基于自适应混沌粒子群算法的冷却剂平均温度预测控制

为提高核反应堆预测控制求解最优控制律的效率和准确性,将堆芯预测模型拓展为冷却剂平均温度预测模型,基于自适应混沌粒子群算法,结合反应性增量约束条件和在线参数辨识对预测控制系统进行滚动优化,最终实现冷却剂平均温度的预测控制。通过MATLAB平台进行模型仿真,实验结果表明,滚动优化过程中改进的混沌粒子群算法能够快速、准确地寻优;在负荷升、降过程中,该控制方法也保证了冷却剂平均温度快速、精准地跟踪设定值变化。

自适应混沌粒子群算法在油水两相流动分析中的应用

针对垂直井中油水两相流动的最优化测井解释,提出了一种新的自适应混沌粒子群优化算法(ACPSO)。该算法具有较强的全局搜索能力,能以较大的概率收敛到全局最优解。然后,针对用仪器测井值和理论响应值建立的误差函数(非相关函数),用ACPSO算法进行优化处理,对实际井的处理结果表明,该算法是可行的。

基于自适应混沌粒子群算法的分布式电源优化

目前我国是以"大机组、大电网、高电压"为主要特征的单一供电系统,这种集中发电、远距离传输、大电网互联的方式虽然有效减少了系统的备用容量以及加强了各网络间的同步,但很难快速追踪远距离的末端负荷变化,负荷峰谷差增大将导致电荒出现,线路距离太远也加大了系统的网损。基于此,本文考虑在配电网中合理接入分布式电源进行优化,为了确定接入位置和容量,本文以分布式电源安装年费用、配电网年有功损耗及分布式电源环境效益为多目标函数;为了避免粒子群算法(PSO)容易陷入局部最优,文中采用计算速度快、收敛可靠的自适应混沌算法(ACPSO)进行计算,设计了基本计算流程;最后采用IEEE14节点系统进行算例分析,接入分布式电源后配电网网损有效降低,且能减少配电网运行总费用,同时证明ACPSO算法在解决分布式电源优化问题上具有一定优越性。

自适应混沌粒子群算法在PSS设计中的应用

该文采用一种改进的粒子群算法PSO———自适应混沌粒子群算法ACPSO,对多机电力系统稳定器参数进行优化设计,以抑制系统低频振荡。该算法通过混沌初始化粒子群,在迭代计算过程中根据粒子的适应值自适应地调整算法惯性系数,从而可以获得更好的全局搜索能力和收敛速度。选取系统机电振荡模式最小阻尼比最大化为目标函数,将PSS参数优化转换为带不等式约束的非线性优化问题。以3机9节点系统为例,特征值和非线性仿真结果表明,运用该方法设计的PSS能够有效地抑制外界扰动引起的低频振荡。

自适应混沌粒子群算法对极限学习机参数的优化

针对极限学习机(ELM)在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群(ACPSO)算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机(DPSO-ELM)、粒子群-极限学习机(PSO-ELM)等算法相比,自适应混沌粒子群-极限学习机(ACPSOELM)算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。

基于自适应混沌粒子群算法的光伏电池模型参数辨识

光伏电池模型参数的快速准确辨识在光伏阵列的输出功率预测、最大功率点跟踪以及电池故障模型的特性研究方面具有非常重要的工程意义。针对大部分传统智能算法用于系统参数辨识时的辨识精确受参数初值影响较大,而且算法易陷入早熟的问题,利用自适应混沌粒子群算法(SA-CPSO)对光伏电池模型参数进行辨识。将混沌算法与粒子群算法融合,对粒子群进行混沌初始化并促使陷入局部最优的粒子进行混沌搜索,引导其跳出局部极值从而搜索到更好的解;同时引入自适应调整策略来有效控制全局与局部搜索,提高了进化后期算法的收敛精度。经过仿真和实验测试,证明SA-CPSO算法在光伏电池模型参数辨识方面具有较高的精确度和快速性。还通过实验探讨了辐照度变化对太阳能电池参数的影响。

