基于EEMD和特征降维的非侵入式负荷分解方法研究

针对现有非侵入式居民用电负荷监测缺乏对独立负荷完整、全面的分解方法,导致用电信息的完整性得不到保证的不足,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和Pearson-PCA改进的盲源分离算法。利用EEMD对总功率信号分解,以消除经验模态在分解过程中易出现模态混叠的现象,并得到一系列固有模式函数(intrinsic mode functions,IMF)。结合Pearson相关系数和主成分分析法(principal component analysis,PCA),提出Pearson-PCA改进算法对IMF进行降维,剔除相关性较弱的IMF分量,以及估计源信号数目。运用快速独立分量分析(fast independent component analysis,FastICA)对降维后的IMF进行分解,计算得出源功率信号。将提出的改进算法应用于非侵入式居民用电负荷分解问题,采用能量分解数据集(reference energy disaggregation data,REDD)进行实验仿真。实验结果表明:在不同用电场景下,提出的改进算法均具有较好的分解效果。

基于Fuch映射的改进白鲸优化算法及应用

针对标准白鲸优化算法(BWO)存在收敛精度低、自适应能力有限和抗停滞能力弱等缺点,从混沌初始化、参数混沌和非线性控制策略3个角度,提出2种基于Fuch映射和动态反向学习的改进白鲸优化算法(CIOEBWO和CPOEBWO)。采用Fuch混沌初始化,提高算法初始化种群的遍历性,从而提升算法寻优精度和收敛速度;在开发阶段,引入Fuch混沌映射对参数C 1进行动态调节,协调算法的全局搜索和局部搜索,有效提高算法自适应能力;基于上述2种改进方式,分别引入动态反向学习策略,丰富优质个体数量,提升算法整体抗停滞能力。根据8种基本测试函数仿真实验和Friedman秩检验结果可得,改进算法的收敛精度、自适应能力和抗停滞能力均得到了有效提升。与BWO和CIOEBWO相比,CPOEBWO显现出较为优异的性能。此外,从CPOEBWO与常见的6种对比算法的寻优结果可知,CPOEBWO算法有较强的寻优能力和鲁棒性。最后,为展示CPOEBWO算法的适用性和有效性,将其应用于工程优化问题。

面向柔性作业车间调度问题的混沌编码量子粒子群优化算法

为解决柔性作业车间调度问题,提出一种混沌编码量子粒子群优化算法。针对标准量子粒子群优化算法中粒子过早收敛于局部最优值的缺点,提出具有扰动行为的自适应收缩-扩张系数和关联粒子适应度值的计算方法,改善算法的全局搜索能力;通过引入混沌边界变异策略,减少粒子大量聚集在边界的概率,增加种群的多样性来提高搜索最优解的能力;针对量子粒子群优化算法的迭代特性,设计一种适用的混沌编码策略。将提出的改进量子粒子群优化算法应用于柔性作业车间调度问题,并通过多种基准算例与标准量子粒子群优化算法、粒子群优化算法和混合遗传算法进行对比,验证所提算法的性能。实验结果表明:混沌编码量子粒子群优化算法具有更好的稳定性和更强的寻优能力。

基于组稀疏学习与AVOA-XGBoost的轴承故障分级诊断

针对工业设备中轴承振动信号在噪声环境下故障分级诊断准确率低的问题,提出一种基于组稀疏学习与非洲秃鹫优化算法优化极端梯度提升树(African vultures optimization algorithm-extreme gradient boosting,AVOA-XGBoost)的轴承故障分级诊断方法。首先,利用组稀疏学习对轴承振动信号进行重构,以降低噪声水平并更有效地表征故障脉冲。然后,对重构后的信号提取时域、频域和熵值特征并构建特征集。最后,利用AVOA自适应优化XGBoost超参数以建立稳健的XGBoost模型,进而高效实现轴承故障分级诊断。试验结果表明,经过组稀疏学习重构的信号具备更强故障特征表示能力,相较于传统机器学习模型,采用AVOA-XGBoost模型进行分类能够取得更高准确率,所提方法能够有效诊断轴承故障类型及故障程度。

增强型白骨顶鸡优化算法及其应用

针对白骨顶鸡优化算法全局搜索能力弱、收敛速度慢、易陷于局部最优的不足,本文提出一种增强型白骨顶鸡优化算法.首先,利用拉丁超立方抽样方法均匀初始化种群,从而改善种群的多样性和算法的全局性能.其次,在跟随领导者的位置更新策略中加入掉队机制,增强算法跳出局部最优能力.最后,引入二次插值策略,提高算法收敛速度与寻优精度.实验使用CEC2017测试函数对算法进行测试比较,测试结果表明改进的算法在精度、收敛速度、稳定性方面优于原算法与六种流行的群智能算法.此外,通过3个实际工程优化问题验证了所提出的增强型白骨顶鸡优化算法的实用性.

