基于改进云自适应粒子群的多DG配电网EV充电站优化配置

考虑到分布式电源（distributed generator,DG）并入配电网的未来前景,提出了电动汽车（electric vehicle,EV）充电站的模糊服务半径新概念,建立了一种计及环境代价、交通流量、电能质量和建设成本等综合因素的EV充电站选址定容的新模型,在满足多目标约束条件下求取年均利润最优。提出了一种改进的云自适应粒子群算法（ICAPSO）,使其更适用于大数据EV充电站优化模型的寻优迭代求解。将多个DG并入IEEE123节点配电网拓扑,用MATLAB仿真进行了算法对比,验证了所提优化模型和算法在多DG并网情景下的可行性和有效性,且算法具有较好的全局寻优能力和防早熟收敛特性。

一种采用云自适应粒子群算法的盲源分离

针对大多盲源分离算法全局收敛性能不理想,收敛速度慢的缺陷,借鉴自适应粒子群算法的思想,利用云模型中云滴的随机性和稳定倾向性特点,提出一种云理论的自适应粒子群(CAPSO)盲源分离算法,以分离信号的峭度为目标函数,用自适应调整策略把粒子群分为三个子群,根据云方法修改普通子群的惯性权重,使惯性权重随着适应度值自适应调整。仿真结果表明,改进算法能完成含噪信号分离,并且有效地避免了早熟收敛,较基本PSO提高了全局搜索能力和收敛速度,分离效果好。

基于云自适应粒子群优化算法和随机森林回归(CAPSO-RFR)的负载均衡预测

针对传统的云计算资源负载预测算法存在精度低和误差大的缺点,将云自适应粒子群算法应用于随机森林回归参数的选择,提出一种基于CAPSO-RFR的云计算资源均衡负载预测算法。研究结果表明,CAPSO-RFR可以有效提高云计算资源负载预测的精度,为云计算资源的规划、调度以及云计算平台的性能优化提供决策依据。

基于云自适应梯度粒子群算法的无功优化

粒子群算法存在着早熟的现象,易陷入局部最小点,为了克服这个缺点,文章首先将云模型引入粒子群算法,将粒子分成2部分,靠近最优粒子和远离最优粒子的部分,其中靠近最优粒子种群的惯性权重由云模型的X-条件发生器自适应调整,提出了云自适应粒子群算法(cloud adaptiveparticle swarm optimization,CAPSO),然后引入梯度的思想,提出云自适应梯度粒子群算法(cloud adaptive gradientparticle swarm optimization,CAGPSO)。以网损最小为目标函数,对标准IEEE 14和IEEE 30节点系统进行仿真计算,结果表明改进后的CAGPSO算法能够获得更好的优化解。

基于相似日和CAPSO-SNN的光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种基于相似日和云自适应粒子群优化(CAPSO)算法优化Spiking神经网络(SNN)的发电功率预测模型。考虑到季节类型、天气类型和气象等主要影响因素,提出以综合相似度指标进行相似日选取;以SNN强大的计算能力和其善于处理时间序列问题的特点为基础,结合CAPSO算法搜索的随机性和稳定性优化SNN的多突触连接权值,减少对权值的约束,提高算法的收敛精度。根据某光伏电站的实测功率数据对所提模型进行测试和评估,结果表明,该模型比传统预测模型具有更高的预测精度和更好的适用性。

基于数据挖掘和CAPSO-SNN的电力作业风险态势感知

随着电力作业安全监控技术的不断发展,电力作业全过程在线信息采集成为可能。以电力作业数据为基础,提出一种基于数据挖掘和云自适应粒子群优化脉冲神经网络(CAPSO-SNN)的电力作业风险态势感知方法。该方法首先从电力作业事故事件数据库中提炼出所有作业风险影响因素以构建风险影响因素体系,然后通过主成分分析法从中挖掘出作业过程中应重点关注的风险关键要素,再以风险关键要素作为输入参数,通过云自适应粒子群优化脉冲神经网络进行作业风险态势感知的训练和预测。最后,以某电网公司的实际历史作业事故事件为样本,展示了所提方法的应用过程。算例结果表明,该方法不仅适用于分析电力作业的风险组成,还可以在作业过程中有效地感知风险状态信息,跟踪风险发展趋势,有助于实施电力作业风险的全过程精细化态势利导管控。

基于CAPSO-BPNN的铁路信号运行状态预警方法研究

为提高铁路信号运行状态预警的准确率,克服BPNN模型存在收敛速度慢和局部最优的缺点及其性能易受网络的初始权值、阈值等参数选择的影响,本文提出一种基于CAPSO-BPNN的铁路信号运行状态预警模型。结果表明,与PSO-BPNN和BPNN相比较,CAPSO-BPNN模型具有更高的预警准确率和更优的性能,为铁路信号运行状态预警提供了新的方法和途径。

基于分时电价的电动汽车调度策略研究

电动汽车作为一种新兴负荷,大量接入配电网会对电能质量、频率稳定、电压稳定等产生一系列影响。通过对现有的分时电价制度进行分析,在配电网方面以系统负荷均方差最小化和系统负荷峰谷差最小化为目标函数。在用户侧方面以电动汽车用户充放电成本和电池损耗成本最低作为目标函数,建立电动汽车多目标优化调度模型。通过云自适应粒子群算法进行寻优。仿真结果表明:该调度策略适合于分时电价,与固定电价相比优化了系统负荷同时降低了用户成本。价差更大、均值更高的分时电价2与分时电价1相比略微增加了用户成本,但它对电网的调峰能力明显增强。