基于ACO-PSO算法的变电站巡检机器人路径规划研究

针对机器人路径规划的传统ACO(蚁群)算法存在迭代次数多、收敛速度慢、容易陷入局部最优和出现死锁状态等问题,提出一种改进的ACO算法。结合PSO(粒子群优化)算法对传统ACO算法进行改进,减少迭代次数,提高收敛速度;通过增加随机性来扩大搜索范围,避免局部最优;利用蚂蚁回退策略解决死锁状态问题。仿真实验结果表明:改进ACO算法可以快速准确地搜索到最优路径,具有很好的寻优与避障能力。     

基于IACO-ABC算法的变电站巡检机器人路径规划

目前,变电站智能巡检机器人的路径规划中,各种智能算法如ACO(蚁群优化)、 ABC(人工蜂群)等应用较为广泛,但传统ACO算法存在容易陷入局部最优值、收敛速度较慢等问题。为此,在对传统ACO算法进行改进的基础上,结合ABC算法的优势,提出IACO-ABC(改进蚁群-蜂群融合)算法,将其应用到变电站巡检机器人路径规划中,以提高路径规划算法的鲁棒性,并解决算法陷入局部最优的问题。采用栅格法建立工作环境进行仿真,结果表明采用该算法能够有效解决上述问题,在复杂环境下的规划能力和鲁棒性能较好,并提高了路径质量以及算法效率。     

一种低压电力线载波通信路由方法

低压电力线载波通信信道常常表现出噪声干扰强、信号衰减大、时变性强,直接影响电力线载波通信的范围,降低电力线载波通信的可靠性.文中通过分析低压电力线网络拓扑结构,提出了一种基于Q学习和改进蚁群系统融合的电力线载波通信路由方法.首先采用Q学习算法对电力线网络进行全局搜索得到各路径上信息素初始值;然后利用蚁群算法正反馈收敛机制以及改进后自适应调整搜索策略得到最优路由.将文中算法与两种蚂蚁系统算法进行仿真对比,结果表明,文中算法能更快地建立起网络中主节点到各从节点的路由,并能根据通信信道的变化动态的维护路由,具有很强的抗毁性和自愈性,提高了低压电力线载波通信的可靠性.     

基于IGA-BP神经网络的锂电池健康状态估算

针对锂离子电池健康状态(SOH)估算精度低、传统遗传算法(GA)易陷入局部最优、收敛速度慢的问题,为提高锂电池健康状态的估算精度,提出了交叉概率和变异概率自适应的调整策略对传统GA进行改进,在改进遗传算法(IGA)的作用下,使优良个体仍保持较好的进化能力,算法初期搜索范围、后期局部搜索能力以及收敛速度也得到加强。提取间接健康因子,再用改进的遗传算法对BP神经网络的初始参数寻优得到IGA-BP神经网络模型,基于NASA锂电池数据集分别用GA-BP与IGA-BP神经网络算法对SOH进行估算。结果表明:IGA-BP神经网络算法估算精度更高,且具备快速收敛的优势,平均绝对百分比误差和均方根误差分别下降了0.422%和0.412,拟合程度提高了8.1%。     

改进变步长蚁群算法的移动机器人路径规划

针对移动机器人在蚁群算法路径规划中存在陷入局部收敛且无法做到路径最优的问题,提出了改进变步长蚁群算法, 使其能够在收敛迭代次数较少的情况下做到路径最优。 针对蚁群算法应用在路径规划中的相关特性,优化信息素分配,降低局 部信息素含量对算法的影响,避免蚁群在搜索路径时陷入局部最优,在转移概率公式中增加权重因子,提高移动机器人朝着终 点方向移动的概率,有效减少蚁群收敛迭代次数,改变移动机器人移动步长,使其能在 360°内自由无碰撞移动,有效缩短路径 长度。 仿真结果表明,在简单环境下,改进变步长蚁群算法的收敛迭代次数及最优路径长度分别为 2 次及 28. 042 m,传统蚁群 算法的收敛迭代次数及最优路径长度分别为 25 次及 29. 213 m;在复杂环境下,改进变步长蚁群算法的收敛迭代次数及最优路 径长度分别为 2 次及 43. 960 2 m,改进势场蚁群算法的收敛迭代次数及最优路径长度分别为 16 次及 45. 112 7 m。 仿真结果验 证了改进变步长蚁群算法的有效性和优越性。     

