基于综合学习策略粒子群优化算法的永磁同步电机模型辨识

在分析了永磁同步电机先验模型的基础上,引入线性二阶受控自回归模型。通过将系统辨识问题转化为优化问题,并引入综合学习策略粒子群优化算法实现了对二阶受控自回归模型参数的离线估计。为了验证模型的准确性和可靠性,在实际三轴运动控制平台上设计并完成了验证实验。实验结果表明,通过该方法获得的模型精度高,且能较好地表征永磁同步电机伺服控制系统的实际输入输出特性。

基于改进粒子群算法的区域综合能源优化调度方法

针对目前区域综合能源优化调度方法调度能耗和负荷过高的问题,基于改进粒子群算法提出一种新的区域综合能源优化调度方法。通过电网、风电、光伏和天然气建立区域综合能源系统,利用P2G设备处理信息,完成储电、储气和储热工作。计算区域综合能源系统的目标收益和最终能源采购总价得到目标函数,以天然气汽锅释放的热量功率、天然气发动机的热功率、电热锅的热功率和电锅炉的输出功率模型确定约束条件。利用改进粒子群算法得到隶属度函数,依次排列每个目标函数的关键水平,建立目标矩阵,实现区域综合能源层次分析,根据粒子合理性函数进行单次优化,完成能源优化调度。实验结果表明:基于改进粒子群算法的区域综合能源优化调度方法的最高能耗仅为48.7%,调度负荷低于60.0%,具有极好的调度能力。

基于改进粒子群算法和多目标优化算法的燃煤电站脱硫废水零排放综合评价

燃煤电站脱硫废水零排放要求较高,待优化目标较多,相关量化指标处理困难,对此,提出基于改进粒子群算法和多目标优化的燃煤电站脱硫废水零排放综合评价。依据燃煤电站脱硫废水零排放技术的工艺流程,选取影响评价结果的指标,设立评价指标体系;采用换阶函数、里昂惕夫逆矩阵以及指示函数量化叠加评价指标,从而获得综合评价指标;引入多目标优化算法构建以效益最大化为目标的评价模型,并利用改进粒子群算法采用弥漫性求解,由此求取综合评价值,实现对燃煤电站脱硫废水零排放的综合评价。以实际燃煤电站脱硫废水零排放工艺为研究背景,对所提方法的评价性能进行测试,结果显示,所提方法得到的评价结果具有较高的拟合系数,评价效果更好。

基于混沌多目标粒子群算法的综合能源调度

目的针对当前综合能源系统中资源协同优化效率不足、微网运行经济性和环保性差的问题,提出了一种计及风电储能及不稳定因素的微网优化调度方法。方法该方法在微网负荷侧需求响应对新能源消纳影响的基础上,以消纳新能源和削峰填谷为目的,提出了优化负荷曲线的方案;然后,考虑微网调度侧风电出力的不稳定性以及微网内部设备的耦合,进行优化调度以降低微网运行成本、减少环境惩罚费用并提高风电消纳平稳性;最后,采用混沌多目标粒子群算法对优化问题进行求解,并在风电不稳定度占比0%、5%、10%和15%时进行了算例仿真分析。结果当风电不稳定度为10%和加入风电储能,系统运行成本和环境治理费用最少,比方案1和无风电储能少6919.4元,风电平稳量也提高38 kWh。在电热冷网中,负荷侧加入需求响应后,系统得到稳定运行和能源合理利用,可以很好地满足负荷侧用能需求。从算法对比中,混沌多目标粒子群算法加入自适应权重和变异率后,具有较强的全局搜索能力和更好的准确性。结论该方法通过合理设置风电不稳定度能够有效降低运行成本和环境惩罚费用,提高风电稳定性,其次,负荷侧的需求响应可以一定程度地削峰填谷和消纳新能源。

采用二次强化学习策略的多目标粒子群优化算法

针对多目标粒子群算法在进化后期易出现早熟收敛、种群多样性丢失的问题,本文提出采用二次强化学习策略的多目标粒子群优化算法SslMOPSO.首先利用无速度多目标粒子群框架,通过向所有个体历史最优学习实现粒子的第一次强化学习;其次将分解策略融入多目标粒子群算法中,使粒子向指定数量邻居的均值学习,实现粒子的第二次强化学习,增强算法跳出局部最优的能力,提高种群的多样性;最后分别在具有两目标和具有三目标的七个基准测试函数上进行仿真实验,结果表明,所提算法获得的非支配解集较对比算法具有较好的分布性,表现出较好的搜索性能.

