基于改进萤火虫算法的分布式电源优化配置研究

分布式电源(DG)的位置和容量优化配置可确保其发挥更好的技术经济效用。本文在分析DG特性的基础上,建立了考虑含分布式电源的有功网损费用最小和投资成本最小模型;鉴于传统萤火虫算法具有容易早熟、收敛速度慢、过度依赖控制参数的缺陷,将混沌搜索策略融入到萤火虫算法,提出了一种改进型多目标萤火虫算法;为克服算法对控制参数依赖性较强缺陷,利用混沌理论的随机性、遍历性及其规律性特性,对萤火虫算法的参数进行调整。最后,以PG&E69节点配电网为例,采用Matlab仿真软件验证本文所提算法在求解DG优化配置问题上的有效性,及其与粒子群算法、常规萤火虫算法相比所具有的更好的寻优精度和优化结果。     

集成自适应变异混沌松鼠搜索和 LSTM 算法的RUL 预测方法及应用

针对松鼠搜索算法(SSA)优化长短期记忆人工神经网络(LSTM)时,存在优化参数易陷入局部最优以及LSTM预测效率下降的问题,提出一种自适应变异混沌松鼠搜索算法(AMCSSA)优化LSTM学习率及其下降因子的预测模型。通过计算AMCSSA的时间复杂度证明其在未增加算法复杂度的前提下提高寻优效率,AMCSSA采用切比雪夫混沌映射生成混沌初始种群,并将捕食者概率改为非线性递减模式,利用位置贪婪选择策略使其在算法迭代过程中不断更新并保留更优个体,引入自适应T变异策略提高SSA在搜索空间中的勘探能力。通过AMCSSA对LSTM的学习率及其下降因子进行参数寻优,进一步提高LSTM的预测能力。对滚动轴承的剩余使用寿命(RUL)进行实验验证,结果表明所提方法相较于传统SSA、粒子群算法(PSO)、蝙蝠算法(BAT)以及萤火虫算法(FA)优化LSTM后,在预测中的精度分别提高了1.05%、7.61%、8.4%以及7.73%,并且使优化后的LSTM在完成收敛所需要的迭代次数减少,从而提高预测效率。     

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。     

低碳调度下机组组合问题的混沌遗传混合优化方法

提出了一种求解低碳调度下机组组合问题的混沌遗传混合优化方法。采用控制基因与参数基因编码方式对机组发电计划进行编码,通过结合电碳特征优先次序、混沌映射和随机生成3种方法提高初始种群多样性;将混沌迭代搜索引入到遗传算法的进化过程之中,构造新的变异算子,改进遗传算法过早收敛的缺点,并且在变异过程中进行按电碳特征优先权确定的区间偏移,达到了加快算法收敛速度的目的。通过算例验证了混沌遗传混合优化方法具有较好的收敛特性和全局搜索能力。     

基于FA-BP神经网络的锂离子电池SOH估算

采用萤火虫算法(FA)优化BP神经网络对锂离子电池进行健康状态(SOH)估算,利用FA算法全局寻优的能力和收敛速度快的特点,优化BP神经网络的权值和阈值,解决BP神经网络容易陷入局部最小值和收敛速度慢的问题.对单体磷酸铁锂正极锂离子电池进行充放电实验,选用一阶RC电路模型,利用递推最小二乘法在线辨识模型参数,将电池的欧姆内阻、极化内阻和极化电容作为模型的输入参数.与BP神经网络算法相比,FA-BP神经网络优化算法估算SOH的误差波动范围减小2.50％,最大误差减少3.00％,平均误差减小1.68％,且具备良好的收敛性.     

配电网供电恢复的混沌免疫算法

为在配电网供电恢复的方案计算中提高获得最优解的概率并加快算法的收敛速度,分析混沌优化算法和免疫算法原理的基础上,提出了一种混沌免疫算法。该算法融合了混沌优化算法的全局搜索和人工免疫算法的局域搜索能力的特点,在优化过程中采用人工免疫算法代替混沌优化算法中的"细搜索",同时用混沌优化算法中的"粗搜索"来初始化免疫算法中的初始抗体。实例分析表明,该算法具有较快的收敛速度和较强的全局搜索能力,避免了不成熟收敛,有效地提高了供电恢复的速度和精度。     

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。     

多样性引导的改进量子粒子群优化算法及其在干式空心电抗器优化设计中的应用

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法在求解复杂问题时的早熟收敛现象,提出了多样性引导的改进量子粒子群优化(diversity-guided modified QPSO,DGMQPSO)算法。该算法对基于混合概率分布的QPSO算法进行了扩展,利用群体多样性信息来引导粒子的搜索,即当群体的多样性小于下限值时,对全局最优粒子的位置进行混沌变异,从而提高群体的多样性,增强算法跳出局部最优解的能力;另外,还分析了采用不同混沌随机序列变异对优化设计结果的影响。对50 kvar干式空心电抗器的优化设计表明,DGMQPSO算法具有较强的全局搜索能力、较好的稳定性和良好的优化效果。     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(support vector machine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。     

