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。

基于改进自适应粒子群优化的高压设备检修计划自适应优化

为了保证电网在高压设备检修过程中的稳定运行,提出基于改进自适应粒子群优化算法的高压设备检修计划自适应优化方法。采用模糊推理规则算法评估高压设备运行状态,依据评估结果确定电网运行风险最小化为高压设备检修优化的目标函数,并确定同时约束、检修资源约束等5个约束条件,采用改进自适应粒子群优化求解目标函数,输出优化后的高压设备检修计划结果。测试结果显示,该方法检修时电压最大和最小结果之间的差距为0.105 pu,较为平稳。

基于自适应粒子群优化的WSNs非均匀分簇路由算法

针对无线传感器网络(WSNs)中存在的能量空洞问题,提出了一种基于自适应粒子群优化(PSO)的WSNs非均匀分簇路由(APSO-NUCR)算法。在簇首选举阶段,引入一个能量阈值从网络中筛选出候选簇首,候选簇首根据竞争半径构造规模大小不一的簇。引入PSO算法来确定簇首,建立基于节点能量和位置的适应度函数,根据适应度值来确定最终簇首。根据粒子当前适应度值计算惯性权重和学习因子,更新速度和位置,平衡算法的全局和局部搜索能力。在数据传输阶段,簇内采用单跳传输方式,簇间数据传输基于Prim最小生成树的最优多跳路径。仿真结果表明:APSO-NUCR算法在利用能量和均衡网络能耗方面有良好的性能,延长了网络寿命。

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF神经网络法、混合粒子群-RBF神经网络法和自适应粒子群-RBF神经网络法,并且预测效果不易受时间尺度变化的影响。

基于ARMA误差修正和自适应粒子群优化的SVM短期负荷预测

利用最小二乘支持向量机(LS-SVM)进行短期负荷预测的精度及其泛化性能很大程度上取决于其参数选择。对于支持向量机中的核参数σ和惩罚系数C采用基于适应度函数惯性权重自适应调整的粒子群优化算法进行选择。在对LS-SVM回归模型参数优化的基础上,建立自回归滑动平均(ARMA)误差预测模型来修正负荷预测结果从而提高预测精度。选择某地区夏季96点负荷数据作为训练样本和测试样本进行分析,并且选择SVM模型进行对比。实验结果表明,同标准的SVM回归模型相比,APSO-ARMA-SVM负荷预测模型能明显改善预测精度,能够推广到电价预测等其他预测领域。

风水气互补发电优化的云模型自适应粒子群优化算法

提出一种改进的自适应粒子群优化(particle swarm optimization,PSO)算法,对基本PSO算法中的惯性权重系数作云处理。由于云模型具有随机性和稳定倾向性,使得处理后的惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高收敛速度。在对认知系数和社会系数的处理上,考虑两者的相互关联性,在坐标平面内构造收敛曲线,让两者沿收敛曲线随时间动态调整,使得算法在进化过程中既能够保证收敛,又提高了算法性能。建立了风、水、气多种清洁能源互补的发电模型。模型考虑风电预测的随机误差,以一次能源天然气的消耗量最低为目标函数,约束条件包含了风能、水能等清洁能源的完全消纳。通过云模型粒子群算法求解该模型,并与基本遗传算法和PSO算法的结果进行比较,验证了所建模型可行性和算法的有效性。

基于自适应粒子群优化算法的神经网络的优化研究

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的自适应粒子群优化算法用于神经网络的训练.该算法通过改进自适应搜索策略以提高网络泛化性能,并结合Ionosphere雷达信号分类数据集进行仿真测试.研究结果表明:基于自适应粒子群优化算法训练的神经网络在分类准确率和分类误差上明显优于传统的BP算法,且很好地提高了网络泛化能力和优化效果.