基于群体适应度方差的自适应混沌粒子群算法

已有的混沌粒子群算法多使用Logistic混沌映射,但Logistic混沌映射产生的混沌序列不够均匀,影响了混沌粒子群算法的性能。提出在混沌粒子群算法中引入均匀性更好的An混沌映射,利用An混沌映射初始化粒子群的位置和速度,并通过适应度方差的变化来自适应控制部分粒子进行混沌更新,以改善混沌粒子群算法的性能。数值仿真的结果表明,改进算法的收敛性和全局搜索能力都有所提高,能有效避免早熟收敛。

一种新型自适应混沌粒子群算法在联盟运输调度问题中的研究

提出了一种新的自适应混沌粒子群优化算法。该算法在运行过程中根据群体适应度方差和最优解的大小确定当前最佳粒子引入混沌搜索有效位置的概率,有效结合粒子群全局和混沌局部搜索,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度。将该算法用于解决联盟运输调度问题,实验结果表明该算法具有较好的性能。

一种新的自适应混沌粒子群算法

提出了一种新的自适应混沌粒子群算法。在标准粒子群算法中引入An混沌映射,以特殊的方式,利用An混沌映射来初始化粒子的位置和速度,并且每隔一定的代数就用An混沌扰动部分粒子的位置和速度。数值仿真的结果表明,该算法的收敛性和全局搜索能力得到提高,能有效避免早熟收敛。

自适应混沌粒子群算法及在PID整定中的应用

针对微藻自动培养装置的温度控制,常规PID控制器的参数整定需耗费大量人力进行调节,提出一种采用自适应混沌粒子群的PID参数整定算法,充分利用多涡卷广义Jerk混沌序列的随机性及遍历性,对粒子群进行混沌初始化;采用非线性调整机制对惯性权重进行自适应调整;引入基于适应度方差的局部收敛判别机制,以混沌扰动的方式帮助种群跳出局部最优。仿真结果表明,相较于标准粒子群算法,改进算法能始终保持粒子群的多样性,系统响应超调量小,调节时间短,具有更好的全局搜索能力,控制精度较高,适应性和鲁棒性好。

热处理炉钢板温度度的的自适应混沌粒子群算法–最小二乘支持向量机优化预报算法

针对传统传热模型参数调整较复杂和模型精度较低的问题,构建了一种基于改进粒子群算法优化最小二乘支持向量机(least squares SVM,LSSVM)的钢板温度预报模型.首先,对基本粒子群算法进行分析,提出自适应混沌粒子群算法(adaptive chaos PSO,ACPSO),并通过性能指标定量评价验证算法的有效性、鲁棒性和寻优效率.其次,采用LSSVM建立钢板温度预报模型,并选用径向基函数作为核函数,用ACPSO算法优化该模型参数.最后,结合现场数据进行仿真研究和工程应用,结果表明基于该算法建立的钢板温度预报模型具有较高的预报精度,达到智能调优的目的.

基于自适应混沌粒子群算法的推力分配研究

随着海洋开发的日益频繁,人们对动力定位系统(Dynamic Positioning System DPS)的需求越来越大,推力分配作为动力定位中的关键问题,受到了广泛关注。针对这一现状,文中提出将自适应混沌粒子群(Adaptive Chaotic Particle Swarm Optimization,ACPSO)算法用于推力分配问题的研究,通过该算法对推力模型在能源消耗、艏向、推进器机械磨损、推进器最大推力几方面进行优化,约束中考虑推进器的推力区域,舵角变化率,主推螺距百分比等限制。实验仿真表明该算法在收敛性及准确性上有较大的提高,可以得到收敛速度较快、精度较高的结果。

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.

