基于烟花优化粒子群的室内定位算法研究

针对测距式射频识别室内定位算法定位误差较大的问题,提出了一种基于烟花优化粒子群的室内定位算法。该算法分为测距和定位两个阶段,在测距阶段使用到达相位差进行测距并构建待优化的目标函数。在定位阶段对粒子群优化算法进行改进。为了改进粒子群优化算法在迭代过程中容易落入局部极值的问题,引入了烟花优化算法的爆炸、变异、选择操作,并对选择规则进行改进;算法还根据烟花爆炸算子和变异算子对粒子群算法的速度更新公式进行改进。实验结果表明,该算法能够有效实现对目标的定位,定位平均误差为0.2773m,与基于标准粒子群优化算法的室内定位算法相比具有39.61%的性能提升。     

基于改进粒子群算法的空间配准

在利用多传感器观测值进行空间配准时.系统误差模型难以构建、目标运动模型确定困难.针对此问题,从误差配准的基本原则出发,构造了目标函数,进而将配准问题转化为与系统误差模型无关的非线性优化问题,提出了基于异步学习因子的粒子群算法,对该优化问题进行求解.该粒子群算法简单,易于实现,收敛速度较快.最后通过仿真验证了该算法的有效性和可行性.     

考虑配电网分布式零序电流关系的单相接地故障定位

配电网单相接地时故障特征弱,难以用传统的行波测距或阻抗法进行精确定位。基于配电线路的分布参数模型,充分考虑单相接地故障稳定后的分布式量测信号关系,分析零序电流、线路参数与故障位置的内在联系。依据故障点前、后的故障电流信息构造故障定位函数,并利用多测点、多时刻的量测数据,构造故障定位矩阵。将求解故障定位矩阵转化成求解与之相对应的非线性方程组的最小二乘解,使用混沌粒子群算法在故障区段内搜索故障点,实现故障精确定位。在PSCAD/EMTDC中搭建典型10 kV城市配电网模型并模拟单相接地故障,测距结果表明了方法的有效性和可靠性。     

双端不同步线路参数自适应时频域故障测距算法

故障测距时域法所需时间窗短,能弥补频域法的不足,但考虑线路参数不确定及双端不同步影响时,其精度和稳定性偏低。利用故障前正常状态的稳态工频相量,建立含双端不同步时间差和线路工频参数的自适应观测方程,利用粒子群优化 — 最小二乘混合算法求解;建立Bergeron模型的故障测距时域观测方程,应用粒子群优化算法求解,实现双端数据不同步及参数自适应的时频域故障测距。通过建立1 000 kV特高压输电系统模型进行全面仿真验证,结果表明,所提出的故障测距方案能在较短时间窗内实现准确故障测距,且不受线路参数变化及两端数据不同步的影响。     

基于粒子群-最小二乘混合算法的参数自适应故障测距方法

对于双端故障测距频域法,为了消除线路参数不确定性和双端数据不同步的影响,必须建立多维非线性故障测距观测方程进行求解,其求解方法的有效性将决定测距结果的成败,而目前采用的方法均存在着局限性。为此,利用粒子群优化算法的全局搜索能力与最小二乘迭代算法的快速精确收敛能力,提出一种基于粒子群—最小二乘混合算法的参数自适应故障测距方法。为了提高实用性,还针对前置低通滤波器和具有并联电抗器的输电线路等问题进行了研究。以1 000 kV特高压输电线路故障测距为例,进行全面仿真验证,证明了测距方案的正确性。     

基于粒子群-最小二乘混合算法的参数自适应故障测距方法

对于双端故障测距频域法,为了消除线路参数不确定性和双端数据不同步的影响,必须建立多维非线性故障测距观测方程进行求解,其求解方法的有效性将决定测距结果的成败,而目前采用的方法均存在着局限性.为此,利用粒子群优化算法的全局搜索能力与最小二乘迭代算法的快速精确收敛能力,提出一种基于粒子群一最小二乘混合算法的参数自适应故障测距方法.为了提高实用性,还针对前置低通滤波器和具有并联电抗器的输电线路等问题进行了研究.以1 000 kV特高压输电线路故障测距为例,进行全面仿真验证,证明了测距方案的正确性.     

