V2G模式下基于SaDE-BBO算法的有源配电网优化

为了解决大规模电动汽车入网难以实现个体调度以及集群调度存在“维数灾”的问题,建立基于车辆到电网(vehicle-to-grid,V2G)模式的有源配电网分层分区优化运行模型。其中,上层优化模型对电动汽车集控中心(electric vehicle agent,EVA)进行调度,优化各区域EVA的充放电功率并作为下层优化模型的输入;下层优化模型调整各调压方式。在优化算法方面,提出一种自适应差分进化-生物地理学优化(self-adaptive differential evolution-biogeography-based optimization,SaDE-BBO)算法,并在改进的IEEE 33节点配电系统中进行仿真分析。结果表明:在不同充电控制策略下,V2G模式与各调压方式的协调互动在降低各区域EVA运营成本、平抑负荷波动以及保证有源配电网的安全和经济运行方面优势显著,与其他优化算法相比,SaDE-BBO算法具有更优质的解和更好的收敛性。

饱和度自适应微分进化算法在电力经济调度中的应用

建立了电力系统经济调度模型,该模型以发电成本最小为目标,考虑了火电机组阀点效应和系统运行约束,并提出了求解该模型的饱和度自适应微分进化(saturation and adaptive differential evolution,SADE)算法。为避免算法搜索的盲目性,使算法既能集中于局部最优解又能兼顾全局最优解,引入了控制参数自适应调整策略和饱和度概念,该算法可避免"早熟"现象,收敛速度快。3机组、13机组和40机组算例结果验证了SADE算法的有效性。

基于改进差分进化算法的Wiener模型辨识

针对非线性Wiener模型的参数辨识问题,提出了一种基于Sigmoid函数及自适应算子改进差分进化(improved differential evolution algorithm with Sigmoid function and adaptive mutation operator,SADE)算法的参数辨识方法。利用Sigmoid函数及自适应变异算子改进了基本差分进化算法的变异操作部分,改进的方法能够有效地克服基本差分进化算法的过早收敛和不稳定性等缺点。将该改进差分进化算法应用于对非线性Wiener模型的参数辨识问题,达到了较高的辨识精度。在仿真试验中,与其它已有方法进行比较,仿真结果说明了所给的参数辨识方法是合理和有效的。

改进自适应差分进化算法求解大规模整数任务分配

针对0-1任务规划模型存在维数灾维的问题,提出一种基于改进自适应差分进化(SADE)算法的大规模整数任务分配算法。首先,将任务分配的0-1规划模型转化整数规划模型,不仅大幅减少了优化变量的维数,还减少了整式约束条件;然后,将常用的变异算子DE/rand/1/bin和DE/best/2/bin结合起来组成新的自适应变异算子,使得自适应差分进化算法既有较快的收敛速度,又降低了变异算子对具体问题的依赖;并用改进自适应差分进化算法求解整数规划。最后,通过典型的任务分配实例验证了算法在优化大规模任务分配的有效性和快速性。

基于LBP-DEELM的类人机器人对树叶辨识的技术研究

针对类人机器人的特点,设计了一个具有树叶辨识功能的类人机器人系统。类人机器人自带的摄像头作为视觉,视觉系统采用Sobel算子对除噪、滤波后的图像进行边缘提取,将均匀旋转不变特性与原始的LBP算子相融合,提取边缘图像的特征值,结合差分演化算法对极限学习机进行优化,通过训练得到每类树叶所对应的分类器模型参数,构造分类器,实现类人机器人对树叶准确高效的识别。试验显示,仿人机器人此类控制方式适合参加竞技类比赛。