基于浣熊优化算法的电力系统负荷频率控制

电力系统的频率稳定一直是电力系统稳定性研究的一个重要方面,负荷频率控制是维持电力系统频率稳定的有效手段。选取PID控制器做为电力系统的负荷频率控制器,同时采用浣熊优化算法(COA)在4种误差积分准则下分别对控制器的参数进行优化。将采用浣熊优化算法优化的PID控制器(COA-PID)与传统PID控制器对电力系统负荷频率的控制效果对比,结果表明,采用COA-PID控制器可以更有效地实现对电力系统的负荷频率控制,它可以有效地降低系统的最大频率偏差以及维持系统的频率稳定。

多极小波包变换与改进浣熊算法优化的混合核极限学习机径流预测

为提高日径流多步预测精度,减少模型计算规模,同时提升浣熊优化(COA)算法和混合核极限学习机(HKELM)性能,提出多极小波包变换(MWPT)-改进COA算法(ICOA)-HKELM日径流时间序列预测模型。首先,利用MWPT将日径流时序数据分解为1个低频分量和2个高频分量,并构建局部高斯径向基核函数和全局多项式核函数相混合的HKELM;其次,简要介绍COA算法原理,基于Circle映射等策略对COA进行改进,提出ICOA算法,通过8个典型函数对ICOA算法进行仿真验证,并与基本COA算法、鲸鱼优化算法(WOA)、灰狼优化算法(GWO)作对比,旨在验证ICOA算法的优化性能;最后,利用ICOA优化HKELM超参数(正则化参数、核参数、权重系数),建立MWPT-ICOA-HKELM模型,并构建MWPT-COA-HKELM、MWPT-WOA-HKELM、MWPT-GWO-HKELM、小波包变换(WPT)-ICOA-HKELM、小波变换(WT)-ICOA-HKELM、MWPT-ICOA-BP模型作对比分析,通过云南省景东、把边水文站2016-2020年日径流时间序列多步预测实例对各模型进行验证。结果表明:(1)ICOA具有较好的改进效果,仿真精度优于COA、WOA、GWO算法。(2)MWPT-ICOA-HKELM模型预测效果优于其他对比模型,其对实例单步预测效果“最好”,超前3步和超前5步“较好”,超前7步“较差”,预测精度随预测步长的增加而降低。(3)利用ICOA优化HKELM超参数,可显著提高HKELM预测性能,超参数优化效果优于COA、WOA、GWO算法。

一种改进浣熊算法的变压器故障诊断研究

针对浣熊优化算法(COA)在求解目标函数最优解时,存在种群多样性不丰富、易陷于局部最优的问题,提出改进的浣熊优化算法FCOA。首先利用折射反向学习策略初始化种群,增加种群多样性;然后在长鼻浣熊在树上的更新公式中引入levy飞行,提高算法的寻优以及跳出局部最优的能力。为验证算法的可靠性,将FCOA、COA和其他算法在8个基准测试函数上求解,仿真结果表明,FCOA具有更高的开发能力以及稳定性。同时将FCOA与PNN结合应用到变压器故障诊断中。并与COA-PNN、SSA-PNN进行仿真对比。实验结果表明, FCOA-PNN的预测准确率高于COA-PNN、SSA-PNN,同时所用时间也比COA-PNN、SSA-PNN短。FCOA算法解决了COA算法种群多样性不丰富、易陷入局部最优的问题,通过仿真实验以及将FCOA与PNN结合应用于变压器故障诊断,验证了FCOA在不同基准测试函数的稳定性、可靠性以及实际应用的可行性。

基于漏磁场和ICOA-ResNet的变压器绕组早期故障诊断

针对变压器绕组变形、轻微匝间短路故障诊断准确率低的问题,提出一种变压器绕组早期故障诊断方法。首先,利用ANSYS仿真软件建立与实验变压器相关参数一致的有限元模型,分析变压器在绕组发生各种故障的漏磁场分布规律,并根据这些规律选取合适的故障特征以及光纤漏磁场传感器安装位置。然后,通过改进长鼻浣熊优化算法(improved coati optimization algorithm,ICOA)寻找残差神经网络(ResNet)的最优超参数,以此参数构建ICOA-ResNet模型,将所得故障特征量输入模型进行故障诊断。最后,通过仿真数据和动模实验验证所提出的变压器绕组早期故障诊断模型的可行性。所提模型与支持向量机等4种模型相比,在绕组早期故障诊断上有更高的准确率,表明所提方法对变压器绕组变形、匝间短路故障诊断的有效性。

基于二次分解和误差修正的中国碳交易价格预测

碳交易价格受到宏观经济、能源政策等多种因素的影响,表现出强波动性、非线性等特征,给碳交易价格的准确预测带来巨大困难。针对这一问题,基于二次分解和误差修正策略构建一种碳交易价格预测模型:首先,使用浣熊优化算法优化的变分模态分解方法分解碳价序列,降低原始序列的复杂度;其次,使用经验小波变换对变分模态分解产生的残差序列进行二次分解,充分提取残差序列中的有效信息;然后,使用浣熊优化算法优化的极限学习机对各分量进行预测,获得初始预测结果和误差序列;最后,使用基本和浣熊优化算法优化的极限学习机对误差序列进行分解和预测,并利用误差预测结果对初始预测结果进行修正,得到最终预测结果。选取深圳、湖北和福建3个碳交易市场的碳价数据进行实证验证,结果表明,所提出的模型相比于其他对照模型具有更优异的预测精度和稳定性,有效提高碳价预测的准确性。

基于新型元启发式BP神经网络的500kV覆冰输电线路力学响应预测研究

覆冰高压输电线路塔体高、跨度大,断线、倒塔、舞动等事故频发,现有的监测设备量少,不足以及时反映其力学响应特征,提高覆冰线路的事前预警准确性是运维关键.以某500kV典型覆冰塔线体系为研究对象,结合在线监测信息验证该模型的合理性,基于三维有限元提出计算杆塔力学响应的代理模型,快速获得了不同覆冰工况的杆塔位移及应力值,形成力学响应数据库,并提出基于新型元启发式即浣熊优化算法(COA)BP神经网络的覆冰线路力学响应预测方法.对比了4种优化算法在23个测试函数中的进化能力、收敛速度及收敛精度,说明浣熊优化算法对复杂问题全局最优求解的高效性,并开展了不同训练样本数的正弦函数和余弦函数的仿真研究,阐明了COA进化神经网络计算更准确,且更快收敛于最优解.进一步,以覆冰输电线路力学响应的主控因子及塔顶位移为网络输入,以杆塔最大位移、最大拉应力及最大压应力为网络输出,基于风向角45°的监测数据集验证预测模型的学习泛化能力,并对比其他4种进化神经网络模型的预测值,再次阐明了该预测模型的优势.最后将该模型应用于风向角180°的塔线体系力学响应预测,其预测值均与实际覆冰工况的杆塔位移及应力值吻合,特别是不同覆冰工况的力学响应变化曲线再次验证了上述预测模型的可行性.可见,基于新型元启发式BP神经网络模型可实现覆冰高压塔线体系力学响应预测的实时性、高效性和准确性,为输电线路实时健康评估及事前预测预警提供了技术支持.