基于蚁群算法的数字微流控生物芯片污染故障在线清除

生化分析领域对数字微流控生物芯片的可靠性要求严格,对实验中污染故障进行清除,能够保证复杂生化实验分析结果的准确性。提出基于最大最小蚁群算法的污染故障在线清除策略,完成污染清除,同时降低清洗污染单元时间。方案针对数字微流控生物芯片污染故障建立MTSP模型,建立基于流体和时间约束的禁忌判断策略,采用最大最小蚁群算法,重新定义概率选择函数与信息素更新策略,实现清洗液滴路径规划、快速清除污染故障的目的。实验结果表明,该方案能有效地减少清洗时间,且与MCC方案相比较,能够有效减少阵列单元使用数目。     

基于粒子群算法的数字微流控芯片在线测试路径优化

数字微流控生物芯片的稳定性和安全性在生化实验中具有很高的要求,为保证实验结果的准确,需要对芯片进行检测。通过分析芯片结构、实验液滴的路径,提出一种基于粒子群算法的针对数字微流控芯片灾难性故障在线测试路径优化方案。通过自适应调整算法惯性权值,设置算法的收敛速度因子和解的聚集程度因子,将收敛速度和局部解聚集程度可视化改进算法。增加液滴移动序列的交换机制,在芯片的约束条件下规划测试液滴的移动路径,从而缩短测试路径长度。仿真实验选择15×15阵列模型、7×11阵列模型、7×7阵列模型进行仿真实验,结果表明,该方案完成了对芯片的测试,提高了算法收敛速度,并有效缩短了测试路径,提高测试效率。     

基于改进粒子群优化神经网络的电机故障诊断

为了更加准确快速地诊断出三相异步电动机运行过程中发生的各类故障,在采用小波包分析提取异步电机故障特征向量的基础上,提出了一种混沌动态权重粒子群算法(CDW-PSO)优化BP神经网络的故障诊断方法,构建电机的神经网络故障诊断模型,采用混沌动态权重粒子群算法优化神经网络的结构参数。实验分析表明,采用该方法用于电机故障诊断,诊断速度快、准确性高、可靠性好。     

基于混沌免疫接种粒子群算法的电力系统多目标无功优化

针对基本粒子群优化算法的收敛性能受初始粒子分布影响较大的问题,应用混沌优化理论具有遍历性的突出优点和人工免疫系统中接种疫苗的方法,即混沌免疫接种粒子群优化算法,将该方法应用于电力系统多目标无功优化模型求解.混沌免疫接种粒子群算法是采用混沌优化生成初始粒子即无功优化控制变量值,并选择其中较优的粒子作为初始粒子群,改善了随...     

基于自适应混沌粒子群算法的光伏电池模型参数辨识

光伏电池模型参数的快速准确辨识在光伏阵列的输出功率预测、最大功率点跟踪以及电池故障模型的特性研究方面具有非常重要的工程意义。针对大部分传统智能算法用于系统参数辨识时的辨识精确受参数初值影响较大,而且算法易陷入早熟的问题,利用自适应混沌粒子群算法(SA-CPSO)对光伏电池模型参数进行辨识。将混沌算法与粒子群算法融合,对粒子群进行混沌初始化并促使陷入局部最优的粒子进行混沌搜索,引导其跳出局部极值从而搜索到更好的解;同时引入自适应调整策略来有效控制全局与局部搜索,提高了进化后期算法的收敛精度。经过仿真和实验测试,证明SA-CPSO算法在光伏电池模型参数辨识方面具有较高的精确度和快速性。还通过实验探讨了辐照度变化对太阳能电池参数的影响。     

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。     

基于粒子群算法的永磁同步电机模型预测控制权重系数设计

针对模型预测控制算法(MPC)在处理多目标多约束条件时权重系数设计问题,该文提出一种基于混沌变异的动态重组多种群粒子群算法(CDMSPSO)实现权重系数自整定.通过分析模型预测转矩控制(MPTC)代价函数,以两相旋转坐标系下电流误差方均根为参考,将降低转矩脉动和减小电流总谐波畸变(THD)作为主要控制目标,设计粒子群算法中粒子的目标函数.采用CDMSPSO算法,将整个种群划分为多个小的子粒子群,并以一定重组周期将粒子进行随机重组,然后随机选择一个子粒子群,以其中任一粒子为基础迭代生成混沌序列,并将新的混沌序列替代选择的子粒子群,实现粒子的混沌变异.仿真和实验结果验证了该方法能较好地解决权重系数整定问题,且稳态性能优异.     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

