基于改进混沌粒子群的PEMFC模型参数辨识

基于质子交换膜燃料电池(PEMFC)电堆的输出特性及相关电化学反应建立输出特性模型,提出改进混沌粒子群优化(CPSO)算法来优化PEMFC输出特性模型参数辨识问题。首先采用6种标准测试函数验证了CPSO算法的寻优性能,然后针对两种参数不同的电堆进行了输出特性模型参数辨识。结果表明,相较于遗传算法(GA)、粒子群优化(PSO)算法、受约束粒子群优化(B-PSO)算法、具有收缩系数的粒子群优化(PSO-χ)算法、引力粒子群优化(GSAPSO)算法以及差分进化算法(DE),CPSO算法辨识精度最高且收敛速度最快。静态工况下电堆1的均方根误差为0.213,平均相对误差为2.339%;电堆2的均方根误差为0.481,平均相对误差为1.243%,充分说明CPSO算法在PEMFC输出特性模型参数辨识方面的优越性。     

基于改进粒子群算法神经网络的电力电子电路故障诊断

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解.对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对电力电子电路故障进行在线诊断.仿真结果表明,改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的诊断精度.     

基于改进PSO-BP神经网络的短期电力负荷预测研究

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。该文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对短期电力负荷进行预测。实践结果表明:改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的预测精度。     

基于改进粒子群算法的电动机器人全局路径规划

二维空间环境下电动机器人使用传统粒子群算法(particle swarm optimization,PSO)规划全局路径容易出现收敛速度慢、路径精度不达标等问题,提出一种基于改进粒子群算法(improved particle swarm optimization,I-PSO)对电动机器人进行全局路径规划。首先使用栅格法对机器人的工作环境建模,将路径长度和碰撞风险作为优化目标,然后使用粒子的适应度差值动态调节算法的惯性权重参数,优化对活动空间的整体或部分区域的探索。在算法中引入一个随机因子,增大粒子的随机性,提升最优解的质量。MATLAB仿真结果表明,与传统的PSO结果对比,提出的IPSO在算法收敛性和鲁棒性上更好,并且规划出的路径长度较短、安全性更高。     

基于优化PSO算法的SCR脱硝控制器研究

针对SCR脱硝控制系统中的PID参数整定困难,提出一种优化粒子群算法的PID控制器参数整定方法。该算法利用已知粒子信息得到适应度函数值的估值,在估值策略中,引入粒子间的相似度和粒子的可信度评价方法,增加适应度函数值估计次数和准确性,减少适应度函数值计算次数,提高算法性能。将优化的粒子群算法用于优化SCR脱硝系统中PID控制器参数,与传统整定PID控制器参数方法相比,基于适应值估值策略的粒子群算法整定PID控制器参数收敛速度快,系统内回路响应上升速度快、时间短,外回路静态误差小、无超调等优点,较好地满足SCR脱硝系统的动态特性。     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

基于改进PSO-BP神经网络的短期电力负荷预测研究

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解.该文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对短期电力负荷进行预测.实践结果表明:改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的预测精度.     

基于改进粒子群优化算法的电力线通信多径传输模型参数辨识

基于已有的电力线多径传输模型结构,以0.5~20 MHz范围内的实际低压载波通信信道测量数据为样本,将改进粒子群优化算法应用于低压载波通信信道模型的多参数辨识,通过自适应改变惯性权重提高搜索效率,同时采用模拟退火算法并自适应调整退火温度,克服了基本粒子群算法容易发生早熟收敛的缺点。对路径数为4和18的信道模型进行参数辨识的结果表明：与遗传算法相比,改进的粒子群算法可加速收敛,缩短辨识时间,同时提高了拟合精度,克服了参数的分散性,所取路径数越多,拟合效果越好。     

基于四川电能质量监测系统与改进粒子群算法的负荷模型参数辨识方法研究

负荷模型的参数识别决定着总体测辨法的精度。在四川地区电网广域测量系统工程基础上,提出了基于改 进粒子群算法的负荷模型参数辨识方法。改进粒子群算法结合了传统粒子群算法和多曲线差分拟合方法,新方法既 有粒子群算法的全局搜索能力又有多曲线拟合差分方法的局部搜索能力,能够有效地提高收敛速度。通过对模拟电 能质量监测系统所获取的数据仿真,结果表明采用改进粒子群算法可以提高负荷模型辨识精度,并降低模型参数的 辨识时间。     

粒子群优化的SVM算法在气体分析中的应用

提出一种用于电子鼻气体定量分析的基于粒子群参数优化的SVM算法。引入群能量守恒粒子群算法对SVM模型中的参数进行优化,获得最优参数组合,以减小定量分析中的平均相对误差。实验结果表明,引入群能量守恒的粒子群优化算法(SEC-PSO)对SVM回归模型中的参数进行优化,使参数的确定更为合理,与单纯基于SVM的方法相比平均相对误差由原来的2.17%降低到0.35%,所提出的算法有效地提高了拟合的精度,从而进一步提高预测精度。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数.经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法(FAPSO)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测,实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值.     

