基于粗糙集的高速公路交通流神经网络模型

利用粗糙集能够处理模糊、不确定知识和神经网络对非线性函数具有任意逼近能力的优点,提出一种粗糙集和RBF网络集成的动态系统建模算法。并利用这种方法建立具有复杂动态特性和不确定性的高速公路宏观交通流动态模型,仿真结果表明了该方法的有效性。     

四相无刷直流电动机系统建模与仿真

对四相无刷直流电机结构和工作原理进行了分析,推导出了四相无刷直流电机的数学模型.利用此数学模型并借助Matlab仿真软件,建立了四相无刷直流电机的仿真模型,仿真结果验证了该建模方法的有效性和该模型的准确性.分析了参数变化对转速的影响,为四相无刷电机控制系统的设计和调试奠定了基础.     

基于改进灰狼优化算法的多区域频率协同控制

微分博弈理论可以解决多区域互联电力系统中频率的协调问题,但对于带非线性约束的微分博弈问题,传统算法难以求解。针对该问题,基于微分博弈理论,建立了多区域频率协同控制模型,考虑了电力系统中常见的非线性约束,并提出了一种基于改进灰狼优化算法的协同进化算法,用于求解该模型的反馈纳什均衡解,从而得到各区域二次调频的协同控制策略。通过仿真验证了所提方法的可行性,并与协同进化遗传算法和协同进化灰狼优化算法进行了对比,结果表明该方法的控制效果更佳。同时,所提方法对系统的功率扰动变化具有稳定的动态响应性能,对机组参数变化具有良好的鲁棒性。     

差分进化改进微电网负荷频率混合H2/H∞鲁棒控制

针对外部扰动及系统参数摄动引起微电网负荷频率波动问题,设计了混合H2/H∞鲁棒控制器对系统负荷频率进行控制。建立了包含电池的柴油发电机组二次频率控制模型,引入低通滤波器,使电池对系统高频扰动信号具有较好的抑制能力。以误差平方的积分最小作为系统的目标函数,在综合H2范数表征的系统性能和H∞范数表征的鲁棒性能下,设计具有多目标约束条件的混合H2/H∞鲁棒控制器。采用差分进化算法对控制器加权函数参数进行寻优,使控制器在满足约束条件下达到最优。仿真实验结果表明所提出方法在满足系统鲁棒性能的基础上,同时具备较好的控制输出,保证微电网频率在外部功率扰动和系统参数摄动情况下具有较好的动态性能。     

基于动态自适应策略的改进差分进化算法

针对差分进化算法处理复杂优化问题时存在后期收敛速度变慢、收敛精度不高和参数设置困难的问题,提出了一种基于动态自适应策略的改进差分进化算法(dn-DADE)。首先,新的变异策略DE/current-to-dnbest/1利用当前种群中的精英解引导有效的搜索方向来动态调整可选的精英解,使其在进化后期趋于全局最优解。其次,分别设计了缩放因子和交叉因子的自适应更新策略,使两者在搜索的不同阶段自适应变化,以弥补差分进化算法对参数敏感的不足,进一步提高算法的稳定性和鲁棒性。对14个benchmark函数进行了测试并与多种先进DE改进算法进行了比较,结果显示,dn-DADE算法具有较高的求解精度,收敛速度快,寻优性能显著。     

一种基于改进PSO的船舶能量管理控制策略

为了克服船舶运行过程中负载的频繁变化而导致船舶电力系统波动剧烈、柴油发电机的燃油利用率降低、经济性差、环境污染等不利因素的影响,引入储能单元(锂电池),由柴油同步发电机和锂电池组成混合动力船舶电力系统,在混合动力能量管理系统中采用改进粒子群优化算法(PSO),提出一种基于改进PSO的动态矩阵控制(DMC)策略,并在Ma...     

基于多目标邻域差分进化和模糊粗糙集的属性约简算法

作为粗糙集的一种推广,模糊粗糙集在属性约简中的应用尤为重要.约简规模和约简依赖度作为评判约简性能的两个重要指标,分别对应着约简的效率以及精度.传统的约简算法通常以追求约简的最大依赖度为导向进行寻优,并没有直接考虑约简的规模大小.基于此,强调所得约简的规模大小在约简运算中的重要性,并提出一种基于邻域变异信息的多目标差分算法,在约简运算中将约简的规模也作为单独的优化目标,将属性约简问题转化为多目标优化问题,综合考虑约简在属性数量和依赖度两方面的性能.通过引入目标支配排序,使得可以从属性数量和依赖度误差两方面对所得约简的性能进行约束,并得到目标约束内的约简结果.选取UCI上的数据集进行实验分析,实验结果表明,所提算法可以在目标约束内得到更加全面的约简结果,具有一定的可行性,是一种有效的约简算法.     

模糊神经网络和遗传算法结合的船舶火灾探测

本文提出了一种模糊推理系统、神经网络和遗传霜结合的船舶火灾探测算法。该方法用神经网络来构造模糊推理系统,通过遗传算法对神经网络进行训练来实现船舶火灾的分级报警。仿真结果表明了算法的有效性。     

基于多粒度NRS和改进Bi-LSTM的电力系统暂态稳定评估

当前基于数据驱动的深度学习算法在电力系统暂态分析领域被广泛应用,但是实际中电力系统测得的数据样本中暂态失稳的情况较少并且对失稳样本的重视不足,导致分类模型的抗干扰性、泛化能力较弱,影响整个模型的评估性能。针对此问题,提出一种基于多粒度邻域粗糙集和改进双向长短期记忆网络(IM-Bi-LSTM)的电力系统暂态稳定评估方法。首先采用邻域粗糙集在不同粒度级别下寻找最优的约简子集,再利用Bi-LSTM神经网络完成对特征子集进行时序信息的提取,并且在模型中引入注意力机制,对与失稳样本相关的特征增加更多的权重;通过焦点损失函数,引入权重系数调整模型训练的倾向性,解决失稳样本与暂态稳定样本间的不平衡问题,提高模型的评估性能。在IEEE10机39节点系统上的试验结果表明,相较于其他算法,所提方法的分类精度更好、结果更稳定。     

求解约束优化问题的人工鱼群算法

在利用人工鱼群算法求解约束问题时,处理好约束条件是取得好的优化效果的关键。引入了半可行域的概念,并结合人工鱼群算法(ArtificialFish-SwarmAlgorithm,AFSA)本身的特点,设计了基于竞争选择和惩罚函数的适应度函数,从而得到了一个利用ASFA算法求解约束优化问题的新的进化算法。实验证明了算法的有效性。