基于自适应粒子群优化径向基函数神经网络的语音转换

语音转换是指在保持源说话人语义内容不变的前提下,通过改变源说话人的个性特征,使其听起来像目标说话人的语音。本文提出一种自适应粒子群优化算法训练径向基函数神经网络进行语音特征建模,以获取说话人谱包络的映射关系;此外,考虑到说话人谱包络参数与基频有着密切的联系,利用基于径向基函数神经网络的联合谱包络基频变换方法,将谱包络参数与基频联合进行建模和转换,使得转换后的基频含有更多的说话人个性特征。最后,运用主、客观方法对获得的转换语音进行性能测试。实验表明,与主流的基于高斯混合模型的语音转换相比,使用自适应粒子群优化的径向基函数神经网络方法能够获得更好的转换性能,且更加适用于男声到女声的转换。

动态环境下分布式自适应粒子群优化算法

针对现有粒子群算法的不足,提出一种基于微粒自身信息的环境变化检测方法,同时采用分布式处理模式,通过激活粒子群中的停滞粒子适应环境变化,不仅降低了的算法复杂度,而且提高了算法对复杂环境的自适应能力。对于有界连续函数,证明新算法能依概率收敛于全局极小点。应用抛物线函数和Rastrigin函数构造的复杂动态环境对该算法进行验证,并同APSO、D-PSO算法进行了对比。实验结果表明,在复杂的动态环境中,DAPSO算法具有更好的适应性。

基于自适应粒子群优化和MPI的大地电磁并行反演算法

针对大地电磁粒子群反演算法存在的计算时间过长的问题,基于自适应粒子群优化和消息传递接口提出一种新的大地电磁并行反演算法.在曙光4000L大型机平台上,利用该并行反演算法进行一维大地电磁层状介质反演实验,实验结果表明,新的并行反演算法能有效解决大地电磁粒子群反演计算时间过长的问题.

基于自适应粒子群优化的ARIMA-SVM光功率趋势预测

为实现光纤线路未来状态趋势预测,提出基于自适应粒子群优化(APSO)的ARIMA-SVM光功率趋势预测法。利用小波变换对光功率数据进行预处理,设计APSO算法优化SVM模型参数,构建了优化后的ARIMA-SVM模型,实现了光功率趋势预测。

基于自适应粒子群优化算法的预测控制算法及其在加热炉支管平衡中的应用

多变量和输出受限系统的预测控制问题一般表现为一个不易直接求解的多变量且多约束的非线性动态规划问题.传统优化方法在解决此优化问题时,存在易收敛到非法解或局部极小、计算时间长以及对模型参数与初值依赖性强的缺点.提出了一种基于自适应粒子群优化的预测控制算法(APSO-DMC),采用自适应粒子群优化算法(APSO)作为模型预测控制的优化方法,在线实时求解最优控制律,从而有效地克服了传统优化方法的不足.将此算法应用于常减压装置加热炉支管温度平衡控制中,仿真试验结果显示了该方法的有效性.

自适应粒子群优化算法在聚丙烯熔融指数预报上的应用

针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求,以及过程变量间相关性高的特点,提出一种基于自适应粒子群优化算法和径向基函数神经网络的聚丙烯熔融指数预报新方法。该方法采用变参数的自适应粒子群优化算法提高优化算法的效率和收敛性,并且融合了主成分分析、统计建模以及智能优化方法,从而降低了预报模型的复杂度。提出了一种基于径向基函数神经网络的统计预报模型的参数优化和结构优化方法。使用该统计模型对工厂实际生产过程进行预报,并与国内外相关研究报道相比较,表明了本文所提出的预报方法的有效性和更高的准确性。

自适应粒子群优化的船舶动力定位云模型控制器设计

云模型控制理论是智能控制学科的新兴领域,因此如何扩展云模型的应用范围并使其走向工程化实用化成为云模型理论的研究重点。针对船舶运动模型具有不确定性和外部扰动随机性等特点,而云模型具有兼顾模糊性和随机性的特质,尝试将云模型应用于船舶动力定位的控制过程。为解决云模型控制器参数难以整定的问题,提出基于自适应粒子群优化算法的云模型控制器设计方法。仿真试验证明了云模型控制和粒子群优化的可行性和有效性。