基于双种群交叉学习的粒子群优化算法

粒子群优化算法因其支配参数少、收敛速度快、易于实现等特点被广泛应用,但是粒子群优化算法存在精度低、容易陷入局部优化的问题。为此提出一种基于双种群交叉学习的粒子群优化算法。在该算法中,整个种群被分为普通子种群和精英子种群。普通子种群采用综合变异机制,该机制通过设置概率参数使普通子种群随机选择朝着优秀粒子的方向或者保持自身方向进行变异,以侧重寻找可能解区域。精英子种群则采用交叉学习机制,将粒子的历史最优和全局最优个体进行交叉生成范例,从而引导粒子对可能解区域进行局部搜索,还提出了一种非线性惯性权重来平衡粒子的全局勘探和局部开发能力。为了验证算法的有效性,在十六个基准问题上进行测试并与其他七种粒子群优化算法变体比较,实验结果表明该算法在求解精度和收敛速度总体排名第一,验证了该算法求解性能优于其他粒子群优化算法变体。

基于多粒子群协同的环境污染传感监测点布置优化研究

当前环境污染传感监测点布置受到多个约束条件的限制,导致监测质量下降,因此研究基于多粒子群协同的环境污染传感监测点布置优化方法。首先建立模糊-物元综合评价模型,利用该模型确定区域污染物浓度。其次确定环境污染传感监测点布置优化目标函数,并设置建设成本、区域地形、人口布局和空间覆盖效率等约束条件。最后采用多粒子群协同优化算法求解目标函数,实现环境污染传感监测点的优化布置。实验结果表明,所提方法可准确地监测区域内的污染物浓度变化情况,监测点布置结果较为合理,实际应用效果好。

自适应变异综合学习粒子群优化算法

针对以往粒子群优化算法多样性差且易局部收敛的不足,提出改进综合学习粒子群优化(CLPSO)算法的最小方差优先自适应变异策略,设计自适应变异综合粒子群优化(CLPSO-M)算法。多个标准测试问题的对比实验数据表明,CLPSO-M算法比CLPSO算法的全局搜索能力更强,求解效果更稳定。

免疫综合学习粒子群优化算法

针对综合学习粒子群算法后期收敛速度慢、一旦所有粒子陷入局部最优,则无法跳出等缺陷,提出免疫综合学习粒子群优化(ICLPSO)算法。ICLPSO算法引入人工免疫系统中的克隆选择机制,利用克隆复制、高频变异、克隆选择等操作,增加种群的多样性,提高算法的收敛速度,利用柯西分布较宽的两翼分布特性进行精英粒子学习以进一步增强粒子逃离局部极值及多峰函数优化问题全局寻优能力。针对标准测试函数的仿真结果表明,与其他改进粒子群算法相比,ICLPSO算法收敛速度快,求解精度更高。

一种综合-合作学习的量子粒子群优化算法

为了改善量子粒子群优化QPSO(Quantum-behaved Particle Swarm Optimization)算法的全局收敛能力,在对综合学习策略QPSO算法研究的基础上,引入合作思想,提出综合-合作QPSO算法(CCQPSO)。在提出的算法中,局部吸引子和粒子最优位置的更新都体现在每一个具体的维度上,避免丢失解向量中最接近最优解的部分维。九个测试函数的仿真实验结果表明,提出的算法能够有效增加群体多样性,改善算法的早熟收敛。