混沌免疫接种粒子群优化及其在输电规划中的应用

针对基本粒子群优化收敛性受初始粒子分布影响较大的缺点,结合混沌优化的遍历性和人工疫苗接种思想,提出混沌免疫接种粒子群优化,并应用于多阶段输电规划模型求解.混沌免疫接种粒子群优化利用混沌产生大量初始粒子并选择较优的粒子作为初始粒子群,改善了随机初始化不能保证粒子合理分布的缺点;在粒子进化过程中采用人工疫苗接种优化技术,能改善其收敛速度和精度.通过4阶段输电规划算例研究,并分析比较基本粒子群优化、混沌粒子群优化、免疫接种粒子群优化和混沌免疫接种粒子群优化的输电规划模型求解,结果表明提出的混沌免疫接种粒子群优化的有效性和优越性.     

混沌粒子群算法-高斯过程回归的SOH估计

提出基于混沌粒子群算法-高斯过程回归（CPSO-GPR）的铅酸蓄电池健康状态估计方法。首先考察了铅酸蓄电池充电过程的电压电流变化曲线,进行了恒流充电特征的分析对比,建立了铅酸蓄电池恒流充电时间与电池容量衰减的高斯过程回归模型。针对传统的智能算法易陷入局部最优解的问题,将混沌过程引入传统粒子群算法中,增强其优化的广度和深度,形成混沌粒子群算法来优化回归模型中的超参数,从而获得更高质量的超参数解,以提高回归模型的预测精度。两种算法相协同,形成了CPSO-GPR算法。实验结果表明,该算法能够实现对铅酸蓄电池健康状态的精准估计和在线监测,对新数据点的估计精度在3%以内。     

混沌粒子群算法-高斯过程回归的SOH估计

提出基于混沌粒子群算法-高斯过程回归（CPSO-GPR）的铅酸蓄电池健康状态估计方法。首先考察了铅酸蓄电池充电过程的电压电流变化曲线,进行了恒流充电特征的分析对比,建立了铅酸蓄电池恒流充电时间与电池容量衰减的高斯过程回归模型。针对传统的智能算法易陷入局部最优解的问题,将混沌过程引入传统粒子群算法中,增强其优化的广度和深度,形成混沌粒子群算法来优化回归模型中的超参数,从而获得更高质量的超参数解,以提高回归模型的预测精度。两种算法相协同,形成了CPSO-GPR算法。实验结果表明,该算法能够实现对铅酸蓄电池健康状态的精准估计和在线监测,对新数据点的估计精度在3%以内。     

永磁同步电机多参数辨识方法研究

针对永磁同步电机(PMSM)多参数辨识困难的问题,该文提出一种初始参数优化的混沌变异小生镜粒子群优化(NCOPSO)算法,并设计一个含有5个待辨识参数(定子绕组电阻,定子绕组交、直轴电感,永磁体磁链,转动惯量)的满秩数学方程组。该算法首先使用粒子群算法优化基本粒子群算法3个初始参数(惯性系数?,学习因子c1、c2)。再对优化后的粒子群使用小生镜策略,以连续多次迭代适应值变化小的粒子为中心构造一个小生镜群体。最后使用混沌变异策略,在每次迭代过程中,以每个小生镜群体最优粒子为基础迭代生成一个混沌序列,将序列中最优粒子随机替换当前小生镜群体某一粒子,同时对小生镜群体最差粒子进行初始化。经电机仿真与实验验证了该算法的可行性与准确性。     

考虑可平移负荷管理的主动配电网故障恢复方法

针对主动配电网故障恢复问题,计及系统需求侧管理资源中的可平移负荷制定故障恢复方案。首先给出主动配电网负荷平移基本模型,其次以 故障恢复期间失电负荷电量最小为目标函数,计及负荷平移约束、功率平衡约束、网络辐射状等必要约束条件建立主动配电网故障恢复方法。对混沌 粒子群算法引入自适应惯性权重系数进行改进,并基于改进混沌粒子群算法对建立的模型设计求解流程。算例分析验证了所提方法的有效性。     

