基于改进粒子群算法的配电网分布式光伏接入容量优化计算

针对配电网自身调节能力有限、网络架构支撑能力不足导致的分布式光伏接不下、接入不合理等问题,提出一种基于改进粒子群算法的配电网分布式光伏接入容量优化计算方法。首先,对分布式光伏高比例接入情况下的配电线路参数辨识方法进行研究,为容量计算提供准确的拓扑参数。其次,构建了基于改进粒子群算法的配电网分布式电源最优接入容量计算模型;最后,给出了所建模型的求解方法,并通过算例分析,验证了所提配电网分布式光伏接入容量优化计算方法的有效性与合理性。

基于竞争式协同进化的混合变量粒子群优化算法

现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明:相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。

粒子群优化算法在无人分布式阵面的应用

机载雷达受限于载机平台,无法获得更大口径的阵面,而在无人机平台,可将雷达阵面化整为零,在有限阵元数条件下,采用稀布阵列可获得更大口径的阵面。然而稀布阵列造成方向图栅瓣和副瓣的抬高,需对稀布阵列进行优化,消除栅瓣、降低副瓣后方能使用。稀布阵列方向图优化是一个离散优化问题,将粒子群优化算法应用于无人分布式雷达的稀布阵列上,其算法原理简单,运行速度快,可调参数少,以较少的阵元数获得无栅瓣和低副瓣的方向图,从而提升无人分布式阵面的性能。

基于粒子群优化算法的急诊科心电监护设备风险管理模式研究

目的:基于粒子群优化(PSO)算法构建设备风险管理模型,探讨其在急诊科心电监护设备管理中的应用价值。方法:采用PSO算法优化神经网络模型构建心电监护设备风险管理模型,收集北京市普仁医院心电监护设备运行风险数据进行归一化处理,并将2021年11月至2023年10月北京市普仁医院急诊科在用的30台心电监护设备,按照设备管理模式不同对其分别采用反向传播(BP)神经网络模型(简称传统BP模式,设备运行时段为2021年11月至2022年10月)和PSO算法的设备风险管理模型(简称PSO算法模式,设备运行时段为2022年11月至2023年10月)进行管理,比较两种管理模型设备风险故障识别效果(测试集与训练集)、警报风险控制效果和设备故障维修诊断用时。结果:采用PSO算法的测试集风险故障数据识别受试者工作特征(ROC)曲线下面积(AUC)值、准确率、灵敏度和特异度分别为0.869、93.6%、92.8%和95.1%,训练集风险故障数据识别AUC值、准确率、灵敏度和特异度分别为0.839、95.6%、97.9%和96.7%,均高于传统BP模式,差异有统计学意义(x_(测试)^(2)=3.691、4.023、3.557、3.409,x_(训练)^(2)=6.884、5.962、5.334、3.215;P<0.05)。采用PSO算法的心电监护设备警报阈值合格率和设备维护平均合格率分别为(98.61±3.07)%和(98.79±3.11)%,均高于传统BP模式,警报静音率为(1.14±0.27)%,低于传统BP模式,差异均有统计学意义(Z=11.831、10.020、21.141,P<0.05)。采用PSO算法的心电监护设备内部报修用时、外部报修用时、故障诊断用时和报修总用时分别为(1.21±0.96)、(3.18±1.09)、(5.08±1.93)和(10.95±2.81)min,均少于传统BP模式,差异有统计学意义(t=15.404、19.020、16.694、25.511,P<0.05)。结论:基于PSO算法构建的心电监护设备风险管理模型应用,能够提高心电监护设备风险故障数据识别灵敏度、特异度和准确性,提升警报阈值合格率和设备维护合格率,降低警报静音率,缩短故障诊断报修用时。

基于粒子群算法的6.6 kV核电厂中性点接地方式优化策略

随着地区经济发展,某核电厂中压系统的规模不断扩大,系统电容电流快速增长,重要负荷日渐增多,对供电可靠性的要求也日益提高,传统的中性点接地方式可能跟当前的运行需求无法匹配,需要进行优化。因此提出了评价中性点电阻阻值优劣的多维度指标,以接地方式的安全性评价指数最大为目标建立目标函数及隶属度函数,根据某核电厂的实际运行设置指标权重,利用粒子群算法求解目标函数最大值及对应的中性点电阻阻值,优化了中性点接地方式。

基于改进粒子群算法的中深层地源热泵供暖系统运行优化

构建变工况运行且包含蓄热装置的中深层地源热泵供暖系统,基于改进粒子群算法,分别以运行费用、系统COP和地热能利用系数为目标函数对系统运行进行优化,并对优化结果进行比较和分析。结果表明:对应目标函数优化后的运行费用、系统COP和地热能利用系数分别为279.27元、6.4420和0.8527。以系统COP为目标函数的优化效果与运行费用相反,而与地热能利用系数相近。