基于改进PSO调度模型的水电站发电量分析

鉴于以往水库优化调度的求解精度受制于离散的密度的不足，引入可连续域寻优的粒子群算法，建立基于PSO水库优化调度模型，并针对粒子群算法易出现的收敛性差和处理约束问题困难等问题，提出了改进措施，并应用到水电站的发电量分析中。     

改进遗传模拟退火神经网络的双相机标定算法

针对双目相机标定算法中BP神经网络精度低、收敛性差的问题，提出了一种基于改进遗传模拟退火算法的BP神经网络优化方法(improved genetic simulated annealing algorithm-BP,IGSAA-BP)。该方法通过改进遗传模拟退火算法的适应度扩展，交叉、变异概率和退火准则来改善BP神经网络的性能，为BP神经网络提供了最优权值和阈值。将IGSAA-BP神经网络与BP神经网络和TGSAA-BP神经网络两种相机标定算法进行对比，利用其标定的真实值与预测值相差结果得出结论，3种标定方法进行相机标定的平均标定精度分别为0.02、0.71和0.28 mm。结果表明，IGSAA-BP神经网络可以提高双目相机的标定精度，提高全局寻优能力，加快收敛速度。     

梯级水电站优化调度的改进粒子群算法

针对粒子群算法易陷入局部最优的缺点,提出了一种双适应度方法、动态邻域算子和随机动态调整惯性权重机制有机结合的混合改进策略。算例计算表明,该改进策略能增强粒子的局部收敛能力,加快算法的收敛速度,便于处理复杂约束条件,为求解具有复杂约束条件的非线性规划问题提供了一种简单有效的方法。文中探讨了梯级水电站优化调度的相关问题,考虑了丰枯分时电价因素,建立了梯级水电站长期优化调度数学模型,并应用改进粒子群算法进行求解。实际梯级水电站计算表明,该模型使枯水期大部分时间出力均匀平稳,丰水期能兼顾防洪和蓄水的不同要求,有利于电力系统的稳定运行。改进粒子群算法计算速度快、收敛精度高,为梯级水电站长期优化调度提供了一种简单实用的求解方法。     

基于改进PSO与广义五阶CKF算法的PMSM无传感器控制

为提高永磁同步电机无传感器控制效果,针对电机转速估计精度及PI参数优化的问题,提出一种基于改进粒子群优化(PSO)的PI参数与广义五阶容积卡尔曼滤波(CKF)算法的PMSM无传感器控制方法.首先,建立了PMSM的离散数学模型,推导了其转速环传递函数,并以此为适应度函数利用基于柯西变异的改进PSO算法来对转速环PI参数进...     

基于改进 HHO 算法的螺纹钢丝头中径测量方法

针对现阶段基于图像处理进行螺纹中径测量时算法收敛速度慢、精度低的问题,提出一种基于改进哈里斯鹰优化算法的螺纹钢丝头中径测量方法.首先,采用三次样条插值法进行亚像素级的边缘检测,精确提取出螺纹波峰波谷等参数后再构建出中径适应度函数,最后,将螺旋式更新机制和非线性能量递减策略引入哈里斯鹰优化算法(HHO)来求解中径适应度函数.实验结果表明,改进的哈里斯鹰优化算法稳定性更好、精度更高,其中径测量的标准差比传统HHO算法降低了59.33％,中径测量结果的绝对均值误差比三针测量法降低了5.08％,比HHO算法降低37.78％.     

基于改进粒子群算法的开关磁阻电机本体优化

针对开关磁阻电机多变量、高非线性以及传统设计过程无法快速而准确获得最优方案的问题,提出一种基于Kriging模型和改进粒子群算法的参数优化策略。首先建立多目标优化模型,采用田口正交方法进行敏感性分析,依据灵敏度大小将优化变量分为两个子空间;其次为提高多目标粒子群算法的收敛速度和全局寻优精度,引入天牛须搜索算法中环境感应机制和遗传算法中交叉变异策略;最后建立Kriging模型,利用改进粒子群算法对两个子空间参数进行迭代寻优。实验结果表明,优化后的转矩脉动减少23%,平均转矩提高2.3%,在大幅度减少转矩脉动情况下保持了较大平均转矩。结论是改进的粒子群算法与Kriging模型相结合策略适用于开关磁阻电机优化过程,可显著提高优化效率,保证求解精度。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。首先,针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,然后,在蚁群算法改进粒子群算法(GPSO)中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。本文采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN方法提高了2.3626%。     

基于自适应粒子群优化算法的机组组合

机组组合是一个大规模、非线性混合整数优化问题,求解比较困难,为了提高粒子群算法的全局和局部搜索能力,提出一种惯性权值自适应调整的粒子群算法.该算法按照适应度的大小将粒子群分成两个子群,然后根据适应度的进化速度和进化停滞系数动态调整惯性权值.通过对典型函数的测试以及10台机组24小时的优化调度,计算结果表明该方法收敛精度较高.