基于时序卷积残差网络和鹈鹕优化算法的新能源电网安全稳定控制方法

随着“双碳”目标的推进,随机波动的新能源接入电网的规模和容量日益提升,严重影响电网的安全稳定运行。针对大干扰故障电压稳定控制问题,文章提出了一种基于时序卷积残差网络和鹈鹕优化算法的新能源电网电压安全稳定控制策略。首先,利用时序卷积信息损失少、感受野宽以及残差网络深层特征提取能力强的优势,构建基于时序卷积残差网络的电压稳定预测模型,映射出敏感节点电压时序特征和电压稳定之间的关系;其次,构建电压稳定控制模型,利用鹈鹕优化算法收敛速度快、搜索能力强的优势求解控制模型,得出最佳切机和切负荷动作措施;最后,进行了仿真验证。验证结果表明,所提方法提高了新能源电网电压安全稳定预测的准确性,通过最佳的电压稳定控制策略提高了电网故障后的安全稳定运行水平。

融合三维螺旋运动和混合反向学习策略的改进鹈鹕优化算法

针对鹈鹕优化算法收敛速度较慢、初始化过程随机产生初始种群导致种群多样性差,在后期易陷入局部最优等问题,提出了一种融合三维螺旋飞行和混合反向学习策略的鹈鹕优化算法。首先使用Gauss映射初始化种群,提高种群多样性;其次利用三维螺旋飞行和混合最优最差反向学习策略,加强算法跳出局部最优的能力;最后,引入自适应平衡因子与自适应步长,提出鹈鹕坠落策略,以模拟捕食过程中群体的微小变化。最后,通过12个基准函数和实际案例对IPOA(improved pelican optimization algorithm)进行测试,并与8个仿生算法进行对比,测试结果与Wilcoxon符号秩和检验结果均表明IPOA收敛精度与稳定性等各项性能都有所提升,具有明显优势。

基于混合策略改进的鹈鹕优化算法

针对鹈鹕优化算法求解精度低、稳定性不足、易陷入局部最优等问题,文章提出一种混合策略改进的鹈鹕优化算法(IPOA)。首先,为了增强种群的随机性和多样性,扩大种群的搜索范围,引入反向折射学习机制;其次,利用正余弦算法和鹈鹕算法融合,改进鹈鹕搜索猎物的方式,增强算法的局部搜索与全局搜索能力;然后,采用Levy飞行机制对鹈鹕位置进行更新,从而提高算法的搜索能力以寻找最优值;最后,引入自适应t分布变异算子,使用算法的迭代次数作为t分布的自由度参数来增强鹈鹕种群的多样性,避免算法陷入局部最优。通过12个标准测试函数对改进算法与海鸥优化算法、黑猩猩优化算法、鲸鱼优化算法、蛇群优化算法和基本鹈鹕优化算法进行测试比较,结果表明,IPOA具有更好的收敛速度和稳定性。最后将改进鹈鹕算法应用于压力容器设计优化问题,进一步证实改进后的算法具有较好的求解性能。

基于质量扰动鹈鹕优化算法的图像匹配方法研究

针对传统群优化算法在图像匹配中存在调节参数多、不易操作等问题,提出了一种基于质量扰动的鹈鹕优化算法(disturbance quality pelican optimization algorithm,DPOA)的图像匹配方法。传统的鹈鹕优化算法(pelican optimization algorithm,POA)在求解多峰函数问题时,其全局收敛性需要进一步改进。首先,引入了一种新的质量扰动方法,通过检测分布点附近的点来收敛到更好的解,提高了在解决多峰函数问题时易陷入局部最优的问题,同时提高了算法的收敛精度。其次,通过数据集CEC2019对算法的有效性进行评价。最后,通过提取图像的方向梯度直方图(histogram of oriented gradient,HOG)将DPOA算法在图像匹配中应用,并通过实验仿真,证明了DPOA算法在图像匹配中的可行性与有效性。

