基于改进天鹰优化算法的微电网多目标优化调度研究

微电网优化调度对降低企业用电费用,减少能源损耗和环境污染具有重要意义。研究了覆盖光伏、风电、储能、燃气轮机和柴油发电机的分布式电源,在微电网并网运行的情况下,为协调系统内部各微电源的出力情况,对光伏发电、风力发电和用电负荷功率进行预测,建立了以运行成本和污染治理费用最低的目标函数,并采用改进天鹰优化算法(IAO)进行求解,求得不同分布式电源和大电网的出力情况。仿真结果表明,该模型在保证用户持续供电的情况下,可以在一定程度上有效降低企业用户的用电成本以及减少污染物的排放,为微电网实际运行的功率分配提供指导。

大坝渗流安全监测数据异常检测的改进DSAE模型

针对现有大坝渗流安全监测数据异常检测方法存在检测效率和精度较低的不足,以及在异常阈值拟定过程中大多未能综合考虑监测数据随机性和模糊性的问题,提出大坝渗流安全监测数据异常检测的改进深度稀疏自编码器(deep sparse autoencoder,DSAE)模型。在以奇异谱分析方法提取监测数据残差分量的基础上,采用基于混沌初始化和非线性飞行速率改进的天鹰优化(improved Aquila optimization,IAO)算法对DSAE的超参数进行优化,建立IAO-DSAE模型,实现对监测数据残差分量的高精度重构;然后,在异常阈值的拟定过程中,将逆向云算法中的期望和熵值分别替代传统3σ法中的均值和标准差,以综合考虑监测数据的随机性和模糊性对异常阈值拟定的影响,提高异常检测结果的可靠性。工程案例研究表明,相比于基于统计模型法和3σ法的异常检测方法,根据所提方法处理后的渗流安全监测数据建立的预测模型,预测精度的平均提高幅度分别为5.56%和6.99%,验证了所提方法的有效性。

基于VMD和IAO-SVM的电压暂降源识别方法

针对支持向量机(support vector machine,SVM)的惩罚因子、核函数参数选择困难和天鹰优化(aquila optimizer,AO)算法在寻优时容易陷入局部最优解的问题,利用改进的天鹰优化(improved aquila optimizer,IAO)算法对SVM的惩罚因子和核函数参数进行寻优,构建IAO-SVM分类器,利用变分模态分解(variational mode decomposition,VMD)提取电压暂降源信号三相电压的特征向量,并进行归一化处理之后输入到构造好的IAO-SVM分类器中对样本进行训练与识别,并与K近邻、极限学习机、SVM和AO-SVM这4种分类器进行对比。仿真结果表明,在对8种电压暂降源信号分别加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪声情况下,IAO-SVM分类器识别的准确率分别为99.5%、94%、99.25%、100%、99.25%、98.5%和97.25%,其识别准确率最高,验证了在对信号加入不同的高斯白噪声时,IAO-SVM分类器均具有较高的识别准确率和抗噪声能力,有助于解决电压暂降源的分类问题。

基于ReliefF-mRMR与IAO-SVM的变压器故障诊断

为进一步提高变压器故障诊断准确率,提出一种基于ReliefF-mRMR与IAO-SVM结合的变压器故障诊断模型。采用ReliefF和最大相关最小冗余(mRMR)算法对变压器故障数据进行特征优选;引入混沌反向学习和自适应混合变异策略改进天鹰优化算法,并对最优特征集合和支持向量机(SVM)参数联合寻优,构建最佳故障诊断模型;利用已有变压器故障数据对所提模型仿真实验,并与常用故障诊断模型灰狼算法支持向量机(GWO-SVM)、天鹰优化算法支持向量机(AO-SVM)相比较,准确率分别提高了10.76%和6.15%,高达95.38%,结果表明所提模型能有效提高变压器故障诊断精度。

土石坝渗流性态分析的IAO-XGBoost集成学习模型与预测结果解释

针对现有土石坝渗流数值模拟方法计算效率较低、难以实时分析大坝渗流性态,而现有基于机器学习算法建立的代理模型又存在模型可解释性较差的问题,提出土石坝渗流性态分析的IAO-XGBoost集成学习模型,并基于Shapley加性解释(SHapley Additive exPlanation,SHAP)理论对预测结果进行解释。在采用多地质体自动建模方法和CFD技术对大坝渗流场进行计算分析的基础上,基于改进的天鹰(Improved Aquila Optimization,IAO)算法优化极限梯度提升(eXtreme Gradient Boosting,XGBoost)集成学习算法中的n_estimators、max_depth和learning_rate等超参数,进而建立基于IAO-XGBoost集成学习算法的大坝渗流性态指标预测模型,以揭示上下游水位和坝基地层渗透系数等输入特征变量与渗流性态指标模拟值间的复杂非线性映射关系。进一步地,将IAO-XGBoost集成学习算法与可解释机器学习框架SHAP理论相结合,挖掘影响大坝渗流性态指标预测结果的关键特征,并解释特征变量对渗流性态指标预测的影响。案例研究表明,IAO-XGBoost具有较高的预测精度,相比于IAO-GBDT、IAO-RF、IAO-DT和IAO-SVR算法,其预测精度分别提高了0.52%、11.64%、37.21%和25.07%;且相比于IAO-XGBoost、IAO-GBDT和IAO-RF算法的特征重要性分析方法,SHAP理论具有更强的模型可解释性,提高了预测结果的可信度。