基于萤火虫扰动麻雀搜索算法-极限学习机的光伏阵列故障诊断方法研究

光伏阵列具有随机性、间歇性输出特点,发生故障严重影响电力系统安全运行。针对有效表征不同程度局部阴影与雨天接地故障的故障特征量缺乏的问题,分析不同故障状态下光伏阵列运行特征,提出一种新的6维故障特征向量:开路电压Uoc、最大功率点电压Um与短路电流Isc、最大功率点电流Im分别表征短路与断路故障;U-I特性曲线二阶导数零点数表征局部阴影故障,并利用遗传模拟退火算法优化的模糊C均值聚类算法(the fuzzy C-means clustering algorithm optimized by the genetic simulated annealing algorithm,GSA-FCM)验证Um、Im表征不同程度局部阴影故障的有效性;并网电流总谐波畸变率表征雨天接地故障。引入萤火虫扰动的麻雀搜索算法(sparrow search algorithm with firefly perturbation,FSSA)优化传统极限学习机(extreme learning machine,ELM),建立FSSA-ELM模型,解决传统故障诊断方法实现复杂、收敛速度慢的问题。基于现场数据驱动,建立考虑对地寄生电容的光伏系统仿真模型和实验平台,设计2种不同辐照度范围的仿真方案和实验方案进行方法验证,结果表明,FSSA-ELM模型结合ELM实现简单且FSSA收敛速度快的特点,利用6维故障特征向量,可准确识别光伏阵列故障类型。

引入萤火虫行为和Levy飞行的粒子群优化算法

粒子群优化(PSO)算法具有易陷入局部最小值和全局搜索能力差的缺陷,对PSO算法的改进大多只是在某一方面利用单一搜索策略进行改进,针对这种改进策略不能全面优化PSO算法性能的问题,提出一种引入萤火虫行为和Levy飞行的粒子群优化(FBLFPSO)算法。根据改进的自调节步长的萤火虫搜索策略改善PSO的局部搜索能力,避免PSO陷入局部最小值;后期利用Levy飞行策略增强种群多样性,提高PSO全局搜索能力,跳出局部最优解。仿真实验结果表明,与现有相关算法相比,FBLFPSO的全局搜索能力和搜索精度都有较大提高。

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.

基于SDF与Firefly优化的鲁棒数字水印算法

三维模型的版权危机日益显现,针对已有算法在模型遭受高程度简化攻击时鲁棒性仍存在不足的问题,提出一种基于形状直径函数进行分区的三维网格模型数字水印算法。该算法从网格分割出发,运用形状直径函数这一反映模型局部直径的特征,其受模型重心改变影响较小,对模型进行有效分割效率较高,通过求取顶点及所属面片的SDF(Shape Diameter Function,形状直径函数)值进行分区操作,在嵌入过程采用改进的萤火虫搜索算法与顶点分区的粗糙度分析结合来进一步筛选最优的顶点位置完成水印嵌入,水印的提取与检测就是嵌入的逆过程。实验结果表明该算法能有效抵抗仿射变换、剪切等各类攻击,特别是对简化与细分攻击有较高的鲁棒性,另外,该算法对姿势变化也有不错的抵抗效果。

计及负荷优化重配的电力CPS可生存性量化评估

针对电力信息物理融合系统(CPS)规模不断扩大且现有级联失效模型忽略信息流和潮流转移特性,使得可生存性难以快速有效评估的问题,计及负荷优化重配对电力CPS可生存性进行量化评估。首先,根据系统拓扑结构和关联关系,通过定义度函数和电气介数建立了度—介加权电力CPS关联矩阵,实现了耦合CPS的形式化表征。然后,从CPS级联失效的结构连通性变化和风险传播范围两个维度出发,基于节点负荷容量限制、信息流择优分配策略、潮流优化方程和系统安全运行等约束条件设计了可生存性评估模型。最后,采用混沌Lévy搜索萤火虫算法对评估模型进行高效求解。通过算例分析,有效量化评估了电力CPS的可生存性并提高了大规模耦合系统的评估效率。

基于优化算法的CNN-BiLSTM-attention的月径流量预测

为有效提取径流时间序列的信息特征,提高径流预测模型的高维非线性拟合能力和预测性能的稳定性,将卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(attention)相结合,构建了CNN-BiLSTM-attention的径流组合模型。以长江流域中游汉口站径流量数据进行模拟验证,对比分析BiLSTM,CNN,BiLSTM-attention,CNN-BiLSTM和CNN-BiLSTM-attention 5种径流预测模型模拟月径流的误差特征,利用FA-SSA,GWO和BAO 3种优化算法分别对CNN-BiLSTM-attention组合模型的卷积核个数、BiLSTM隐藏层神经元个数、全连接隐藏层神经元个数、dropout层、批量大小和学习速率6个超参数优化,探究3种优化算法对CNN-BiLSTM-attention月径流预测性能的影响。结果表明:BiLSTM-attention预测误差最大,BiLSTM次之,CNN-BiLSTM-attention组合模型整体预测精度最高;CNN-BiLSTM-attention径流组合模型能有效捕获关键信息和掌握径流时序变化规律,预测径流值与实际值能够较好吻合;FA-SSA优化算法优于GWO和BAO,更能优化CNN-BILSTM-attention的超参数值,并进一步提高该模型的预测精度。

基于改进SSA-LSSVM模型的大学生体育成绩预测

随着我国对体育教育的越来越重视,同时人工智能在教育领域的应用,准确的大学生体育成绩预测对大学生身体素质提高的重要性日益凸显。为了对大学生体育成绩建立可靠的分析方法,基于最小二乘支持向量机研究大学生体育成绩预测方法,提出了一种基于萤火虫改进的麻雀搜索算法,通过引入萤火虫扰动来提高麻雀搜索算法的全局搜索能力,并且通过该算法用于优化LSSVM模型的惩罚因子γ和核函数参数σ,来实现大学生体育成绩的精准预测。最后的仿真结果表明,基于萤火虫改进的麻雀搜索算法优化LSSVM模型的泛化性能和鲁棒性优于其它同类方法,可以实现大学生体育成绩的准确预测,其各项指标均优于其它方法。