基于模型预测控制的直流微电网虚拟惯性优化方法

为了提高直流电压的稳定性、动态特性以及安全性,提出一种基于预测模型控制的直流微电网虚拟惯性滚动优化方法。首先,建立含虚拟惯性控制单元的直流微电网线性离散模型,用以预测系统输出量的未来趋势。其次,设计模型预测控制器:以直流电压跟踪误差、虚拟惯性系数两者的加权二次方和最小为目标,希望直流电压维持稳定并且惯性响应的强度不要太大;以直流电压及其变化率限制为约束,防止因动态电压超过安全阈值而导致切机、切负荷甚至系统崩溃问题;在每个采样时刻,求解各控制单元的虚拟惯性系数并将其输出,从而实现虚拟惯性的优化控制。同时,通过控制性能分析,给出控制器主要参数的选取原则。最后,通过负荷突变、风速随机波动等典型工况下的硬件在环测试,验证了所提方法的可行性和有效性。

基于GPR代理模型和GA-APSO混合优化算法的软基水闸底板脱空反演

软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。

混合变异自适应樽海鞘算法的甩挂运输多目标调度优化

建立一种考虑时间窗的甩挂运输多目标调度模型,提出一种改进樽海鞘算法的求解策略。通过引入混合变异算子,改进樽海鞘算法领导者位置易陷入局部最优的问题,增加种群多样性;通过引入动态惯性权重策略,使追随者在迭代后期减小搜索步长,提高算法收敛精度。实验结果表明,该改进的樽海鞘算法具有较高的全局搜索能力,能有效得出甩挂运输多目标问题最优解,相关研究结论能够为大型企业运输提供决策支持。

基于双树复小波变换—最大熵谱估计和参数优化概率神经网络的齿轮箱故障诊断研究

齿轮振动信号具有非平稳性和非线性的特点。为了准确提取其故障特征并进行故障诊断,提出一种基于双树复小波变换(DTCWT)-最大熵谱估计(MESE)和惯性权重线性递减粒子群优化(LDWPSO)算法-参数优化概率神经网络(PNN)的齿轮故障诊断方法。首先,利用DTCWT把状态已知的齿轮振动信号分解为不同频带的模态分量。其次,采用MESE得到每个分量的最小偏差频谱估计,计算出不同频段的能量熵作为故障特征矩阵。然后利用LDWPSO算法寻找出最优神经网络参数——平滑因子。最后,将故障特征矩阵输入优化后的PNN模型,建立起故障特征和齿轮运行状况之间的数值化映射关系,进而完成齿轮故障诊断模型。经试验数据分析表明,采用提出的DTCWT处理齿轮的振动信号,并引入MESE处理关键分量,可以提取稳定的信号特征并降低噪声干扰。另外,相比于传统的PNN,基于改进的PNN的齿轮故障状态的数值化判别具有更高的诊断精度和稳定性。

基于惯性卡尔曼滤波的户外运动跟踪定位模型

在GPS户外运动定位的应用中卡尔曼滤波算法存在定位不够精确的缺点,本文以此为着眼点设计了一个以惯性优化非线性卡尔曼滤波为基础的户外运动跟踪定位模型。在设计中,先近似非线性函数的概率密度分布,之后非线性变换每个Sigma点,由此可以得出非线性变化后的方差以及点集,随后再用惯性优化模型取代高斯积分,由此形成一个以卡尔曼滤波为基础的户外运动跟踪定位模型。并针对这一模型进行了仿真实验,实验结果表明在户外运动人体跟踪定位中,本文设计的经过改进的算法与标准算法相比具有更高的精确性。

并联机器人的粒子群优化神经网络自适应控制算法研究

针对传统控制算法对并联机器人的控制效果不好的问题,提出了一种并联机器人的粒子群优化神经网络自适应控制算法,该算法在基于神经网络的自适应PID控制算法的基础上,首先对粒子群优化算法进行惯性权重的优化和收缩因子的改进,然后将该改进算法应用于原算法上。仿真试验结果表明,提出的粒子群优化神经网络自适应控制算法,在性能上远远优于传统PID控制算法和基于神经网络的自适应PID控制算法。

