基于全局学习自适应细菌觅食算法的光伏系统全局最大功率点跟踪方法

为了使光伏发电系统输出功率最大化,最大功率点跟踪(MPPT)技术被广泛采用。当出现局部遮阴等外部天气条件变化时,会使得光伏功率特性曲线出现多峰现象,增加最大功率追踪过程的复杂性。传统的MPPT方法和软计算技术由于固定步长和随机性不足等缺点,可能无法跟踪到全局最大功率点(GMPP)。为此本文提出一种全局学习自适应细菌觅食算法,将全局学习机制和自适应步长策略引入到传统的细菌觅食算法中,以提高算法的求解精度和收敛速度。同时,采用直接控制法模型,并提出两步法MPPT控制策略,避免光伏系统输出功率趋于最大点时的功率振荡,提高系统的输出效率。仿真结果表明所提出的方法在动态环境条件下可以准确快速地跟踪GMPP。

自适应细菌觅食的FCM聚类优化算法研究

在初始化FCM聚类算法时,聚类类别数需要手动去设置,并随机初始聚类中心,导致此算法极其容易陷入局部最优值。通过利用改进的细菌觅食算法,进行FCM算法的聚类中心的初始化,解决FCM算法对初始聚类中心敏感的问题;通过一些有效性的指标,对FCM算法和优化FCM算法进行评估,指标说明了优化FCM算法更好。在仿真实验中,将优化FCM算法和标准FCM算法用到多类图像分割中,进行了图像分割的准确性和实时性的比较,且验证了所述的优化算法的实时性。

基于自适应细菌觅食算法的立体仓库货位优化

针对自升式穿梭立体仓库中穿梭车无需提升机即可实现跨层移动的运行特点,以该立体仓库模型为研究对象,进行货位优化。分别建立以提高出入库效率、货物分类存放、提高货架稳定性和平衡各巷道穿梭车工作量为优化目标的数学模型,并通过权重系数法将多目标优化函数转化为单目标优化函数。在标准细菌觅食算法的基础上,通过自适应策略对趋化步长和迁徙概率进行动态调整,提出了一种自适应细菌觅食算法,并利用该算法对货位优化数学模型进行仿真求解。仿真结果表明改进后算法的收敛速度提升,自适应改进策略有效,优化后目标函数值降低,货位优化效果显著。研究成果为立体仓库货位分配提供了一个综合、高效的优化方案,同时经立体仓库实际应用也验证了自适应细菌觅食算法的可行性和实用性。

自适应细菌觅食算法的局部放电定位

实现局部放电(partial discharge, PD)源准确定位对保证电气设备长期安全运行具有重要意义。为提高PD源定位的精度,基于到达时间差(time difference of arrival, TDOA)法的原理,提出自适应惯性权重细菌觅食定位算法(adaptive inertia weighting-bacterial foraging algorithm, AIW-BFA),自适应调整搜索步长,通过驱化、复制和分散进行全局寻优。由于电磁波在变压器内传播会发生反射、折射和衍射,使得PD源的定位变得更为复杂。基于最短光程原理,提出在变压器箱体内存在障碍物情况下的电磁波传输路径计算模型,来降低时延误差。仿真实验和现场实验结果表明,AIW-BFA定位精度可以满足定位需求,并且优于BFA法和粒子群优化(particle swarm optimization, PSO)法,证明了提出模型以及定位算法的有效性。

局部阴影下光伏阵列MPPT控制策略研究

局部阴影条件下,光伏阵列输出功率呈现多峰特性,传统的MPPT追踪算法容易陷入局部最优,难以时刻追踪到最大功率点。细菌觅食算法具有全局搜索能力,可以解决上述问题,但是普通算法收敛速度慢,易发生早熟现象,提出一种自适应细菌觅食优化算法(ABFOA)。算法根据细菌觅食程度自适应在线调整移动步长与驱散概率,可以平衡算法的局部搜索与全局搜索能力,使种群朝最优方向进化。通过仿真分析,并与传统算法进行研究比较,结果验证了改进算法无论光伏阵列处于何种状态都可以快速有效地追踪到系统最大功率点。

基于KM和AC-BFA模糊逻辑的土石坝压实质量实时评价

针对常用的压实质量评价存在未能够实现压实质量的实时评价,且模型的精度与鲁棒性有待提高等问题,建立一种新的压实质量实时评价模型。该模型由提出的基于核方法(kernel method,KM)与自适应混沌细菌觅食算法(adaptive chaotic bacteria foraging algorithm,AC-BFA)的模糊逻辑构建,同时将被碾材料的物理参数、料源特性参数、施工过程碾压参数作为模型的输入参数,其中被碾压材料的物理参数由振动信号分解后得到的基波与一次谐波的振幅表征。工程应用表明,该模型与常用压实质量评价模型相比,不仅在精度上具有一致性与优越性,而且在加噪数据与异常数据测试中显示出更强的鲁棒性,在进一步嵌入到碾压质量实时监控系统后能够实现压实质量的实时评价。