基于改进多目标差分灰狼算法的配电网无功优化

配电系统静止同步补偿器(Distribution Static Compensator,DSTATCOM)接入配电网能够有效解决高渗透率的光伏与时变负荷对主动配电网带来的影响.对含DSTATCOM与并联电容器组(capacitor banks,CB)的配电网进行协调无功优化能够有效解决分布式光伏以及时序负荷对系统电能质量的影响.本文以有功网损、电压偏差以及补偿容量最小为目标函数,建立了DSTATCOM与CB的配电网协调无功优化模型.针对原始灰狼算法(gray wolf optimization,GWO)中不足,提出多目标差分灰狼算法(multi-objective differential evolution gray wolf optimization,MODEGWO).最后以IEEE 33节点系统为例,引入某地区典型日光伏与负荷的时序波动功率,对含DSTATCOM与并联电容器组进行协调无功优化,得到动态运行策略.仿真结果验证了所提模型与算法的正确性与有效性.

一种基于差分灰狼算法的消费者信心预测指数的设计

研究目标:在大数据和互联网经济发展的背景下,有效预测消费者信心指数(CCI)以保证相关政策的制定。研究方法:基于完全集合经验模态分解(CEEMD)-差分灰狼算法(DEGWO)-BP神经网络(BPNN),建立消费者信心指数预测模型,并运用DM检验法对该模型与对比模型的预测性能进行测试。研究发现:引入CEEMD法能够有效解决误差序列随机性强等缺陷;新提出的预测+模型较对比模型的预测精度明显提高,泛化能力有所增强,且更能够精准捕捉CCI的变化规律。研究创新:将CEEMD-DEGWO-BPNN模型应用于CCI预测中。研究价值:新提出的组合预测模型能够为CCI预测提供新方法,且有效地提高预测精度。

基于XGBoost和改进灰狼优化算法的催化裂化汽油精制装置的辛烷值损失模型分析

为了降低催化裂化汽油精制装置的辛烷值损失,基于机器学习技术和改进灰狼优化算法建立了汽油辛烷值损失的预测和优化模型。首先通过Pearson相关系数法、最大互信息系数法(MIC)和基于随机森林的特征选择方法分别对影响汽油辛烷值的367个特征进行训练获得各特征的重要度评分,对3种方法的结果按权重法进行融合获得最终的特征重要度排序,根据特征重要度占比之和超过95%的指标,选出25个特征作为建模主要变量;然后基于XGBoost算法建立汽油辛烷值损失预测模型,对比其他机器学习模型,验证了XGBoost在测试集上的预测性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)分别为1.3197、0.3581和0.9981;最后采用汽油辛烷值损失值与主要变量的映射函数作为目标函数,建立关于汽油辛烷值损失值最小的单目标优化模型,为了提高模型的求解速率和准确度,基于sigmoid函数的收敛因子调整策略和个体更新的差分变异策略,提出了一种改进的差分灰狼优化算法。结果表明,优化后的样本辛烷值损失值均减小到0.4左右,同时86.15%的样本辛烷值损失降幅在60%~80%之间,说明建立的优化模型和所提出的改进差分灰狼优化算法是合理的。通过数据挖掘技术建立的降低汽油辛烷值损失模型可以尽量减少汽油精制过程中的辛烷值损失,为石化企业和运营商提供决策分析。

基于DE-GWO算法的矿井风网风量调节方法

为及时满足井下某一用风地点的需风要求,提出一种根据分支风量期望值来选择不同调节分支的智能应急调风方案。首先,以矿井通风网络需风分支风量可调最大化为目标,建立通风网络的非线性优化数学模型,针对该优化模型中的风量平衡、风压平衡等约束条件,采用不可微精确罚函数将其转化为目标模型中的惩罚项。然后,通过对风网灵敏度矩阵的计算求解,得出最优的可调分支集和风阻调节范围,并基于灰狼算法实现寻优。为克服灰狼算法在求解复杂问题上易陷入局部最优的缺陷,提出一种差分灰狼算法(DE-GWO),该方法在对种群个体位置不断迭代更新的基础上,加入差分进化算法的变异、交叉、选择操作,进而维持种群的多样性。最后,基于矿井智能控制系统实验平台验证应急调风方案的可行性。研究结果表明:相比于GWO算法,本文提出的DE-GWO算法在寻优性能和稳定性方面提升显著,可用于及时调节风量。