用正弦函数描述非线性惯性权重的微粒群算法

为改进标准微粒子群算法,提出了一种用Sin函数非线性描述惯性权重动态调整微粒群的方法。由于原算法存在早熟收敛和搜索效率低,提出改进基本微粒群算法的惯性权重参数,将微粒群算法中的惯性权重用正弦函数来描述,通过对粒子位置和速度进行自适应非线性调整,使算法在前期阶段具有较快的收敛速度,在算法后期局部搜索能力也不错,减少了微粒陷入局部极值的机会,使结果收敛于全局最优解,为了验证算法的有效性,采用Shaffer's F6和Levy No.5函数进行测试,实验结果表明,新方法具有比较好的效果。

一种鲁棒的多目视觉惯性即时定位与建图方法

针对深空环境下机器人精确自定位的大视野和防抖性要求,提出了一种基于多图像匹配和惯性约束的即时定位与建图(SLAM)方法。基于对多目情况下SLAM系统的像素投影与位姿跟踪过程的分析,引入紧耦合视觉惯性约束,以降低轨迹估计的累计漂移误差,增强系统的鲁棒性,使其在快速运动时定位不易丢失;针对鲁棒初始化的需求,提出了一种稳定的自动静止初始化方法。搭建了多目相机视觉惯性定位的仿真试验平台,在V-REP中搭建仿真试验场景,仿真结果验证了本方法的定位准确性和鲁棒性。

基于WPSO优化的LSSVM在中长期电力负荷预测的应用

对基本最小二乘支持向量机(LSSVM)的负荷预测方法进行了改进,提出了一种采用带惯性权重的粒子群算法(WPSO)对其参数进行优化处理的预测方法。以某地区的历史负荷值作为算例,将优化所得的参数运用到预测模型中进行计算验证。

行人导航状态识别与传感器优化选择

为避免过多传感器的配置在行人导航状态分类时引入冗余信息,提出了一种传感器配置优化方法。根据采集的惯性传感器三轴加速度和角速度信息,基于K均值聚类算法(K-means)、自组织映射算法(SOM)和混合高斯聚类算法(EM-GMM)对行人运动状态进行识别;选取轮廓系数、戴维森堡丁指数、卡林斯基-哈拉巴斯指数3个内部评价指标及执行时间对聚类效果进行综合对比,得出在行人状态识别中K-means聚类方法较优;基于K-means聚类最优模型,对二维、三维、六维不同传感器配置下的轮廓系数进行综合对比,得出二维和三维行人惯性导航系统即可有效实现行人运动状态识别,有效解决了六维特征空间中因多变量复杂相关导致的难以准确建模的难题,为多传感器的行人导航状态识别提供了新途径。

基于改进A*算法与WAPSO算法的无人机突防轨迹规划技术研究

针对无人机(UAV)在复杂战场环境下高成功率突防任务需求,开展了考虑复杂战场环境约束下的无人机突防轨迹规划技术研究。首先,对环境进行建模;其次,使用多威胁约束下改进的A*路径算法得到离散空间下的最优路径;最后,采用基于惯性权重自适应的粒子群算法(WAPSO)对生成的离散路径再次优化获得连续空间中的最优路径,解决了传统突防路径规划算法存在的精度不足、求解时间长、不满足动力学约束等问题。仿真结果表明,所提出的路径规划算法能够得到一条安全、平滑的轨迹,所提算法与基于RRT*、基于PSO的算法相比,路径长度分别减少13.2%和18.8%,雷达平均探测概率分别减少46.1%和55.4%,证明了所提方法的有效性。