基于粒子群修正策略的机组组合解耦算法

机组组合问题是电力系统优化运行的一个难点,理论上难以得到最优解。提出了一种基于粒子群修正策略的解耦算法。首先采用集结投影次梯度的拉格朗日松弛算法得到机组组合的对偶解;然后依据对偶信息中的备用乘子及对偶组合状态建立粒子群优化空间;而后利用无约束的标准粒子群优化算法实现拉格朗日乘子的局部更新,通过粒子的调整和粒子间信息的传递改变机组启停,进而修正拉格朗日对偶解,最终得到机组组合问题的近似最优解。6个系统的仿真计算验证了该方法的求解速度及计算精度。     

基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法

针对噪声环境下,基于标准容积卡尔曼滤波的LANDMARC室内定位算法因噪声特性估计不准,引起滤波性能下降而导致定位误差较大的问题,提出一种基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法。该算法首先建立基于LANDMARC定位框架下的运动目标动态模型,然后引入量子粒子群优化技术对容积卡尔曼滤波中时间更新过程的状态预测值进行优化,以降低因畸变噪声引起的误差;最后将改进的容积卡尔曼滤波算法应用到运动目标状态估计中。实验结果表明,所提算法定位误差均值为0.175 m,与相同环境下传统的LANDMARC算法、基于容积卡尔曼滤波的LANDMARC算法以及基于粒子群优化容积卡尔曼滤波的LANDMARC算法相比,定位精度和稳定性均有明显提高,且运算时间比基于粒子群优化的算法少,应用在室内定位中能够得到较为真实的目标移动轨迹。     

基于二进制粒子群的充电桩故障定位系统配置与定位方法

电动汽车充电桩网络作为泛在电力物联网的重要组成部分,其电能采集终端配置和故障定位问题已成为一项重要课题.文中提出了一种基于整数线性规划的充电桩网络电能采集终端优化配置模型和故障定位模型.所建立的配置模型以配置成本最低为目标函数,通过规划采集终端的接入位置保证系统各节点电压和各支路电流的可测性;故障定位模型能够针对系统故障时的扰动功率准确定位到故障发生支路.采用二进制粒子群算法对所建立的模型进行求解.仿真结果表明,所建立的模型能够在满足系统故障检测和定位的前提下提升经济性,二进制粒子群算法相比于基本粒子群算法,对所建立的模型求解性能更优.     

基于参数识别的非对称故障双端不同步测距方法

为消除线路双端数据不同步与线路参数不确定性所产生的测距误差,提出了一种基于参数识别的非对称故障双端不同步测距方法。该方法通过等值序网分析消除数据不同步角的影响,进而建立以线路参数和故障距离为待识别参数的故障测距方程组,并应用蛙跳粒子群算法对其进行求解从而确定故障位置。仿真分析与实际线路故障分析的计算结果均表明:所提方法原理上不存在伪根问题,无需线路参数参与计算,仅应用故障后数据即可在双端数据不同步的情况下准确定位故障位置,具有很高的测距精度与可靠性。研究结果可为输电线路的故障定位提供重要依据。     

基于文化双量子粒子群优化的RFID 3D-LANDMARC定位算法

射频识别技术(RFID)三维定位是目前室内定位的主要技术,现有的RFID三维定位主要基于LANDMARC定位算法。针对传统的LANDMARC定位算法存在定位精度低、自适应性差的问题,提出一种基于文化双量子粒子群(CDQPSO)优化的RFID 3D-LANDMARC定位算法。该算法首先使用BP神经网络在数据拟合方面的优势对采集信号进行预处理,研究无线信号传输损耗模型,以提升LANDMARC算法的定位精度;然后引入CDQPSO算法在全局搜索与寻优方面的技术优势,求解模型,解决LANDMARC定位算法的自适应问题。实验研究表明,所提算法定位误差在0.56 m以下的标签达到75%,与基本LANDMARC算法和粒子群优化LANDMARC算法相比,定位精度和适应性均得到显著提高,而且能克服粒子群算法收敛速度慢的缺点。     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.     