多策略并行学习的异构粒子群优化算法

针对标准粒子群优化(PSO)算法在复杂问题上收敛速度慢和早熟收敛的缺点,提出了一种多策略并行学习的异构PSO算法(MHPSO)。该算法首先从种群多样性和跳出局部极值的角度提出了两种新学习策略(局部扰动学习策略和高斯子空间学习策略),并将这两种策略与MBB-PSO策略融合组成高效稳定的策略池。其次提出了一种简单有效的策略更换机制,指导粒子迭代寻优中何时更换学习策略。基准测试函数的实验结果表明,改进的粒子群优化算法在求解精度和收敛速度上得到极大的提高。与一些改进PSO算法(如自适应的粒子群优化(APSO)算法等)相比,所提算法具有更优良的寻优性能。

综合维度学习的多群协作粒子群优化算法

针对维度学习策略(dimensional learning strategy,DLS)中存在的过度开发问题,提出了一种综合维度学习的多群协作粒子群优化算法(CDL-MCPSO)。为提高种群搜索效率,采用基于主从范式的集群结构,将种群划分为一个主群和四个从群,主群执行综合学习策略在搜索空间进行大范围探索,从群执行综合维度学习策略(comprehensive dimensional learning,CDL)在局部最优解附近进行高精度的开发,主从群通过执行具有不同职能的算法能够有效实现其在勘探和开发之间的平衡;同时为保持种群多样性,提出了一种新的解交换机制(SEM)用于在主从群独立运行各自算法若干代之后进行信息的交流与协作,以指导粒子后期进行更准确的搜索;最后,针对初始化过程随机性过高,运用拉丁超立方体采样方法对算法重建输入分布。为验证CDL-MCPSO的有效性,将其与五种粒子群算法变体在10个测试函数上进行实验对比,结果表明该算法总是可以找到优于或相当于对比算法的解,在求解复杂函数时具有可行性和高效性。

基于最优交叉的广泛学习粒子群优化

粒子群优化算法实现简单、便于操作,近年来已被广泛应用于资源分配等大规模复杂问题,但算法收敛速度慢、求解精度低等问题也制约着其进一步应用。针对以上问题,引入遗传算法的染色体交叉特性,结合广泛学习粒子群优化算法,提出一种基于最优交叉的广泛学习粒子群优化算法。通过全局最优粒子位置与个体历史最优位置执行最优交叉操作得到更优个体,加快算法收敛速度,提高对问题的求解精度。基准测试函数实验结果表明,该算法相较原算法具有更快的收敛速度和优化精度,同时Friedman检验和Wilcoxon符号秩检验结果表明,基于最优交叉的广泛学习粒子群优化算法具备较好的稳定性,优化精度和收敛速度有了较大提升。

基于种群分区的多策略综合粒子群优化算法

针对标准粒子群优化算法容易陷入局部最优收敛精度不高的问题,提出一种基于种群分区的多策略综合学习粒子群优化算法(MSPSO).该算法利用竞争机制将种群分为两个子种群:潜力子群与普通子群,对这两个子群实行不同的进化策略,潜力子群中的粒子主要负责全局探索,普通子群中的粒子则侧重于局部勘探.为验证算法的性能,在不同类型的基准函数上与其他粒子群算法及其他群智能算法进行对比,所提算法都能取到最优的平均结果,证明所提算法具有更优异的算法性能.

考虑电-热储能协同的综合能源系统规划优化研究

针对传统电化学储能造价高导致我国可再生能源消纳困难问题,提出一种考虑电-热储能协同的综合能源系统最优化规划方法。分析铅酸电池和蓄热罐的物理特性,建立其状态表征模型;设计电-热储能系统融合平抑可再生能源出力波动、保障供需平衡、峰谷套利三种功能场景的协同运行策略,建立考虑电-热协同的规划优化策略;基于最优化理论,以年总成本最小为优化目标,提出一种考虑电-热储能协同的综合能源系统规划优化模型,并以改进粒子群算法对模型进行求解。算例结果表明,所提出的模型能够有效提升能源系统的可再生能源消费占比。

