一种基于调节因子的小生境粒子群优化算法

针对混沌变异的小生境粒子群优化算法(NCPSO)进化中收敛速度慢、搜索精度低的缺点,提出一种基于调节因子的NCPSO改进算法(NCPSO-FLV)。通过引入速度调节因子,对收敛速度做出判断,改变粒子速度帮助粒子跳出局部最优值,使种群多样性得到加强,收敛速度和搜索精度得到提高。实验结果表明,与基于惯性权重的基本粒子群算法和NCPSO算法相比,NCPSO-FLV算法的精度更高,适用于生产任务分配的工业优化计算。

基于变异CPSO算法的LSSVM蒸发过程软测量

在分析混沌粒子群优化算法(CPSO)和最小二乘支持向量机(SVM)理论基础上,以某氧化铝厂蒸发过程为对象,采用带有末位淘汰机制的混沌粒子群优化算法优化支持向量机的参数,建立了基于变异CPSO算法的LS-SVM的氧化铝蒸发过程软测量模型,并与PSO-LSSVM、LSSVM模型比较,研究表明,ICPSO-LSSVM模型预测准确,泛化性能好,且该模型预测结果中相对误差小于5%的样本达到92.5%,最大相对误差仅为8.1%,均方差MSE为0.05153,模型具有较高的精度,其现场实施结果表明基本可以实现出口浓度的实时在线预估。

基于AMCPSO优化Kriging插值的温度补偿方法研究

为了降低温度变化对转换力传感器测量精度的影响,提出一种自适应变异混沌粒子群算法(AMCPSO)优化Kriging插值的温度补偿算法(AMCPSO-Kriging)。研发转换力传感器,分析温度对传感器输出的影响,建立温度补偿标定实验平台,通过标定实验获得建立温度补偿模型所需要的样本集,采用数据稀疏化方法对样本数据进行优化。通过Kriging插值构建了温度补偿模型,利用AMCPSO算法以交叉验证方式下模型预测产生的均方根误差和作为适应度函数,对Kriging插值中的范围参数θ和平滑度参数pk进行寻优求解,得到性能最佳的温度补偿模型。基于AMCPSO-Kriging温度补偿模型对转换力传感器的测量效果进行实验验证,与标准力传感器进行对比。实验结果表明:对样本数据进行稀疏化处理,算法平均运行时间从1076 s减少到6 s,提高了温度补偿算法的运行效率。在−20~70℃温度范围内,经过AMCPSO算法优化的Kriging模型有效提高了转换力传感器的测量精度,相比于未经AMCPSO算法优化的Kriging插值,转换力传感器测量的平均满量程误差从1.2%FS降低到0.6%FS。通过现场实验验证温度补偿的效果,转换力传感器测量的绝对误差在70 N以内,最大满量程误差为2.3%FS。所提出的温度补偿方法有效消除了温度对传感器测量精度的影响,满足铁路工况使用要求,对转换力传感器在铁路上实际运用具有重要价值。

基于变异CPSO算法的LSSVM出水COD的软测量研究

在分析混沌粒子群优化算法(CPSO)和最小二乘支持向量机(SVM)理论基础上,以某污水处理厂的氧化沟系统为对象,采用带有末位淘汰机制的混沌粒子群优化算法优化支持向量机的参数,建立了基于变异CPSO算法的LS-SVM的氧化沟出水水质COD软测量模型,并与PSO-LSSVM,LSSVM模型比较,研究表明,ICPSO-LSSVM模型预测准确,泛化性能好,且该模型预测结果中相对误差小于10%的样本达到90%,最大相对误差仅为12.5%,均方差MSE为0.0106,模型具有较高的精度,基本可以实现出水COD浓度的在线预估。

计及风机出力和负荷随机性的配电网无功规划

为保证无功规划方案能够适应风机出力和负荷的随机变化、电网在所有负荷水平都能安全且经济的运行,本文计及风机出力和负荷的随机性,在不同负荷水平下研究了含风电机组的配电网无功规划问题。以不同负荷水平下系统支出费用最小为目标,建立了配电网无功规划数学模型。通过三点估计法将概率潮流计算转变为采样点处的确定潮流计算,来处理模型中的不确定因数。针对粒子群算法易陷入局部最优的缺陷,采用自适应混沌变异粒子群算法(ACMPSO)用于模型的求解。在已知无功补偿装置安装位置但安装容量不确定的情况下,确定各待补偿节点的最优容量配置。通过对改进的IEEE33节点配电网的仿真测试,验证了所提出的无功规划策略的有效性。