Multiobjective optimal dispatch of microgrid based on analytic hierarchy process and quantum particle swarm optimization

Owing to the rapid development of microgrids(MGs)and growing applications of renewable energy resources,multiobjective optimal dispatch of MGs need to be studied in detail.In this study,a multiobjective optimal dispatch model is developed for a standalone MG composed of wind turbines,photovoltaics,diesel engine unit,load,and battery energy storage system.The economic cost,environmental concerns,and power supply consistency are expressed via subobjectives with varying priorities.Then,the analytic hierarchy process algorithm is employed to reasonably specify the weight coefficients of the subobjectives.The quantum particle swarm optimization algorithm is thereafter employed as a solution to achieve optimal dispatch of the MG.Finally,the validity of the proposed model and solution methodology are con firmed by case studies.This study provides refere nee for mathematical model of multiojective optimizati on of MG and can be widely used in current research field.

基于QPSO-LightGBM网络资产脆弱性评估模型

为有效减少网络安全事件造成的损失,并对高风险网络资产进行漏洞评估,提出了一种基于量子粒子群轻量级梯度升降算法(QPSO-LightGBM:Quantum Particle Swarm Optimization-Light Gradient Boosting Machine)的多分类预测模型。该模型通过对少量过采样技术(MOTE:Minority Oversampling)进行合成从而达到数据平衡,采用量子粒子群算法(QPSO:Quantum Particle Swarm Optimization)实现参数的自动最优化,并使用LightGBM进行建模,进而实现网络资产的多分类预测。为验证模型的有效性,将所提模型与其他算法模型进行了比对,实验结果表明,该模型在各类预测性能指标上都取得了较好的效果。

基于QPSO优化ELM算法的井下快速定位方法研究

近年来,基于WiFi的井下人员定位算法受到了广泛关注,为进一步提高定位算法的速度和精度,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)算法的井下人员快速定位方法。首先将优化的K均值聚类算法(K-means)引入定位流程,通过对位置指纹库进行聚类划分,降低单次识别需要的时间;其次利用QPSO算法优越的优化能力,提高ELM算法的定位精度,最终实现对井下人员的高效、准确定位。仿真实验结果表明,提出的基于量子粒子群优化极限学习机的井下快速定位方法,能够提高定位的精度和效率,具有较高的实用价值和工程意义。

多场景下基于AHP-EWM的人体健康状态评估模型研究

为解决人体健康评估方法个性化监测不足的问题以及在满足不同场景下健康状态精细化评估的需求,需要一种基于多场景的人体健康状态评估方法来实现长期自动化监测。提出一种基于层次分析法(AHP)和熵权法(EWM)组合的多场景人体健康状态评估模型。首先采集人体在运动、休息、工作/学习和娱乐等4种不同场景下的健康监测指标数据,构建相应的评估指标体系。然后分别根据评估指标计算出AHP和EWM权重,再采用量子粒子群优化(QPSO)算法对AHP和EWM中的主客观权重进行分配,以确保评价指标占比的客观性。最后通过模糊综合评价法对人体健康状态进行评估和量化,并利用实际监测数据对方法的可靠性和稳定性进行验证。实验结果表明,在4种场景下所提方法的综合得分分别为63.78、59.83、58.71和59.21,表明在不同场景下该模型都具有较好的准确性和稳定性。根据评估结果,对测试者的身体状态评价结果进行分析,并给出一些健康建议。所提模型可全面了解人体在不同场景下的健康状况,并为人们提供科学的健康指导,从而为健康管理和疾病预防提供科学依据。

基于多策略混合改进MVO算法的光伏多峰MPPT研究

光伏阵列的电功率输出在局部遮荫工况下具有多峰特性,且随外界环境的变化而变化.为实现高效电能输出,利用多元宇宙优化(MVO)算法在解决低维度、小规模优化问题中的突出优势进行最大功率点跟踪(MPPT),并融合多种策略对其存在的缺陷进行改进.采用拉丁超立方抽样策略初始化宇宙种群,并对按照轮盘赌策略随机交换的宇宙实施柯西变异,提高宇宙种群的多样性.同时引入莱维飞行式量子粒子群优化(QPSO)算法,且对虫洞存在概率及旅行距离率进行自适应调整,以增强算法的全局勘探及局部开发能力.Matlab仿真结果表明,相比其他算法,采用该算法的MPPT时间减少了45%以上,精度亦有所提高,从而具有更优的MPPT性能,可有效提高光伏发电效率.

