IGSA优化LSSVM的短期风电功率预测研究

提出一种基于改进引力搜索算法(Improved Gravitational Search Algorithm,IGSA),优化LSSVM的短期风电功率预测方法。对引力搜索算法采用混沌映射学习策略初始化种群位置,引入全局记忆策略来改进速度公式,提高最优解质量,利用高斯变异算子及贪婪策略来更新最优解位置。为对比不同核函数对LSSVM预测模型性能的影响,选取了4种常用的核函数(RBF,Sigmoid,Poly及Linear)构建LSSVM预测模型,并用IGSA优化构建的模型。以安徽某一风电场实测数据为例,仿真结果表明,选择RBF核函数的IGSA-LSSVM模型的风电预测性能优于其它核函数;同时,与反向传播神经网络(Back Propagation Neural Network,BPNN)相比,以及与GA,PSO和GSA优化LSSVM相比,IGSA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CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。

基于小波分解和PSO-BP的逆变器故障诊断

电力电子电路组成的光伏并网逆变器具有很强的非线性,对其进行故障诊断比较困难。将小波分解和粒子群算法PSO相结合,以光伏逆变器AC输出端的三相电压为特征信号,经过小波分解后的结果作为故障判别依据,再将分解后的离散平滑近似信号和离散细节信号相结合,作为诊断的特征向量,最后利用粒子群算法PSO对神经网络寻优与神经网络的非线性分类能力,对故障特征向量分类,从而实现逆变器开关元件的故障诊断。

基于AFSA-RBF神经网络的电动汽车动力电池SOC预测

传统的电池荷电状态(State of Charge,SOC)估计方法是基于精确的数学模型,它依赖于大量的建模假设和经验参数,故模型预测SOC精度是有限的;为了提高动力电池SOC预测的精度,提出利用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化径向基神经网络(RBF)对SOC进行预测,解决了RBF网络参数选择的不确定性;仿真实验结果表明:方法能方便、快速、准确地实现对SOC的预测,且具有实际使用价值。

基于PSO聚类分析和RBF网络的短期电价预测

针对短期电价预测具有的周期性及难预测性等特点,研究现存的人工神经网络预测方法,提出一种基于PSO聚类分析和RBF网络的短期电价预测方法。利用粒子群算法优化聚类分析的聚类半径,并用优化后的聚类方法对电价的历史数据按相似的程度分类,得到一类相似度最高的数据作为输入数据并进行预处理,建立相应的RBF网络预测模型,对短期电价进行预测仿真。通过实例分析验证了该预测模型能够有效、稳定地将预测精度提高至0.3%左右。

基于CLSPSO的PID算法在柴油机调速控制中的应用

针对在柴油机系统中利用常规方法整定PID控制器参数的品质较差,采用混沌粒子群算法(CLSPSO)来优化整定控制器参数,并根据柴油机调速系统的传递函数模型,通过MATLAB/Simulink搭建仿真模型实验,同时将其整定PID参数的结果与另外两种算法(PSO和GA)整定的结果相对比,结果表明通过混沌粒子群算法整定得到的参数品质更加理想,超调量明显变小,响应迅速,收敛加快,使柴油机调速系统的动态性能有一定幅度的提升。

基于tanh函数的永磁同步电机无位置传感器控制研究

为削弱传统滑膜观测器(Sliding Mode Observer,SMO)中由于控制函数的不连续性而引起的系统抖振,设计一种基于双曲正切函数tanh的改进型SMO,采用截止频率可变的策略对转子位置角进行相位补偿并且结合锁相环估计转子位置,在同步旋转d-p轴坐标系下建立和分析了改进型SMO,利用MATLAB/Simulink工具搭建改进SMO的仿真模型。仿真实验结果表明:改进型SMO能有效削弱系统抖振,提高了转子估计的准确性,系统的动静态特性和鲁棒性得到有效的改善。

基于PSO-SVM模型的短期电力负荷预测研究

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。

基于PSO-ELM模型的短期电力系统负荷预测

电力作为国民生活的必需之一，是社会发展、经济建设的基础，而提前对电力负荷做出预判能够提高电网运行的效率和电力分配的合理性。针对提高电力负荷预测的精确度、降低预测误差，提出了一种基于粒子群优化的极限学习机（PSO—ELM）模型。通过粒子群算法对极限学习机的参数进行寻优，最后通过PSO—ELM模型和传统ELM模型预测结果的相对误差比对，改进模型将相对误差降低在1％左右，提升了学习速率和预测精度，为电网运行和电力分配提供了决策保障。