基于精英知识引导的多种群协作粒子群优化算法

目的为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO)。首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精英知识的反向学习和极值扰动策略对粒子施加变异,帮助粒子扩大搜索区域并加强对最优邻域的精细探索。结果为验证MGCPSO的性能,在30维和100维的基准测试函数上进行了仿真实验研究,结果表明,相比于其他几种改进算法,提出的算法在收敛速度和收敛精度上均有良好表现。结论多种群协作粒子群优化可以有效避免算法早熟收敛和陷入局部最优,同时可以提高算法的全局搜索能力和局部开发能力。

基于粒子群优化算法的分布式光伏选址定容方法

为减少分布式光伏接人对配电网的影响,提升分布式光伏消纳水平,需研究分布式光伏的选址定容优化问题。分布式光伏的选址定容问题是非线性、多变量、多目标的优化问题,以系统网损、电压偏差、光伏消纳量为优化目标,以潮流、节点电压、支路电流等为约束条件,以分布式光伏的位置和容量为决策变量,构建含分布式光伏的配电网多目标约束优化模型。采用粒子群优化算法对优化模型进行求解。以IEEE33节点配电系统为算例进行仿真和对比分析,验证所述方法的可行性和优越性。

基于改进粒子群算法优化PID控制的主动悬架性能研究

针对二自由度主动悬架比例-积分-微分(PID)控制器参数整定问题,引入粒子群算法,借助粒子群算法的全局搜索能力解决PID控制器参数整定问题,考虑到传统粒子群算法收敛速度较慢,设计了一种改进粒子群算法,根据悬架性能评价指标建立目标函数,分别模拟了随机路面激励输入和减速带式梯形冲击路面激励输入,并验证了基于改进粒子群算法优化的PID控制器的有效性。仿真结果表明:改进粒子群算法后目标函数的收敛速度明显提高;基于改进粒子群算法优化PID控制的主动悬架在不同激励输入条件下均具有较好的行驶平顺性;验证了改进粒子群算法的有效性并解决了PID控制器参数整定问题。

基于神经网络和粒子群算法的硅钢工艺参数优化

结合BP神经网络与粒子群算法,提出了一种降低硅钢铁损的工艺参数优化策略。首先,采用BP神经网络建立了对硅钢铁损的预测模型,模型具有很高的拟合精度和预测精度。然后在工艺参数的优化方面,以BP神经网络预测模型作为适应度函数,选取连续退火RTF炉段的各段炉温作为优化变量,采用粒子群算法优化这些工艺参数。结果显示,基于BP神经网络,采用粒子群算法对部分工艺参数进行优化后,硅钢铁损明显降低,具有一定的指导意义。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

采用改进多目标粒子群算法的斜拉桥阻尼器参数优化

为克服大跨度斜拉桥黏滞阻尼器优化设计效率低、多个相互制约的减震控制目标的问题难以权衡,基于遗传算法的“变异”方法,提出了改进多目标粒子群算法来进行阻尼器参数优化设计。建立大跨度斜拉桥的有限元模型,开展了全桥地震响应分析,根据抗震需求在桥梁纵向设置黏滞阻尼器;分别建立了塔底弯矩、阻尼力和梁端位移的减震响应与阻尼器参数之间的响应面数学模型;以减震响应面模型为研究对象,通过该算法进行阻尼器参数全局自动寻优分析,确定了阻尼器的最优参数,并与采用参数敏感性分析方法确定的一组阻尼参数进行对比分析。研究结果表明:该优化方法具有计算精度好、优化效率高和更好地权衡多个相互制约的减震控制目标的优点;通过优化算法获得的阻尼器参数组合相比采用参数敏感性分析方法获得的阻尼参数组合的减震响应,塔底弯矩增大1.73%,阻尼力减小5.97%,梁端位移减小1.66%;在无需多次有限元试算的基础上确定了更高精度的阻尼器优化参数组合,在提高减震效果的同时大大提升了计算效率。

退火粒子群算法优化外加电流阴极保护方案

为了解决目前提出的各种外加电流阴极保护设计方法在同时优化电流和阳极位置时,由于被保护构件几何形状复杂往往陷入局部最优而导致效果欠佳的问题,本文提出了一种改进的模拟退火粒子群算法。传统方法在退火环节中,将每个粒子迭代后都要通过Metropolis规则对全局最优粒子进行替换,本文改进为待所有粒子迭代完毕后,从中选中最优粒子,通过Metropolis规则对全局最优粒子进行替换,这在一定程度的上保护了最优解;将外加电流、电极空间位置合成为一个粒子,运用上述算法进行迭代求解最优方案:阳极的最优位置为[0.3389,3.1551,0.47706,1.1943]、输入电流为[0.09639 A,0.099079 A]。据此计算了船体表面电位分布。结果表明:船体表面电位分布均匀,标准偏差最大为0.0028,最小为0.0014,达到了保护的目的。