改进粒子群算法在电力调度自动化中的应用研究

为了提升自动化设备电力调度的评估水平,采用广泛使用的神经网络算法,通过对电力系统参数的重新设置,根据正态分布衰减惯性权重策略对粒子群算法进行了改进和优化。在此基础上,提出正态分布衰减惯性权重的粒子群优化(NDPSO)算法,并利用检测函数分析算法性能。试验结果表明,NDPSO算法最佳正态分布的趋势参数为0.443 3;在Sphere函数上优化结果的最小值为555.31,平均值为2 034.00,标准差为919.58,惯性权重在前期的取值较大。上述结果与其他算法对比都处于领先水平。所设计的算法在保证收敛精度的同时,加快了收敛速度。改进的粒子群算法对神经网络模型具备一定优化能力,能够兼顾全局搜索和局部开发。该研究对电力调度自动化中设备的评估具有重要意义。

基于MMC的紧凑型能量路由器方案

该文提出一种控制简单的基于模块化多电平变换器(modular multilevel converter,MMC)结构的多端口能量路由器(energyrouter,ER)方案,所提ER包含有中压直流、中压交流、低压直流和低压交流4个外接功率端口以及1个内部储能端口,通过隔离级高频链将各子模块(sub-module,SM)进行内部互联,建立模块间的耦合关系。利用开关电容变换及三相波动功率抵消分别实现SM电压的自主均衡和电容需求最小化,从而大幅简化控制方案设计,同时提升系统的功率密度。考虑ER所具备的惯性能力与电容值密切相关,设计一种基于蓄电池储能的惯性优化方案。最后,通过仿真及实验验证所提拓扑及能量调控策略的正确性和有效性。

知识转移对群体决策偏好收敛速度的影响

群体决策往往是一个动态过程,个体间的知识转移会使决策者的偏好改变,因此对决策过程进行动态考量更切合实际。提出了基于惯性粒子群算法的偏好收敛模型,探讨知识转移对群体决策动态偏好收敛过程的影响。将知识分为内部自有知识和外部转移知识,分别讨论了这两类知识及不同知识转移量对偏好收敛速度产生的影响,并对比分析了确定与随机因素条件下收敛次数的差异。结果表明在其他条件相同的情况下,如果群体内知识转移速度越大,那么群体最终达成观点一致性的程度越高。随机性模型比确定性模型经过更多次的仿真步长才能达到群体观点一致收敛。计算实例表明本文提出的偏好收敛动态模型可应用于员工绩效考核,能够为动态群体决策偏好收敛分析和评价提供依据。

基于视惯融合的大型空间碎片质心位置辨识

大型自由翻滚碎片的质心是在轨操作基坐标系下的不动点,也是碎片连体基下动力学参数向卫星坐标系转换的基准,对其精确识别是提高碎片动力学参数辨识精度的关键。提出基于惯性单元测量数据与双目视觉定位数据融合的大型空间碎片质心位置识别方法。基于无力矩欧拉方程,获取附着到空间碎片表面的惯性单元间转换关系,利用该转换关系对惯性单元冗余测量数据优化,再优化求解惯性单元到质心点距离;利用双目视觉获取惯性单元上标记点动态坐标,再利用惯性单元到质心点距离,基于三点定位原理识别大型空间碎片的质心位置。以加入高斯白噪声的惯性单元与双目视觉测量数据进行仿真,结果表明优化解算后惯性单元实时测量数据的误差降低到1%以下,解算的质心位置三轴误差小于0.47 mm;开展了地面试验,结果表明,解算的质心位置三轴误差小于0.49 mm。仿真和试验证明,该方法能够为大型空间碎片的消旋、捕获任务提供准确的数据基准。

基于支持向量回归积和改进粒子群算法的特定区间盾构机作业参数选取

为实现特定区间盾构机作业参数更准确的选取,提出了基于支持向量回归积(e-SVR)和改进惯性权重降低速度粒子群优化(IIWDSPSO)算法的盾构机作业参数选取模型。基于e-SVR构建掘进参数、地层参数、几何参数与地表沉降值之间的非线性关系模型,并基于实际盾构施工数据与人工神经网络模型、随机森林模型进行性能对比分析;通过10组仿真实验分析惯性权重降低速度对算法性能的影响,基于分析改进的粒子群优化算法优化特定地层参数和几何参数区间的掘进参数。结果表明,e-SVR模型对盾构施工数据样本具有更好的拟合和泛化能力,所提出的IIWDSPSO算法具有更好的准确性、稳定性和收敛概率。实际工程应用结果也验证了所提模型求解出的特定区间掘进参数能使地表沉降值相对更小,得到的掘进参数能够为实际工程提供更准确和可靠的参考。