基于QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。

基于QPSO的数据聚类

在K-Means聚类、PSO聚类、K-Means和PSO混合聚类(KPSO)的基础上,研究了基于量子行为的微粒群优化算法(QPSO)的数据聚类方法,并提出利用K-Means聚类的结果重新初始化粒子群,结合QPSO的聚类算法,即KQPSO。介绍了如何利用上述算法找到用户指定的聚类个数的聚类中心。聚类过程都是根据数据之间的Euclidean(欧几里得)距离。K-Means算法、PSO算法和QPSO算法的不同在于聚类中心向量的“进化”上。最后使用三个数据集比较了上面提到的五种聚类方法的性能,结果显示基于QPSO算法的数据聚类性能比一般PSO算法更好。

基于DGA的QPSO-BP模型变压器故障诊断方法研究

为了提高变压器故障诊断的准确率,提出一种基于量子粒子群优化BP神经网络(quantum particle swarm optimized BP neural network,QPSO-BP)的故障诊断模型。在该算法中,用量子位的概率幅表示种群中各粒子的当前位置,用量子旋转门实现粒子位置的移动,用量子非门进行变异操作,以获取BP神经网络的权、阈值优化参数,最终实现了变压器故障诊断模型的构建。对故障DGA样本的诊断实例表明,与粒子群优化BP网络(particle swarm optimized BP neural network,PSO-BP)法、BPNN法以及IEC三比值法相比,QPSO-BP算法具有更高的诊断正确率,从而实现了变压器故障模式的有效识别。

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限,容易陷入局部最优点的缺陷,提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法,将RBF神经网络的参数组成一个多维向量,作为算法中的粒子进行进化,由此在可行解空间范围内搜索最优解。实例仿真表明,该学习算法相比于传统的学习算法计算简单,收敛速度快,并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。

运用QPSO算法进行系统辨识的研究

引入了一种广泛而实用的方法——基于量子行为的粒子群算法的理论应用于系统辨识领域,QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛性。仿真实验结果表明,QPSO算法具有比GA算法及PSO算法更强的线性系统辨识能力和非线性系统辨识能力。

一种基于改进QPSO的机器人路径规划算法

针对量子行为粒子群优化(QPSO)算法在移动机器人路径规划中出现早熟收敛的问题,提出一种基于聚集度因子和阶段变异策略的改进QPSO算法。根据目标函数计算粒子的适应度值,在压缩扩张因子中引入改进聚集度因子划分搜索阶段,利用分阶段变异策略更新个体位置,并对算法进行性能测试。实验结果表明,与FE-PSO算法相比,该算法具有较高的收敛精度与较好的稳定性。

基于改进的QPSO训练BP网络的网络流量预测

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题。将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解。实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性。

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。

基于QPSO算法的3D多模医学图像配准

基于互信息的配准方法具有精度高、鲁棒性强的特点。但基于互信息的目标函数存在许多局部极值,给配准的优化过程带来了很大的困难。把量子行为的粒子群优化算法(QPSO)应用到了3D医学图像配准中。QPSO不仅参数个数少,其每一个迭代步的取样空间能覆盖整个解空间,因此能保证算法的全局收敛。实验结果表明,该算法能够有效地克服互信息函数的局部极值,大大提高了配准精度,与美国Vanderbilt大学的"金标准"比较,达到了亚像素级的精度。

基于QPSO—RBF NN的混沌时间序列预测

提出一种基于量子粒子群优化算法训练径向基函数神经网络进行混沌时间序列预测的新方法。在确定径向基函数网络的隐层节点数后,将相应网络的参数,包括隐层基函数中心、扩展常数,以及输出权值和偏移编码成学习算法中的粒子个体,在全局空间中搜索具有最优适应值的参数向量。实例仿真证实了该方法的有效性。

云计算环境下基于ABC-QPSO算法的资源调度模型

为了提高云计算资源的利用率,保证节点负载均衡,提出一种人工蜂群算法和量子粒子群算法相融合的云计算资源调度模型(ABC-QPSO)。首先将人工蜂群算法的搜索算子作为变异算子引入到量子粒子群算法中,以解决量子粒子群算法早熟收敛缺陷,然后以任务完成时间最短作为量子粒子群的适应度函数对云计算资源调度进行优化,最后在Cloud Sim平台上对ABC-QPSO的性能进行测试。结果表明,ABC-QPSO算法不仅克服了QPSO算法的不足,而且有效缩短了任务的完成时间,提高了云计算资源利用率,适合于进行大规模任务的云计算资源调度。

改进的QPSO-BP算法的铀价格预测模型及应用

铀产品价格的变化直接决定了铀矿项目的价值,铀产品价格的预测,可提高企业的经营决策能力和抗风险能力。为提高预测的精度,采用基于改进的量子粒子群算法优化训练BP神经网络的学习算法,对铀价格进行建模预测。采用改进的QPSO算法优化BP网络的权值与阈值。将通过优化搜索得到的粒子的位置向量解码作为网络的权值与阈值,选择网络结构5-11-1对铀价格进行预测。结果表明:QPSO-BP模型的预测精度(0.15%)高于PSO-BP模型(4.55%)与BP模型(30.86%)。泛化能力指标平均相对变动值为0.002 5,预测结果的泛化能力提高。相对误差分布集中,预测结果稳定。说明该模型在铀价格预测中有效,对项目投资决策有一定的参考价值。