变异自适应混沌粒子群算法求解线性超定方程

针对粒子群算法容易陷入局部最优值和全局局部搜索平衡能力较差的问题,提出来变异自适应混沌粒子群算法。根据进化代数调节惯性权重和加速因子,新算法较好平衡了粒子群算法中的全局和局部搜索模型,利用变异因子可以使得粒子跳出局部最优值,保证种群后期仍然具有进化潜力。新算法在5个测试函数上和标准粒子群算法,自适应粒子群算法,混沌粒子群算法进行了比较,通过三种比较标准,结果说明了新算法具有较快的收敛速度,和较强的进化潜力。通过对线性超定方程组的求解,说明了新算法在数学方面具有较高的使用价值。

求解经济负荷分配的自适应混沌粒子群算法

针对电力系统经济负荷分配(economic load dispatch,ELD)这一典型的非凸、非线性的多约束优化问题,提出一种自适应混沌粒子群算法(self adaptive chaotic particle swarm optimization,SACPSO).在混沌粒子群算法(CPSO)的基础上,先利用引入变异算子和社会因子的粒子群算法进行全局搜索,再对搜索得到的先验解进行基于Tent映射的混沌细搜索(CLS),并将逆映射回的决策变量和全局最优粒子的线性组合作为CLS的搜索结果输出.通过6机组、15机组电力系统的仿真,验证了该算法的有效性.

结合混沌搜索的自适应混沌粒子群算法

针对基于群体适应度方差的自适应混沌粒子群算法存在的局部搜索能力较弱的不足,在该算法中引入了混沌变异以及混沌搜索操作。使用An混沌映射对部分粒子进行混沌变异,对全局最优粒子进行混沌搜索,提出了一种综合考虑粒子位置、寻优空间的自适应变尺度规则。数值仿真结果表明,改进算法的收敛性、全局和局部搜索能力都有所提高,能有效避免早熟收敛。

自适应免疫粒子群算法在光伏MPPT中的应用

光伏阵列在局部遮阴条件下,其P-U特性曲线呈多峰特性,传统的最大功率点跟踪(MPPT)算法容易陷入局部最优,而无法追踪到最大功率点。粒子群(PSO)算法适用于复杂多极值的寻优问题,因而在多峰值MPPT中得到广泛应用。针对粒子群算法寻优过程中易早熟收敛至局部最优、迭代后期收敛速度慢以及精度低等问题,提出了一种自适应免疫粒子群算法。该算法对惯性权重和学习因子进行自适应调整,并且与免疫算法相结合。仿真结果表明:该算法在静态局部遮阴以及动态局部遮阴条件下,均能追踪到最大功率点,并且收敛速度更快,精度更高,稳定性更好。

基于自适应变异粒子群算法的装配式建筑施工安全投入优化

针对装配式建筑施工安全投入问题,以实际工程项目为例,对装配式建筑施工风险因素进行了二级分解;基于数学规划理论建立了非线性规划模型,并引入3种函数关系进行拟合;采用自适应变异粒子群算法在Matlab中进行求解,得到了相对较优方案。结果表明:在安全风险主要因素中,物的风险因素对安全投入最为敏感;在二级风险因素中,预制构件吊装器具的选择最为敏感,该结论可为日后施工安全投入的方向提供参考依据。

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。

基于自适应粒子群优化算法的串联复合涡轮储能优化策略

针对发动机串联复合涡轮发电系统储能困难等问题,提出了一种基于自适应粒子群优化(SAPSO)算法的最大功率点追踪(MPPT)方法,增强发电系统功率的捕获能力。此外,采用混合储能系统(HESS)替代单一蓄电池储能,实现电能的高效、稳定存储。通过Matlab/Simulink软件,建立了基于发动机串联复合涡轮发电的储能优化控制仿真模型,对比分析了不同控制方法在设定工况下的功率追踪性能以及混合储能系统的储能特性。仿真结果表明,相较于传统扰动观测法(P&O)控制方法,在所提的SAPSO-MPPT方法下,发电功率提高了190 W,响应时间缩短了0.15 s。同时,HESS能够有效追踪母线上的需求功率,电能回收效率高达95.3%。最后,基于Y24型改装发动机台架搭建了串联复合涡轮发电系统实验平台,对所提储能优化控制策略的节油潜力进行了实验验证。结果表明,SAPSO-MPPT+HESS储能优化策略能够有效提高排气能量回收效率,优化后系统总热效率比原发动机提高了提高0.53个百分点。