基于杂交退火灰狼算法的移动机器人路径规划

针对灰狼优化算法在移动机器人路径规划时易陷入局部最优且效率低的问题，提出一种杂交退火灰狼算法。采用可调节的非线性收敛因子进行平衡算法的前期搜索和后期寻优；同时采用自适应遗传杂交策略，对灰狼群体以一定概率两两杂交以产生新个体，从而有效增强灰狼群体的多样性；在迭代的后期用模拟退火操作接受候选狼，避免算法陷入局部最优解。将路径长度和路径平滑度作为适应度评估指标并建立评估函数以评估路径规划效果。最后，路径规划实验结果表明，在3种不同尺寸的地图上，本文改进算法的适应度比灰狼优化算法分别优化了2.10、3.15、3.94,路径规划效果明显优于其他相关算法。     

改进遗传算法和神经网络在电能质量扰动识别中的应用

提出了一种改进遗传算法(IGA).该算法采取了有效的选择和交叉策略,设计了自适应变化的交叉概率和变异概率,以及随进化代数自适应变化的移民算法.该改进遗传算法稳定性和收敛性能较好,将其应用到基于BP网络的电能质量扰动识别中,提高了识别的稳定性和收敛性能,并使基于BP网络的电能质量扰动识别系统更具实用性.文中最后通过仿真计算验证了本文方法的性能.     

基于 ACO 优化 BP 神经网络的变压器热点温度预测

针对变压器热点温度预测精度问题,提出一种蚁群算法( ant colony algorithm,ACO)结合改进主成分分析法( improved principal component analysis,IPCA)优化 BP 神经网络的热点温度预测模型。 首先采用 IPCA 去除数据冗余信息,并解决参数间 相关性问题,提高网络泛化能力。 为了避免 BP 神经网络容易陷入局部最优和收敛速度慢,利用 ACO 优化网络权值和与阈值, 加快算法速率,提高预测精度。 通过变压器温度实测数据验证,预测结果中的 mae、mse、mape 指标分别为 0. 065 7、0. 006 7、 0. 44%,预测精度和网络性能优于 IEEE、BP、IPCA-BP 模型,从而验证所提模型的有效性和可行性。     

一类连续状态与动作空间下的加权Q学习

针对连续状态与动作空间下的控制问题,提出了一类连续状态与动作空间下的加权Q学习算法,应用改进的增长神经气算法动态构建径向基网络的隐合层,实现状态空间的自适应构建。在基于径向基网络实现的标准Q学习基础上,利用加权Q学习算法用以解决具有连续动作输出的控制问题。仿真实例验证了所提算法的有效性。     

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Q网络的磁悬浮自学习控制系统设计

针对现有磁悬浮控制系统设计方法依赖动力学模型的问题,利用Q网络强化学习方法,在不依赖系统模型的条件下,训练得到基于Q网络的自学习控制器;基于系统运动方向设计奖励函数,提高了强化学习训练的收敛速度;提出了基于系统加权平均状态(weighted average states,WAS)的训练算法,自适应调节每回合的训练步数,以提高控制网络的有效控制范围.数值仿真结果表明,基于WAS算法的Q网络自学习控制器能够实现磁悬浮系统的稳定控制,对比普通的强化学习算法,能够实现系统更大范围的稳定控制.     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群算法搜索全局最优解的能力与收敛到最优解的速度.将改进后的算法应用于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

基于自适应遗传退火算法的配电网故障定位研究

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出了一种混合遗传算法(自适应遗传退火算法)用于解决辐射状配电网故障定位问题。该算法采用轮盘赌和最优保存策略相结合的选择机制,使得当前最优个体始终保持在种群里,并结合自适应交叉、变异概率,扩大种群的搜索范围,继而引入模拟退火算法,加快迭代后期算法的收敛速度。最后,通过对IEEE-33节点配电系统进行仿真计算,结果表明,该算法能够对单点和多点故障进行实时、准确地定位,并在故障信息畸变的情况下,也能快速地得到准确结果。     

云计算多目标任务调度的优化粒子群算法研究

针对传统粒子群算法求解云计算多目标任务调度的收敛速度慢、精度低的缺陷,提出一种优化多目标任务调度粒子群 算法(MOTS-PSO)。 首先,引入非线性自适应惯性权重,改变粒子的寻优能力,避免算法陷入局部最优;其次引入花朵授粉算法 概率更新机制,平衡粒子的全局搜索和局部寻优,并对粒子的全局搜索位置更新公式进行改进;最后引入萤火虫算法,产生“精 英解”对局部搜索位置更新公式进行改进;同时利用“精英解”对粒子的位置进行扰动,跳出局部最优状态。 实验表明,MOTS-PSO 算法在收敛速度和收敛精度上,比 PSO 算法提高了 27. 1%、19. 9%,比 FA 算法提高了 22. 09%、5. 2%。 进一步实验表明, MOTS-PSO 算法在解决不同规模数量的任务调度时,比 PSO、FA 算法效果更优。     