基于CNGWO-LSSVM的汽轮机热耗率预测模型

为了准确计算汽轮机热耗率,提出一种改进灰狼优化算法优化最小二乘支持向量机（LSSVM）的热耗率软测量方法。首先针对灰狼算法收敛精度低的缺点提出一种混沌非线性灰狼优化算法（CNGWO）,通过Kent混沌搜索策略和非线性动态递减权值策略来改善灰狼优化算法的性能。然后利用CNGWO算法预先选择LSSVM模型参数,并建立CNGWO-LSSVM的软测量模型。以某600 MW超临界汽轮机组实时运行数据仿真实验,对具有复杂非线性的热耗率变量进行预测,预测结果表明,经过CNGWO算法优化的LSSVM模型取得了较好的预测效果,为汽轮机热耗率的精确计算提供了一种有效方法。     

基于改进萤火虫算法的含DG配电网重构方法

为了更好地解决含DG的配电网重构问题,建立了以系统损耗、负荷均衡、电压偏差为目标的重构模型,并利用改进萤火虫算法进行寻优计算。针对传统萤火虫算法中存在的早熟收敛、过度依赖控制参数等缺陷,引入了惯性权重,利用混沌理论对算法参数进行调整,使算法兼顾全局搜索与局部搜索能力的均衡。同时将精英保留策略融入到萤火虫算法当中,加快了算法收敛的速度。为了减少网络重构中出现的大量不可行解,对网络拓扑进行了简化操作,缩短了编码维数,提高了寻优效率。最后通过算例分析,验证了该算法的有效性与实用性。     

基于改进TLBO优化LSSVM的风电功率短期预测

为提高风电功率短期预测的精度,提出一种基于改进TLBO优化LSSVM的风电功率短期预测方法。首先对基本TLBO算法中的‘教’阶段进行改进,在采用自适应教学因子的同时改变所有搜索个体的平均值,从而能够自适应的提高TLBO在整个搜索空间的性能;然后改进TLBO算法的‘学’阶段,为维持种群的多样性,避免TLBO算法过早收敛和陷入局部最优,在学习阶段引入高斯变异算子;最后用改进的TLBO优化构建的LSSVM预测模型。以上海北沿风电场和莱州风电场实测数据为例,仿真结果表明,与PSO和TLBO优化LSSVM相比,改进的TLBO优化LSSVM方法对短期风电功率预测具有更好的稳定性和更高的准确性。     

基于VMD-NCWOA-LSSVM的短期电力负荷预测方法

准确的电力系统负荷预测对电力系统安全稳定运行具有重要意义,为提高负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)预处理数据,将原始日负荷曲线分解为不同频率的子序列,降低数据不规律性对负荷预测带来的干扰。使用Piecewise模糊映射策略进行改进,解决鲸鱼优化算法(whale optimization algorithm,WOA)受初值影响容易陷入局部最优的问题。使用非线性收敛因子代替线性收敛因子,进一步提升WOA的全局寻优能力和局部探索能力,得到非线性收敛因子的混沌鲸鱼优化算法(nonlinear convergence factor of the chaotic whale optimization algorithm,NCWOA)优化最小二乘支持向量机(least square support vector machine,LSSVM)的组合预测模型(VMD-NCWOA-LSSVM)。测试结果表明本文所提模型可以降低预测值的最大相对误差和平均绝对百分误差,有效提高短期电力负荷预测的精度。     

基于EGWOEO算法的三维无线传感网络覆盖优化

针对三维随机部署无线传感网络节点出现的覆盖率低和节点不均现象，以覆盖率为适应度函数，提出一种基于EGWOEO算法的三维无线传感网络覆盖优化算法。首先，采用Tent混沌映射初始化种群，以增加种群多样性；其次，利用反向学习策略，以增加全局搜索能力；之后，融入双曲正切高斯策略，加强算法寻优能力；然后，提出一种正余弦函数的非线性收敛因子，以平衡全局与局部搜索；最后，改进种群位置更新方程，加快算法的收敛速度与精度。将改进的EGWOEO算法应用于三维WSN覆盖优化中，仿真结果表明，与GWO、PSOGWO、LGWO算法相比，EGWOEO算法的三维WSN覆盖率平均增量分别为11.023%、10.662%和12.401%,改善了节点分布不均现象，提高了节点利用率。     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

基于改进遗传算法的堆石体流变模型参数反馈分析

本文提出一种序列二次规划优化算法与标准遗传算法结合的流变模型参数反馈分析方法，这种算法既发挥了序列二次规划优化算法省时、高效、局部搜索能力强的特点，又发挥了遗传算法可以搜索到全局最优解而避免陷入局部极小值的优点，改善了常规遗传算法的收敛速度。将遗传算法搜索到的全局最优近似解作为初始值，代入收敛效率较高的序列二次规划程序进行最终局部优化。以某堆石坝为例，应用上述反演方法对高围压下的堆石体9参数流变模型参数进行了反演分析，验证了此方法的可行性与有效性。