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。     

离散二进制粒子群算法在基于模型配电网故障诊断中的应用

提出一种基于模型的配电网故障诊断方案,该方案首先根据配电网原理模型的仿真数据和实际观测值存在的差异得到极小冲突集,然后由离散二进制粒子群优化算法推出可能的故障元件和故障形式,最后由贝叶斯方法确定概率最高的诊断结论.通过实际建模、编程和实验证明了该方案的可靠性和有效性.仿真结果表明,与HS-Tree、Boolean Algebra方法、遗传算法等算法相比,离散二进制粒子群算法搜索效率更高,可节约1/3～1/2的搜索时间,并且可以避免当问题规模较大时出现内存溢出问题.     

供电设备检修优化算法及其在地区电网中的应用

针对某地区电力局检修计划安排的实际情况,建立了满足地区电网要求的检修计划优化模型。该模型基于停电范围形成变量集,并以设备偏离到期检修时间最少和工作量分配最合理为目标函数。采用混沌粒子群优化(chaos particle swarm optimization,CPSO)算法来求解模型,该算法将所有粒子分成几个粒子簇。粒子向最优点靠拢的过程中,在解空间做混沌搜索,并更新粒子的历史最优值。通过某地区电网算例,对CPSO算法与遗传算法、标准PSO算法进行了比较,结果表明CPSO算法全局搜索能力和收敛性能优于后2种方法,具有良好的工程应用前景。     

基于混沌粒子群优化算法的NOMA功率分配研究

非正交多址接入(NOMA)技术使多个用户共享一个时频资源块,显著地提高了频谱利用率,已成为5G多址技术的研究热点。针对NOMA系统能量效率最大化问题,对非正交多址接入技术中功率分配进行了研究,提出了基于混沌粒子群优化算法的NOMA功率分配方案。建立了能量效率最大化的NOMA优化模型,利用混沌粒子群优化算法对系统功率进行分配,使NOMA系统的能量效率得到优化。仿真结果表明,当发射功率为36 dBm时,系统能量效率最大,且与传统粒子群算法相比所需迭代次数更少,获得的能量效率更优。     

基于量子行为粒子群优化算法-混沌神经网络的电力系统负荷预测

提出了一种基于量子行为粒子群优化算法和混沌神经网络相结合的电力系统负荷预测方法。根据粒子群的量子行为特征,采用全同粒子系更新粒子的位置,改善传统的粒子群算法精度低、易发散、收敛速度慢等缺点。利用粒子群优化算法优化出混沌神经网络的权值和阈值,克服混沌神经网络参数确定难度大、速度慢的缺点。然后利用得到的权值和阈值,通过改进粒子群优化算法-混沌神经网络模型,得到预测日的相应时刻负荷值。最后通过实际应用,证明该方法有较高的预测精度和较好的准确性,具备一定的实际应用价值。     

混沌粒子群优化算法在配电网无功优化中的应用

针对电力系统无功优化的特点,提出了一种基于传统粒子群优化(PSO)算法的改进型智能算法——混沌粒子群优化(CPSO)算法。CPSO算法采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值,利用该算法分别对IEEE14和IEEE30节点系统进行仿真测试。仿真结果表明,CPSO算法相对于PSO算法,优化效果理想,收敛速度快。     

基于改进均值聚类随机粒子群算法的变电站LCC规划

基于设备全寿命周期成本(LCC)建立了配电网变电站选址定容新模型,模型统筹考虑了规划方案的初始投资成本、运行维护成本、故障成本、废弃成本,在满足安全、效能的前提下使得规划模型在全寿命周期内经济性最优。提出一种将均值聚类与随机粒子群算法相结合的改进粒子群算法对上述规划模型进行求解,该算法克服了粒子群优化算法(PSO)的早熟现象。通过规划实例验证了该文所提模型和方法正确性和有效性,其规划结果科学、可行,具有更高的实用价值。