梯级水库深度强化学习长期随机优化调度研究

梯级水库调度相较于单库调度状态空间呈指数级增大,为解决基于表格的强化学习方法在解决梯级水库长期随机优化调度问题时面临的维数灾问题,提出采用深度强化学习中的深度Q网络算法求解。首先基于Copula函数分析梯级水库随机入库径流的联合分布函数;再根据时序差分思想分别建立目标神经网络和主神经网络,分别逼近当前和下一状态对应的动作状态价值,并采用ε-贪婪探索利用策略获取最优调度策略;最后将主要参数分步调优保障调度效益。算例对比表明,深度Q网络算法相较于Q学习算法及其改进算法提升了优化调度目标值,加快收敛速度,有效解决了梯级水库随机优化调度中的维数灾问题。     

基于平均报酬模型全过程R(λ)学习的互联电网CPS最优控制

提出了一种新颖的基于平均报酬模型的全过程R(λ)学习互联电力系统CPS最优控制方法。该方法与电网自动发电控制(AGC)追求较高的考核时间段内的10min平均控制性能标准(CPS)指标合格率的目标相吻合,且所提出的基于平均报酬模型的R(λ)学习算法与基于折扣报酬模型的Q(λ)学习算法相比,在线学习收敛速度更快,可获得更佳的CPS指标。此外,所提出的改进的R(λ)控制器具有全过程在线学习的特点,其预学习过程被一种新型的在线"模仿学习"所代替,克服了以往强化学习控制需要另外搭建仿真模型来进行预学习收敛的严重缺陷,提高了R(λ)控制器的学习效率及其在实际电力系统中的应用性。     

复杂环境下的改进RRT算法路径规划

针对快速扩展随机树算法(rapidly-exploring trees, RRT)在一些复杂环境中存在搜索效率低、收敛速度慢、生成的路径冗余节点多等问题,提出一种改进的RRT算法。首先引入自适应目标概率策略,实时调整对目标点的采样概率;其次引入节点转向策略,提高单次采样的成功率;最后对生成的路径进行冗余节点裁剪,使路径更符合实际应用需求。在MATLAB中进行仿真实验,并与RRT算法、RRTGoalBias算法进行对比。实验结果表明,改进算法在多种不同环境下具有较好的适应性,在寻路时间、采样次数和采样成功率3个方面均有较大提升,最终平均路径长路降低了21.1%,平均节点数降低了75.3%,证明了改进算法的优越性和实用性。     

改进蚁群算法求解移动机器人路径规划

在全局静态环境下,提出一种改进蚁群算法,解决传统蚁群算法用于路径规划出现的收敛速性差、局部最优和求解质量差等不足。该算法引入障碍物排斥权重和新的启发因子到路径选择概率中,提高避障能力,增加路径选择的多样性;然后,设置局部信息素的阈值和限定范围更新局部信息素,采用交叉操作获取新路径,引入最优解和最差解,改变全局信息素的更新方式,提高全局搜索能力和解的质量,避免算法陷入局部最优。仿真结果表明,该算法能有效获得最优路径,在长度上比蚁群算法及其他算法分别减少了18%、5.7%和11%,算法迭代次数及运行时间都有所降低,提高了收敛速度和搜索能力。     

基于NACS-PSO算法的光伏系统 MPPT控制研究

对于局部遮阴下的光伏阵列,传统的最大功率点跟踪算法收敛速度慢、精度差、功率波动大且容易陷入局部最优。为此,提出一种基于新型自适应布谷鸟算法与粒子群算法相结合的复合算法。该方法在布谷鸟算法中引入自适应发现概率和自适应莱维飞行步长控制因子,同时加入对立种群策略,以提高算法收敛速度和全局寻优能力。在算法前期,用粒子群算法全局搜索快速找到全局最大功率点附近,后期用新型自适应布谷鸟算法在局部范围内精准寻优,以快速、准确和稳定地跟踪到全局最大功率点。仿真结果表明,本文提出的算法在四种光照模式下的收敛时间和跟踪误差分别为0.106 s和0.012%、0.108 s和0.034%、0.110 s和0.059%、0.106 s和0.031%,均优于其他算法,验证了本文算法在六种对比算法中,收敛速度最快、跟踪精度最高、功率波动最小、陷入局部最优的可能性最小。