基于动态调整惯性权重粒子群算法的冷热电联供系统运行优化

为实现能源梯级利用、冷热电联供系统优化运行,将基本粒子群算法、改进粒子群法、动态调整惯性权重的粒子群(IDWPSO)算法进行对比。结果表明,相较于其他两种算法IDWPSO算法在收敛速度与精度方面都有更好的表现。建立以运行成本和环保成本最小为目标的冷热电联供系统模型,并采用IDWPSO算法优化。结果表明,在满足系统负荷与约束条件下,IDWPSO算法优化后的系统综合成本有所降低,对CCHP系统优化运行具有指导意义。

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。

动态调整粒子群-霍尔特模型在径流预测中的应用

为了提高水库和河流中长期径流预测精度,针对粒子群算法存在的缺陷,提出了动态调整粒子群算法(DAPSO)。借助霍尔特-温特斯线性季节性模型的预测功能,应用DAPSO算法求解和优化霍尔特-温特斯线性季节性模型组合参数,形成动态调整粒子群-霍尔特-温特斯线性季节性模型组合算法,对石泉水库进行中长期径流预测。仿真计算表明,动态调整粒子群-霍尔特-温特斯线性季节性模型算法收敛速度快于霍尔特-温特斯线性季节性模型算法、粒子群-霍尔特-温特斯线性季节性模型算法。该组合算法克服了按梯度试算法搜索质量差和精度不高的缺点,输出稳定性好,预报精度显著提高,置信度为95%时的预测相对误差小于6%。该算法可应用于水库和河川中长期径流预测。