利用正交表区间收缩法求函数极值

利用正交表区间收缩的方法求解一般函数的极值及极值点问题。将一般的代数问题转化为统计问题,采用正交表的数据分析方法,在一定的规则下将自变量(因子)的取值范围(区间)逐步收缩,从而得到极值、极值点。实际问题中如果系统函数未知而只有试验数据,也可以利用此种方法寻找系统的极值点及极值。采用SAS语言模拟仿真,验证了其可行性和有效性。

跟踪区间优化的风力机最大功率点跟踪控制

基于收缩跟踪区间的最大功率点跟踪控制能够改善湍流风速条件下大转动惯量风力机的风能捕获效率。但是,该方法仅依据平均风速优化设定收缩跟踪区间,忽略了湍流强度、风力机的某些气动、结构参数(如最佳叶尖速比、转动惯量等)等其它影响因素。考虑到跟踪区间优化设定与多种因素存在难以解析描述的复杂关系,提出了一种运用径向基函数神经网络优化跟踪区间的最大功率点跟踪控制。该改进方法以平均风速和湍流强度作为神经网络的输入变量,以具体风力机仿真数据作为训练样本,以补偿系数作为神经网络的输出变量。从而使得跟踪区间的优化设定不仅能够考虑变化的风速条件,而且能同时反映具体风力机的气动、结构设计。最后,对模拟风速序列进行了仿真计算与比较分析,验证了该方法的有效性和优越性。

基于知识共享的高比例可再生能源系统发电控制

具有不确定性的可再生能源并网比例提高使得系统状态变化多样性,增加系统准确控制难度,促使系统能源协同调度。文中首先提出了一种参数知识共享算法,通过共享深度神经网络参数来提高计算速度和准确性。然后,构建双层联动发电控制框架,运用参数知识共享算法,通过对相似求解目标之间的参数迁移,提高深度神经网络参数设置的计算速度和准确性,对各类型储能进行指令分配,运用提出的区间快速收缩算法对各类型储能进行指令分配。最后,一个含高比例可再生能源电力系统的实验结果表明:所提算法较对比算法在频率偏差平均值和成本上分别降低了22.5%和3.77%。

一种高效综合的遗传算法

在比较、分析、综合现有的一些改进方法的基础上 ,对简单遗传算法提出了一系列的改进措施 ,形成了一种高效综合的遗传算法 .该法在引入经验的同时对搜索空间均匀产生初始种群 ,能对适应度值进行自适应求取 ,采用复合的方法进行交叉操作 ,能对变异率和交叉率进行动态自适应调整 ,并可对搜索区间进行自适应收缩 .最后通过两个算例验证了该算法的有效性 .

基于改进灰狼优化算法的光伏MPPT方法

在局部阴影情况下,光伏阵列输出的功率-电压曲线会出现多个峰值,需要具有全局寻优能力的群体智能优化算法来进行最大功率追踪(Maximum Power Point Tracking, MPPT)。针对传统群体智能优化算法普遍存在的收敛速度慢、振荡幅度大和易陷入局部最优等问题,提出了一种基于改进灰狼优化算法的控制方法。该算法采用区间收缩策略,通过不断减小搜索区间范围,提高算法的收敛速度和求解精度;同时,采用反向优化策略,增加对当前最优位置反向解的搜索,提高了搜索过程的多样性,帮助算法跳出局部最优。仿真统计结果表明,相较于传统算法,改进算法具有更高的追踪成功率、追踪准确性和更短的追踪时间。

改进的实码加速遗传算法

对实码加速遗传算法(RAGA)8个步骤的局部参数进行修改,再对最后一次加速收缩后的区间用标准遗传算法(SGA)进行精细搜索。经过实例证明,改进后的算法计算机运行的次数减少,并且精度也得到提高。另外,对加速后的区间产生偏向最优点一侧的概率做了理论上的探讨,提出了把区间端点值重新赋给2个个体参加下一轮搜索。这样处理后避免舍去上次搜索的最优值,在一定程度上避免了某个变量的搜索区间在最优值一侧发生偏移。

IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化

高光谱成像可同时获取被检测对象的图像信息和光谱信息,并对其内部成分进行定性和定量分析。国内外学者采用高光谱对肉品品质的研究多集中在水分、菌落总数、色泽、 pH、挥发性盐基氮等方面,在肉品嫩度检测中应用区间变量迭代空间收缩法优选特征波长的研究鲜有报道。利用可见-近红外(400~1 000 nm)和近红外(900~1 700 nm)高光谱结合化学计量学方法对冷鲜滩羊肉嫩度进行无损预测,优选最佳建模波段。首先,采集羊肉的高光谱图像,提取样本感兴趣区域的光谱反射值,采用TA-XTplus质构仪测量滩羊肉嫩度;其次,将两个波段下的原始光谱数据进行多元散射校正(multiple scattering correction, MSC)、去趋势(de-trending)、基线校准(baseline)、标准正态变量(standard normal variable, SNV)、归一化(normalize)和卷积平滑(Savitzky-Golay)等预处理;分别采用连续投影算法(successive projection algorithm, SPA)、竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、变量组合集群分析法(variables combination population analysis, VCPA)和区间变量迭代空间收缩法(interval variable iterative space shrinkage approach, IVISSA)对最佳预处理的光谱数据优选特征波长;最后,建立冷鲜滩羊肉嫩度的偏最小二乘回归(partial least squares regression, PLSR)预测模型,优选最佳建模波段。结果表明:(1)滩羊肉嫩度的近红外高光谱模型的预测效果优于可见-近红外高光谱;(2)经过多种预处理方法所建立的滩羊肉嫩度的模型中,近红外区域的原始光谱(original spectra, OS)模型效果最优,其Rc=0.83,Rp=0.79, RMSEC=874.94, RMSEP=1 465.97;(3)近红外高光谱的原始光谱经SPA, CARS, VCPA, IVISSA四种方法共挑选出15, 16, 13和123个特征波长,占总波长的7%, 6%, 5%和54%;(4)近红外高光谱结合OS-IVISSA-PLSR建立的冷鲜滩羊肉嫩度预测模型最好,其Rc=0.85,RMSEC=850.86,Rp=0.79, RMSEP=1 497.11。IVISSA算法不仅可大幅度减少模型运算次数,还可以保证模型的精准和稳定性。研究表明, OS-IVISSA-PLSR模型对冷鲜滩羊肉嫩度进行高光谱的快速无损检测是可行的。

考虑湍流频率因素的风力机最大功率点跟踪控制

湍流风速的频率会影响风力机最大功率点跟踪(maximum power point tracking,MPPT)的性能,却被目前的MPPT控制及其改进方法所忽略。因此,为进一步提高风能捕获效率,该文基于收缩跟踪区间的功率曲线调整方式,采用响应面近似模型构建最佳起始转速与3种风速特征指标(平均风速、湍流强度、湍流频率)的函数关系,进而提出能够更加全面响应湍流风况变化的改进功率信号反馈法。该方法对湍流风速的考虑更为完善,因而能进一步提高风能捕获效率以及风力机MPPT对湍流风况的适应性。最后,利用美国国家可再生能源实验室(national renewable energy laboratory,NREL)开发的FAST(fatigue,aerodynamics,structures,and turbulence)软件,针对NREL CART3风力机进行了仿真比较分析,验证了该方法的有效性与先进性。

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析

采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化;PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差;MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23;VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。