基于模糊层次分析法-粒子群优化模型的浅层地热能适宜性区划研究

利用基于模糊一致矩阵的模糊层次分析法(FAHP)建立浅层地热能评价模型,将结果的一致性检验与修正过程整合为非线性规划问题,并通过粒子群算法(PSO)进行优化求解,得到满足一致性要求的权重结果,进而开展敏感度分析,校验指标权重准确性,提高地源热泵适宜性区划评价精度.通过构建4个层次、9个指标的评价体系,根据获得的权重值开展大连地区浅层地热能适宜性分区评价,为浅层地热能资源储量和潜力评价提供基础,也为浅层地热能可持续开发利用提供理论依据.评价结果表明,适宜性区划模型和指标权重值可靠,适宜区分布于研究区东部钻石湾、东港一带,面积32.87 km^(2),占评价总面积的4.45%,较适宜区分布于北部甘井子区,面积247.21 km^(2),占评价总面积的33.47%.

基于改进粒子群算法优化策略的核极限学习机方法研究

本研究通过对核极限学习机的原理进行分析,确定优化参数,分析粒子群算法的基本原理,并对多种改进的粒子群算法进行研究,通过基准测试函数对6种算法的优劣进行分析。笔者选取综合学习粒子群算法为优化核极限学习机的基本框架,并将线性递减惯性权重和综合学习粒子群算法进行结合,用于改进粒子群算法易陷入局部最优的问题,从而实现对核极限学习机的参数优化。

基于粒子群优化算法的配电网重构和分布式电源注入功率综合优化算法

随着分布式电源(distributed generation,DG)在配电网中安装比例逐年增加,配电自动化应加强对DG的优化调度功能,发挥DG对配电网优化的有利作用。配电网重构是配电网优化的重要措施,DG联网后,DG注入配电网功率直接影响配电网重构结果。为使配电网性能达到整体最优,提出了一种基于粒子群优化算法(particle swarm optimization,PSO)的配电网重构和DG注入功率综合优化算法。该算法根据PSO并行计算的特点,采用PSO和二进制粒子群优化算法(binary particle swarm optimization,BPSO)相结合的方式,对转换开关状态和DG注入功率2种控制变量同时处理,达到配电网网损、电压偏差最小的目的。将DG作为可调度设备,对配电网重构和DG注入功率进行综合优化,提高了含DG配电网的电能质量和供电可靠性。将该算法应用到3馈线配电系统,仿真结果验证了所提算法的有效性。

用于无功电压综合控制的改进粒子群优化算法

介绍了粒子群优化算法(PSO),结合电力系统实际运行情况提出了适用于离散型变量的改进PSO算法,该算法将全局型和局部型算法有效结合起来,将问题分层解决,并引入了变异算子。在IEEE14节点系统和130节点实际系统的仿真计算中,改进PSO算法与其他人工智能算法相比,可在较短的计算时间内取得更好的优化效果。

改进二分粒子群优化算法的阵列方向图综合

针对粒子群优化(particle swarm optimization,PSO)算法收敛速度慢、寻优精度低、计算量大、容易陷入局部最优解等问题,首先提出了一种无需越界检测的归一化粒子群优化(normalized particle swarm optimization,NPSO)算法,NPSO算法具有比PSO算法更佳的有效性和稳定性,其优化速度和收敛精度要远远优于PSO算法,且其计算量要比常规PSO算法采用越界检测调整小。其次,结合狼群算法(wolf pack algorithm,WPA)中的游走行为,在二分粒子群优化(dichotomy particle swarm optimization,DPSO)算法的基础上,通过对二分粒子赋予不同的探索方向,提出了一种WPA-DPSO算法,WPA-DPSO算法具有3层寻优的功能,不仅有效加强了粒子的搜索范围,避免了算法陷入局部最优解,而且有效提高了DPSO算法的收敛速度、优化精度、稳定性和有效性。在NPSO算法和WPA-DPSO算法的基础上,提出了一种混合型PSO算法(WPA-NDPSO),从而有效克服了PSO算法早熟收敛、搜索范围不大、容易收敛到局部极值、计算量大等问题。均匀线阵方向图综合实验表明:WPA-NDPSO算法不仅具有较优的收敛速度和优化精度,而且具有较强的稳定性和较高的有效性。