基于智能空间的变电站机器人复合全局定位系统设计

变电站机器人对于坚强智能电网的建设具有重要意义,针对室外大范围环境下巡检机器人在没有任何初始位姿先验知识情况下通过传感器观测全局定位的问题,结合智能空间技术,本文提出了一种智能空间下基于ZigBee指纹定位与改进粒子滤波的复合全局定位系统。该方法首先利用变电站环境下已有的无线网络,通过UPnP技术将机器人接入智能空间,在智能空间中采用BP神经网络进行ZigBee指纹初步定位,然后在初定位基础上利用粒子群优化的粒子滤波算法完成精确定位。实验结果表明,本文设计的算法实现了变电站机器人与智能空间的零配置与松耦合,可有效提高初始全局定位精度并改善算法性能,缩短迭代时间。     

基于免疫离散粒子群算法的主动配电网PMU测量位置优化

主动配电网的状态估计是配电管理系统必不可少的组成要素,其估计结果的准确性受量测位置的影响较大。为了提高系统状态估计的精度,优化实时数据库,本文结合一种基于并行置信传播算法的状态估计方法,建立了以主动配电网状态估计误差最小为目标的PMU量测位置优化模型,同时提出了利用优化粒子初始位置的改进免疫离散粒子群算法进行模型求解。最后通过算例仿真,得到了量测装置的优化配置方案,且在该方案下,状态估计的精度明显提高。     

一种多样本信息的局部放电源逐次逼近定位方法

时延估计是利用时间差方法对局部放电(PD)源准确定位的关键,然而在测量时延时不可避免地产生误差,从而导致因时延获取准确度不高而带来定位误差大的问题。因此,为了降低时间差定位法中对准确获取时延的依赖性,提出一种基于多样本寻优PD源的逐次逼近定位方法。采用逐次逼近式粒子群搜索原理,对传统定位方法得到的单样本初值与传感器阵列所建立的寻优目标函数进行递归逼近处理,最终确定最优PD源位置。通过对实验室实测PD信号逐次逼近寻优定位,表明提出的逐次逼近定位方法可有效地解决因时间差测量不准确而引起的定位结果较差的难题,结果较传统时间差定位方法具有更高的准确度,验证了所提方法的正确性与有效性。     

粒子群优化极限学习机的短路电流预测技术

针对传统极限学习机预测模型精度低和稳定性能差的问题,提出了一种利用粒子群算法优化极限学习机的短路电流峰值预测模型.建立超高压输电线路仿真模型,分析短路故障波形特点,获取全相角短路故障电流历史数据,利用平均相对误差、均方根误差、灰色绝对关联度三种精度检验法作为粒子群算法的适应度函数,构建粒子群算法与极限学习机算法相结合的...     

基于粒子群优化的鲁棒Minimax估计

针对未知但有界噪声干扰下的动态系统提出一种基于粒子群优化的鲁棒minimax估计方法.方法的基本思想是将鲁棒minimax估计问题转化为参数空间上的优化问题,然后采用一种改进粒子群优化算法获得模型参数的最优估计.仿真结果显示该方法可以在估计模型参数的同时准确估计误差界的大小.     

基于粒子群优化粒子滤波算法的 SOC 估算研究

准确的获得电池的荷电状态(SOC)有助于缓解汽车行驶过程中的里程焦虑。针对粒子滤波估算SOC中存在的粒子退化的问题,将粒子群算法与粒子滤波融合的改进粒子滤波算法(GPSO-PF)算法应用于SOC的估计。在迭代中不断优化粒子所处位置,从而解决了粒子贫化的问题,提高了SOC的估算精度。同时,针对SOC估算容易受到温度的影响,建立基于温度的等效电路模型,并将其应用于提出的SOC估算算法中。选取两节相同型号的磷酸铁锂电池,分别在不同工况下利用GPSO-PF算法估算SOC值,SOC的最大估算误差均低于0.72%。通过对比,与基于温度等效电路模型相结合后,GPSO-PF算法能够有效提高SOC的估算精度。     

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。