提升光伏消纳的分布式储能系统控制方法

分布式储能具有分散灵活等特点,多分布式储能协同配合可以解决单一储能调节能力差、范围小的问题,可以进一步提高新能源消纳能力。提高新能源利用率。本工作通过建立一个光伏电站、两个分布式储能系统模型,并通过分析光伏电站出力,利用储能系统跟踪光伏出力的特点建立以分布式储能系统出力最小为目标的目标函数,结合发电系统的功率平衡要求、分布式储能系统的电池能量状态(state of energy,SOE)约束、分布式储能系统功率和容量约束,采用线性递减惯性权重粒子群优化算法,旨在在已有的约束条件下,寻求分布式储能系统的最佳效率。通过仿真分析该方法可以提高光伏消纳能力,减少储能系统动作次数,进一步增加储能系统的寿命。

联盟链视角下基于IIWPSO-BP的信息安全风险预测模型

为及时发现智慧城市潜在信息安全风险,构建一种基于改进惯性权重的粒子群优化(IIWPSO)算法优化反向传播(BP)(IIWPSO-BP)神经网络算法的信息安全风险预测模型。首先,综合考虑信息拥有者、共享信息、联盟链技术、信息使用者、联盟链管理和安全措施6个一级指标,构建信息安全风险指标体系;其次,通过量化信息安全风险指标,训练并测试所构建的信息安全风险预测模型;最后,对比分析模型的鲁棒性、精确性和时间复杂度。结果表明:IIWPSO-BP预测模型的平均绝对误差(MAE)为0.1374,平均相对误差(MRE)为0.0385,拟合度为0.9720;与PSO-BP神经网络、BP神经网络相比,预测精度分别提升了37.6%、65.2%。

基于AIW-PSO小波神经网络的上证指数预测

针对小波神经网络(Wavelet Neural Network,WNN)的学习算法的不足,采用一种自适应惯性权重粒子群优化算法(Adaptive Inertia Weight Particle Swarm Optimization,AIW-PSO)作为小波神经网络的学习算法,建立AIW-PSO小波神经网络模型对上证指数进行预测,并将预测结果传统小波神经网络模型比较。结果表明,AIW-PSO小波神经网络模型对上证指数具有更好的预测效果。

AGPSO-MEPP模型在云南省水安全动态评价中的应用

从生命安全、经济安全、社会安全和生态安全4个方面选取20个指标构建区域水安全动态评价指标体系和分级标准。利用自治粒子群优化(AGPSO)算法寻优最大熵投影寻踪(MEPP)技术最佳投影方向,提出AGPSOMEPP水安全评价模型,并分别构建加速粒子群优化(APSO)算法、惯性权重线性递减粒子群优化(LDWPSO)算法和基本粒子群优化(PSO)算法-MEPP模型作对比模型对云南省2006-2015年及2020年水安全进行评价。结果表明:AGPSO寻优MEPP目标函数获得的最优值、最差值、平均值和标准差均优于APSO、LDWPSO和PSO算法,具有较好的全局极值寻优能力;AGPSO-MEPP模型对云南省2006-2013年水安全评价为"不安全",2014-2015年评价为"基本安全",2020年评价为"安全"。2006-2015年的10年间云南省水安全随时间呈提升趋势,且提升趋势显著;AGPSO-MEPP模型对云南省水安全评价结果与APSO-MEPP模型相同,但在排序上存在差异;与LDWPSO-MEPP、PSO-MEPP模型在评价结果及排序上均存在差异。其中,与PSO-MEPP模型的评价及排序结果差异最为显著,表明算法的极值寻优能力决定着评价精度的高低。