自适应粒子群优化算法优化径向基函数神经网络用于电阻抗成像图像重建

电阻抗成像(EIT)的图像重建是一个高度非线性且欠定的病态逆问题。由于传统方法无法达到很高的精度,并且重建过程通常很耗时,提出了一种基于自适应粒子群优化算法的径向基函数神经网络(APSO-RBFNN)用于图像重建。通过数值模拟建立了15 000个仿真样本,分为训练集和测试集。经过网络训练后,测试集上的图像相关系数(ICC)为0.95,仿真结果验证了APSO-RBFNN方法的有效性。当将30、40和50 dB的高斯白噪声添加到测试集中,ICC分别为0.90、0.92和0.93,证明了该方法的鲁棒性。对包含更多目标的样本重建结果说明了该方法具有良好的泛化能力。此外,8电极EIT系统的实验数据测试结果表明,相比于Tikhonov和RBFNN方法,APSO-RBFNN方法具有更好的图像重建结果。

基于指数加权算子与自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差及数据离散度越大导致预测精度越差这一局限性,对传统灰色预测模型做进行改进。一方面,采用指数加权算子对原始数据序列进行处理,有效地减弱异常值的影响,强化了原始数据序列的大致趋势;另一方面,利用自适应粒子群优化算法与GM(1,1)模型相结合,优化GM(1,1)模型中的背景值,使其更合理,使原始信息得到更好的利用。

自适应粒子群优化算法(APSO)在膜下滴灌优化灌溉中的应用

在考虑了灌溉水量、作物水分响应模型、降雨量、不同生育阶段缺水对产量敏感指数、作物市场价格、农业灌溉用水价格、膜下滴灌成本价格等因素下,建立了农作物经济效益最优的多约束、非线性灌溉模型。将APSO算法进行灌溉模型优化求解。利用新疆棉花膜下滴灌实验所得数据,得出了作物在不同范围有限灌水量下棉花各生育阶段间灌水量的最优效益分配,求解的结果显示该灌溉模型能很好地解决了作物非充分灌溉下优化灌溉问题。

模糊Petri网的自适应粒子群优化方法研究

模糊Petri网对专家知识库的模糊规则具有较强的表达能力,但其缺乏学习能力使得模型参数的确定较为困难,针对此问题提出一种适合于模糊Petri网参数确定的自适应粒子群优化算法。分析了模糊Petri网对专家知识库的模糊规则建模方法;研究了粒子群优化算法及其各种改进算法;在此基础上,提出适合于模糊Petri网参数确定的自适应粒子群优化算法。最后,以无向网络可靠性估计为例,通过实例分析并与基本粒子群优化算法进行比较,证明了所提方法的有效性和优越性。

一种模糊自适应粒子群优化在配电网规划中的应用

根据以配电网最小网损为目标函数建立的规划模型,提出将一种模糊自适应粒子群优化算法应用于配电网规划中。针对迭代过程中二进制粒子群算法会产生大量不可行解的问题,通过建立节点分层矩阵进行辐射状判断和配电网潮流计算。IEEE16节点算例结果表明,优化算法使配电网更经济运行,且模糊自适应粒子群优化算法较基本粒子群优化算法收敛速度快,具有更好的全局搜索能力,算法有效且实用。

基于自适应粒子群优化算法的有源配电网多目标动态无功优化

为解决负荷变动条件下电容器组和分布式电源的协调优化问题,提出了一种新的配电网动态无功优化方法。首先,建立了分布式电源及负荷的随机模型,通过蒙特卡罗模拟抽样,得到24 h的分布式电源出力曲线和负荷变化曲线,研究了基于半不变量法的随机潮流分析方法;其次,以分布式电源投资效益和网络有功损耗为目标函数,建立了有源配电网多目标动态无功优化模型;然后,基于分布熵的自适应粒子群算法,提出了模型的求解方法与流程;最后,通过算例验证了所提方法的有效性和实用性。