基于增强型麻雀搜索算法的孤岛微电网低碳调度

针对孤岛微电网的环保性与经济性协同优化问题,提出一种基于增强型麻雀搜索算法(ESSA)的孤岛微电网低碳调度优化方法。首先,建立含碳捕获装置的孤岛微电网优化模型,解决现有模型碳排放量高的问题;其次,在标准麻雀搜索算法中加入精英反向学习与黄金正弦策略,解决原算法中种群多样性低与局部搜索能力差等不足,选取CEC2017中的6个典型基准测试函数验证了ESSA的优越性能;最后,将提出的ESSA应用于孤岛微电网低碳调度优化问题,并与6种先进的鸟类群体智能优化算法进行对比。结果表明:含碳捕获装置的孤岛微电网模型能有效降低碳排放量,增强型麻雀搜索算法更适用于求解微电网低碳调度优化问题。

混合粒子群-蝴蝶算法的WSN节点部署研究

针对无线传感器网络WSN节点在随机部署时存在分布不均匀、覆盖率低等问题,提出一种混合粒子群-蝴蝶算法HPSBA的节点覆盖优化策略。设计了Logistic映射和自适应调节策略来控制参数值,提高了混合算法的寻优速度、收敛精度和全局搜索能力。将HPSBA用于对4种基准函数进行寻优测试,仿真结果表明:对于测试函数的寻优,HPSBA具有寻优精度较高、寻优速度较快和稳定性较好的特点。最后,将HPSBA用于WSN节点部署优化,并与PSO算法、BOA和IGWO算法等其他6种典型算法的部署优化进行对比,实验结果表明:HPSBA优化部署的覆盖率更高,能有效降低节点的冗余度,延长WSN的生存时间。

基于马尔科夫链的灰狼优化算法收敛性研究

针对灰狼优化算法(Grey Wolf Optimization,GWO)在收敛性研究上的不足,首先,通过定义灰狼群状态转移序列,建立了GWO算法的马尔科夫(Markov)链模型,通过分析Markov链的性质,证明它是有限齐次Markov链;其次,通过分析灰狼群状态序列最终转移状态,结合随机搜索算法的收敛准则,验证了GWO算法的全局收敛性;最后,对典型测试函数、偏移函数及旋转函数进行仿真实验,并与多种群体智能算法进行对比分析.实验结果表明,GWO算法具有全局收敛性强、计算耗时短和寻优精度高等优势.

基于非线性控制参数组合策略的灰狼优化算法

针对传统的灰狼算法(GWO)易陷入局部最优、后期收敛速度慢等问题,提出一种非线性控制参数组合调整策略。对3种不同的非线性参数控制策略的调节因子a进行仿真,并分析影响搜索参数A的因素;对5组不同的调节参数值进行基准函数的测试仿真,选择权重系数的非线性控制参数组合策略的最佳参数值。仿真结果表明,所提出的非线性控制参数组合调整策略优于GWO 2、GWO 3,以及文献[10]提出的改进灰狼优化算法,为组合策略在智能算法中的运用提供了验证。

基于Cubic映射的灰狼优化算法及应用

针对标准的灰狼优化算法GWO对于复杂优化问题的求解易陷入局部最优的缺点,从混沌初始化和非线性控制策略2个角度,提出一种基于Cubic映射和反向学习的灰狼优化算法COGWO。首先,利用Cubic映射和反向学习策略对种群进行初始化,并通过非线性参数控制策略来调节寻优过程中的参数;然后,对6种基准测试函数进行寻优实验,实验结果表明,COGWO算法具有更好的收敛精度、收敛速度和稳定性;最后,将COGWO算法应用到了实际的工程优化问题中。

求解工程约束问题的新型智能优化算法及展望

为了研究新型智能优化算法的性能和应用前景,选择了近几年提出的6种仿生智能优化算法:哈里斯鹰优化(HHO)算法、平衡优化(EO)算法、海洋捕食者算法(MPA)、政治优化(PO)算法、黏液霉菌算法(SMA)和堆阵优化(HBO)算法,对其性能和在不同带约束的工程优化问题上的应用进行对比分析。首先,对6种优化算法的基本原理进行介绍;然后,用6种优化算法对10个基准测试函数进行寻优测试;接着,将6种优化算法用于求解3种带约束的工程优化问题。实验结果表明,对于单峰和多峰测试函数的寻优,PO的收敛精度最佳,能够多次达到理论最优值0,且收敛速度较快;对于求解工程约束问题,EO和MPA较好,因为的标准差的数量级较小,且寻优速度较快,稳定性高。最后,分析了6种优化算法的改进方法及其发展潜力。