉结渣预测

综合运用模糊数学和神经网络知识构建了一个模糊神经网络模型,用以预测电站燃煤锅炉的结渣特性．通过引入反映煤灰特性的4个常用指标以及反映锅炉运行情况的两个指标,使所建模型综合考虑了煤灰特性和锅炉运行因素对结渣的影响．以实际电厂燃煤锅炉为样本,基于改进的BP(back-propagation)算法对网络模型进行了训练．为验证模型的准确性,对7台电站燃煤锅炉的结渣特性进行预测,并将该模型与只考虑煤灰特性指标的常规 BP网络模型进行比较．验证结果表明,模糊神经网络模型的预测结果与实际相符,效果优于常规BP网络模型．     

基于模糊C均值聚类和支持向量机算法的燃煤锅炉结渣特性预测

应用基于模糊C均值聚类算法预处理的支持向量机算法对锅炉结渣特性进行预测建模,将煤的软化温度、碱酸比、硅铝比和硅比以及无因次炉膛烟气平均温度和无因次实际切圆直径作为模型的输入变量,结渣程度作为输出变量,利用优化后的模型对10台锅炉的结渣特性进行评判.结果表明:该模型能够减小训练样本的过拟合度,具有较强的泛化能力;本试验中FCM-SVM预测模型预测结果的正确率为100%,可以实现对锅炉结渣特性的精确预测.     

基于隶属度和规则的层次分类诊断模型

提出了一个基于模糊隶属度和规则的分类层次诊断模型。针对该模型,首先以汽轮机通流部分故障为对象,讨论了层次分类的方法,根据结构和故障分解的原则建立了故障诊断树;其次根据热力参数的实际情况,选择模糊隶属度函数并确定隶属度函数的算法;最后综合这两种方法的优点,设计了故障节点的知识组织结构,把每个故障节点的知识库分成工况参数、初始证据源、证据模式、神经网络信息、模糊规则库、索引知识等6个部分。该模型既减少了故障判断的搜索数量,又把诊断所需的各种模糊不确定的知识用模糊神经网络的权重来表示,知识的获取通过模糊神经网络的训练进行,解决了知识获取的"瓶颈"问题。经过实际故障诊断验证,该模型对于通流部分故障诊断具有很好的适用性。图2表4参2。     

基于PSO算法的FCMAC控制器及其在主汽温控制中的应用

模糊CMAC神经控制器能反映人脑认知的模糊性和连续性,它采用高斯函数作为模糊隶属函数,利用CMAC神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使它具有自适应和学习能力.文中讨论了这种控制器参数的PSO学习算法,对电厂锅炉主蒸汽温度控制的仿真表明了FCMAC控制器及其PSO学习算法的可行性和有效性.