基于混沌哈里斯鹰算法的最大功率追踪

针对当光伏板处于不均匀的太阳光照射时,产生发电效率低的问题,提出一种混沌哈里斯鹰算法与电导增量法结合的算法。哈里斯鹰算法引入Levy飞行函数和Henon混沌映射,在跟踪早期,扩大算法的搜索范围。再引入最优个体策略,可进一步减少算法的迭代次数。该算法使系统更易跳出局部最大功率点,而在跟踪后期,算法精确运行在小范围内,提高了局部搜索能力。实验结果表明,电导增量法的加入缓解了系统位于全局最大功率点(GMPP:Global Maximum Power Point)附近时的功率振荡,稳定输出。

基于SCA-CHHO-ELM的短期电力负荷预测

准确的电力负荷预测是保证电网稳定运行的基础,也是电力规划的重要依据,为了提高电力负荷预测的精度,提出了一种新的预测模型,首先采用混沌策略与正余弦扰动策略对哈里斯鹰算法进行优化,然后用改进的哈里斯鹰算法对极限学习机的权值和阈值进行优化,最后用该模型进行短期电力负荷预测。对比其他预测模型可得,该模型的预测效果大大提高,并且具有更好的泛化能力与稳定性。

超参自适应支持向量回归及在滚齿工艺参数预测上的应用

针对预测问题中,特别是在大数据预测问题中的支持向量回归(SVR)超参数自适应调整问题,提出一种基于K-means聚类和混沌哈里斯鹰算法的超参数自适应支持向量回归方法。在超参数数值范围内,随机生成SVR超参数集群。使用K-means聚类获取训练集聚类中心,根据聚类中心和SVR超参数集群获得验证集的预测结果。以均方误差为目标,使用混沌哈里斯鹰算法不断更新超参数集群,找出最佳超参数,并对测试集进行预测,获得最终的均方误差,以测试方法的泛化能力。与其他知名方法进行对比,基于5组数据集,对预测的准确性、稳定性和时间复杂度进行了评估,本方法以0.226的整体性能评分排名第一。最后将本文方法应用到滚齿工艺参数预测领域,与其他方法的应用效果进行比较,验证了本方法的可行性和有效性。