基于变量选择和DE-GWO算法的光伏发电功率预测

随着光伏产业的迅猛发展,光伏发电量在电力交易市场所占份额越来越大。光伏发电自身间歇性和不可控等特征给电力系统的稳定性带来巨大冲击。为减少此类状况发生,需要提高光伏发电预测精度。但传统建模过程中经常由于输入变量维度过多,或是参数调整不当导致模型精度差。利用随机森林对初始输入变量进行重要性评价及筛选,利用差分灰狼算法对支持向量机模型参数进行优化。通过建立对比试验发现,在经随机森林降维和差分灰狼算法优化后的模型具有更高的预测精度,验证了该方法在光伏发电功率预测领域的可行性和有效性。

火电厂燃煤锅炉NOx排放预测模型优化设计

针对传统的建模方法无法建立精准的锅炉燃烧数学模型及其氮氧化物(NOx)排放预测精度不高等问题,提出一种差分量子灰狼(DEQGWO)算法来优化无迹卡尔曼滤波(UKF)的预测模型。利用不同工况下1000MW超超临界机组锅炉历史数据验证DEQGWO-UKF模型预测结果并与基本UKF模型、PSO-UKF模型进行预测精度对比。结果证明:DEQGWO算法比其它仿生算法在优化UKF预测NOx模型中有更好的预测精度和泛化能力,对火电厂SCR系统NOx预测提供有效解决方法。

基于DEGWO-LSSVM的输电线路覆冰厚度预测模型

为了提高输电线路覆冰预测精度,采用差分进化算法对灰狼优化算法进行改进,形成差分灰狼算法,采用差分灰狼算法(Differential Evolution Grey Wolf Optimization,DEGWO)对最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)进行优化,建立基于DEGWO-LSSVM的输电线路覆冰厚度预测模型。采用两组实际运行线路的覆冰增长数据进行算例分析,并与其他覆冰预测方法对比,结果表明,DEGWO-LSSVM模型的误差波动更小,预测精度更高,验证了文章所提覆冰预测模型的正确性和实用性。

基于改进的神经网络方法的风暴潮灾害经济损失预测

风暴潮灾害一直以来对中国东南沿海地区的社会经济发展具有较为严重的负面影响,是对中国造成危害最为严重的海洋灾害之一,建立一个准确有效的损失评估模型进行风暴潮灾害损失预测,对风暴潮灾害的预防具有重要的意义。本文在现有研究的基础上收集了2000—2018年中国东南沿海的琼、粤、闽、浙等省份记录较为完整的风暴潮灾害相关数据,在综合考虑危险性、承灾体脆弱性、孕灾环境和防灾减灾能力的基础上,建立起更为完整的风暴潮灾害损失的指标体系。相较于单一的BP神经网络,本文在借鉴机器学习相关理论的基础上搭建了差分进化灰狼算法(DEGWO)优化的BP神经网络,对样本进行训练和仿真测试。结果表明,通过DEGWO算法优化后的模型误差更小,数据的拟合程度更高,对比而言,提高了风暴潮灾害损失预测的精确性,能够为风暴潮灾害损失预测的研究提供新的思路,同时也为风暴潮灾害的防灾减灾管理提供了指导。

求解考虑机器调整时间的并行机分批优化调度问题

基于目前车间调度问题是以单个或整批进行生产加工的并行机调度模型已不再符合实际工况下的车间生产。提出以最小化最大完工时间为优化目标,对遗传差分进化混合算法,灰狼差分进化混合算法进行了比较。为提高加工工件进行分批及分批之后子批的分配与排序效率,该问题是对不同规模的经典并行机调度问题进行求解并展示两种算法的求解,证明了灰狼差分进化混合算法在寻优性能上优于遗传差分进化混合算法,不仅具有更好的解的稳定性,而且具有更高的寻优精度。

联合收获机割台装置装配质量智能检测方法与精度研究

针对联合收获机割台装置装配质量检测方法改进和精度提升等问题,结合智能算法进行装配质量检测,采用小波包能量熵对东方红4LZ-9A2联合收获机割台振动数据进行特征提取,利用差分灰狼优化算法平衡全局和局部寻优能力对支持向量机的惩罚系数和核函数半径进行寻优。小波包能量熵所用算法时间相较于变分模态分解和经验模态分解分别缩短了97.64%和96.89%,预测准确率分别提升了1.74%和56.25%,优化后支持向量机预测识别的准确率提升了2.05%。并使用优化后的模型对割台装置进行装配质量检测,进行多组对比试验,结果表明,差分灰狼算法优化后的支持向量机准确率,比粒子群算法提升了7.57%,比遗传算法提升了6.42%,比布谷鸟算法提升了11.80%。证明小波包能量熵对于割台装置振动信号数据特征提取的优越性,以及差分灰狼优化算法优化后的支持向量机对割台装置装配质量预测和识别的有效性,为联合收获机割台装置装配质量检测方法和精度的研究提供了理论指导和工程借鉴。