改进粒子群优化算法在机械臂轨迹规划中的应用

针对机械臂运动效率与稳定性问题,提出了一种基于改进粒子群算法的时间优化轨迹规划方法。该方法以3-5-3组合分段多项式插值算法为基础,以分段区间的时间为优化目标,通过带有动态学习因子与收缩因子的改进粒子群优化算法进行优化。本文以实验室的空中作业机器人作业机械臂为模型,将本文方法与标准粒子群优化规划方法进行比较,仿真结果证明该方法收敛速度和精度都有明显改善,且算法未陷入局部收敛,最终优化结果有12.8%的提升。在该轨迹下机械臂的关节角度、速度、加速度曲线平滑无突变,机械臂运动平稳,方法具有可行性。

基于协同进化粒子群优化算法的水资源配置模型及应用

面向新发展阶段的城市水资源配置具有多目标、多变量、约束条件复杂、求解结果非线性、求解过程困难等特征。针对线性规划、动态规划、非线性规划等传统优化算法在解决水资源配置问题中求解结果不合理、计算效率低,求解多目标问题收敛慢等问题,提出了基于协同进化粒子群优化(CPSO)算法的多目标水资源优化配置模型。以郑州市为例,构建了以实现社会、经济和生态效益的最大化为目标,供水量、需水量、供水能力和水库库容为约束的水资源配置模型。通过输入郑州市各计算单元和用水部门的用水需求量和可用水量,该模型计算并输出郑州市9个区在2019年、2035年的缺水率。结果表明:郑州市供水的区域分布比较均衡,缺水率在可接受范围内;该模型算法进化速度较快,进化的稳定性较优,优化结果在种群中可以很好地保留且对进化方向的主导性很强,可以有效地应用于解决水资源配置问题,并提升模型计算效率,为水资源管理部门提供技术支持。

基于人工免疫-改进粒子群优化算法的机械臂轨迹规划研究

焊接机器人运动轨迹复杂、控制精度要求高。提出了一种满足多目标约束的轨迹规划方法。针对机器人轨迹平滑性要求,以5次非均匀有理B样条(Non-Uniform Rational B-Splines,NURBS)曲线为基础,对笛卡儿空间路径点进行参数化表达;根据工业机器人路径约束及工况需求,选取时间、能耗、跃度3个运动学指标作为目标优化函数,采用人工免疫双态粒子群进行轨迹优化;为了平衡粒子“探索”与“利用”,增加双模态模型,引入人工免疫系统,提升了粒子多样性与后期收敛能力;根据Pareto解集得到满足约束的焊接机器人各关节最优轨迹,通过Matlab仿真证明了方法的有效性;最后,针对空间相贯曲线焊缝进行了焊接试验。结果显示,规划的轨迹符合实际工程需求。

基于改进的粒子群优化算法的暖通空调制冷机房BIM自动优化布置方法

采用结合Revit API和MATLAB的编程模式,对Revit平台进行了有效的二次开发,从而实现了暖通空调制冷机房设备的自动化布置设计,不仅有效地实现了设备布置方案的自动生成,还支持了布置方案的预览与验证,显著提高了设计效率和准确性。该研究的创新之处在于成功将粒子群优化算法与BIM技术相结合,为暖通空调系统的自动化设计提供了新的视角,并验证了BIM在暖通空调领域正向设计中的应用潜力。

基于混合粒子群算法的波浪能发电集群优化方法

对波浪能发电集群的优化控制有助于波浪能的有效利用,为此文章提出了基于混合粒子群算法的波浪能发电集群优化方法。以直驱式发电装置为研究对象,探讨其构成发电集群短期尺度下稳定状态的数学模型,由简至繁依次考虑波浪动态压力、装置间辐射影响和遮挡效应,以便更准确地模拟一定密集度的波浪能发电装置部署下的实际效果。以集群功率最大化为优化目标,根据装置运动和海域能量约束,提出混合粒子群算法求解集群的最优参数,在传统算法基础上设定自适应惯性权重并加入交叉和变异操作,以应对复杂集群方程解空间的多峰性问题。算例结果验证了所述集群优化方法的有效性,求解质量良好;同时表明波浪能发电集群规模越大,装置之间的辐射影响越复杂,遮挡效应越明显。

陷阱标记联合懒蚂蚁的自适应粒子群优化算法

为解决现有粒子群改进策略无法帮助已陷入局部最优和过早收敛的粒子恢复寻优性能的问题,提出一种陷阱标记联合懒蚂蚁的自适应粒子群优化(adaptive particle swarm optimization based on trap label and lazy ant, TLLA-APSO)算法。陷阱标记策略为粒子群提供动态速度增量,使其摆脱最优解的束缚。利用懒蚂蚁寻优策略多样化粒子速度,提升种群多样性。通过惯性认知策略在速度更新中引入历史位置,增加粒子的路径多样性和提升粒子的探索性能,使粒子更有效地避免陷入新的局部最优。理论证明了引入历史位置的粒子群算法的收敛性。仿真实验结果表明,所提算法不仅能有效解决粒子群已陷入局部最优和过早收敛的问题,且与其他算法相比,具有较快的收敛速度和较高的寻优精度。

基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^(*)、a^(*)、b^(*)进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^(*)、a^(*)、b^(*)平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。