基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。

一种求解最优机组组合问题的随机扰动蚁群优化算法

针对蚁群优化算法中易出现的停滞现象 ,设计出一种新颖的随机扰动蚁群优化算法。该算法包含了两个重要方面 :一是提出了采用倒指数曲线来描述的扰动因子 ;二是设计出了相应的随机选择策略和扰动策略。此外 ,还对该算法中参数的选取方法及取值范围进行了研究和探讨。利用该算法求解最优机组组合问题 ,并在模型的转化、约束项的处理等方面进行了深入的分析。通过对两个测试系统进行计算 ,并与基本蚁群算法进行比较 ,证明了该算法可以有效地克服基本蚁群算法计算时间较长和容易出现停滞现象的缺陷 ,具有更好的全局优化能力。

改进蝙蝠算法在多目标优化中的应用

在模拟退火的高斯扰动蝙蝠优化算法(SAGBA)的基础上,结合解决多目标优化问题的算法技术,探讨了2种改进的多目标蝙蝠算法——基于动态加权的SAGBA算法(DWASAGBA)和基于向量估计的SAGBA算法(VESAGBA),并对算法进行了仿真实验.结果表明,SAGBA算法所得到的解集分布均匀,能够得到测试函数较为准确的Pareto曲线.

基于优化扰动法的光伏发电系统最大功率控制方法的研究

光伏发电系统最大功率跟踪的意义在于将光伏阵列产生的电能尽可能多地输出,从而尽可能地提高系统的能量转换效率。就目前现有的最大功率点跟踪方法进行了分析,并结合这些方法在应用中存在的局限性和应注意的诸多问题,提出了一种基于优化电导增量算法的最大功率跟踪方法,该方法依据光伏发电系统的输出特性,通过在多个可能的极值点附近进行局部寻优方式,最后通过比较局部最优确定系统最大功率点。通过MATLAB仿真验证表明:本方法可快速、准确实现极复杂条件下系统最大功率跟踪。

基于PSO算法的SOR最优松弛因子选取研究

目前选取逐次超松弛迭代法(SOR)最优松弛因子的基本思路是:在区间(0,2)上,根据确定的分割策略,选取分割点的值作为松弛因子来计算相应的SOR迭代次数,将小于预设的SOR迭代次数阈值的松弛因子作为最优解返回,例如二分比较法、黄金分割法、逐步搜索法等,其缺陷在于不易找到全局最优松弛因子且对参数依赖较大。为克服传统策略解决该问题的不足,受粒子群优化算法及其在不同场景成功应用的启发,提出利用基本粒子群优化算法(bPSO)、简化粒子群优化算法(sPSO)、带极值扰动粒子群优化算法(tPSO)和带极值扰动的简化粒子群优化算法(tsPSO)来搜索SOR迭代法最优松弛因子。通过对两个不同的线性方程组的实证测试,验证了四种算法在选取SOR最优松弛因子问题上的有效性。

优化基于近红外光谱的联合间隔偏最小二乘法建模检测芝麻油掺伪含量

应用近红外光谱(NIR)分析技术建立测定芝麻油中大豆油含量的定量分析模型。基于32个含量梯度共384个掺伪芝麻油样品的近红外光谱,首先采用标准正态变量变换(SNV)对光谱进行预处理,再采用无信息变量消除法(UVE)初步筛选波长变量,然后结合联合间隔偏最小二乘法(SiPLS)和带极值扰动的简化粒子群优化算法(tsPSO)建立芝麻油中大豆油掺伪含量预测模型,经特征波段选取后建立的模型变量减少,波长变量由451个减少到219个,训练集和测试集相关系数分别为0.9998和0.9919,均方根误差分别为4.39E-2和3.99E-2。结果表明,该方法能够作为芝麻油中大豆油掺伪含量的快速检测方法。此外,该方法也可应用到芝麻油中掺入其他低价值油的掺伪含量检测中。