鹈鹕优化算法在岩体结构面分组中的应用

结构面广泛分布于岩体之中,难以逐一进行分析。现有研究方法存在对初始信息敏感,分组结果可靠性差,以及难以准确对产状相近的结构面进行分组等不足。针对上述问题,提出了一种基于鹈鹕优化算法(POA)的岩体结构面分组方法。首先,利用POA算法全局寻优初始聚类中心,结合模糊C均值算法(FCM)将结构面产状数据进行完全分组。其次,利用蒙特卡罗模拟技术,生成符合Fisher分布的产状数据。最后,基于正交设计,对比传统FCM算法,以识别错误率为指标,研究了新算法在不同结构面数量、结构面组数、聚类中心、离散度情况下分组精度的变化规律。结果表明:聚类中心对分组精度具有显著影响;所提方法能对产状极点边界不清晰的结构面数据进行有效分组,可有效提高分组精度和分组结果的可靠性。以大连某水库边坡结构面数据为基础,对其进行分组处理,验证了新方法的工程实用性。研究结果可以为结构面三维网络计算机模拟和岩体工程稳定性分析提供依据。

基于多策略融合鹈鹕优化算法的特征选择方法

针对鹈鹕优化算法在求解问题时存在随机性的缺陷,提出了一种基于多策略融合鹈鹕算法的特征选择方法.首先,采用佳点集理论对种群进行初始化,替代原鹈鹕算法中的随机策略,使得种群分布均匀,提高了遍历性;其次,利用反向差分进化算法在每一轮更新迭代后,对种群个体进行反向优化选择,从而提高全局搜索性能;采用自适应t分布变异策略来扰动最优解,防止其陷入局部最优.选择了6个标准测试函数进行模拟.实验结果证明,改进后的算法比其他算法能更加有效地选取最优特征,并提高分类准确率.

基于鹈鹕优化和极限学习机的锂离子电池健康状态估计

准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题,提出一种基于鹈鹕优化算法和极限学习机(POA-ELM)的SOH估计方法。首先,选取充放电过程中的四个健康特征,并采用皮尔逊相关性分析来量化它们与电池SOH的相关性。然后,建立ELM模型来映射健康特征与电池SOH之间的关系。针对ELM模型中超参数寻优问题,采用POA算法进行解决。最后在NASA电池数据集上进行试验分析,并与其他经典超参数寻优算法进行了比较。实验结果表明该方法能够实现SOH的准确估计,具有较高的估计准确度,估计误差稳定在2%以内。

基于变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络的短期负荷预测

针对传统的电力负荷预测模型中出现的模态分解混叠、长短期记忆网络参数难以选择等问题,提出一种新的模型,即基于变分模态分解、排列熵组合和改进鹈鹕优化算法的长短期记忆网络模型。首先,利用变分模态分解将电力负荷数据分解为多个复杂程度较低的模态,并利用排列熵对子序列进行重组,降低预测难度;接着,引入Logistic混沌映射、融合柯西变异和反向学习两种策略改进鹈鹕优化算法,提高全局寻优能力;然后利用改进后的鹈鹕优化算法对长短期记忆网络参数进行优化,提高模型的泛化能力和实际操作性;最后,对重组后的子模态分别进行预测并叠加,得到最终预测结果,并使用两份不同地区数据集与多种优化算法预测模型进行比较。实验结果表明,变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络模型具有更高的预测精度和稳定性,可以有效地进行短期电力负荷预测。

基于鹈鹕优化算法的核环境巡检机器人路径规划

为提高核环境巡检机器人路径规划的效果,将一种新型智能优化算法—鹈鹕优化算法(Pelican Optimization Algorithm,POA)应用于解决该问题,并进行了实例分析。介绍了POA基本原理,给出了算法主要流程;利用4个基准测试函数对POA性能进行了验证,并与另外3种典型优化算法进行了对比分析;构建了简单和复杂的核巡检机器人两种工作环境,利用POA进行路径规划。结果表明,POA算法的寻优精度更高且计算稳定性好,在耗时更少的情况下,可以获得更短的移动路径,具有一定的优势。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

改进鹈鹕算法优化LSTM的加热炉钢坯温度预测

在钢铁生产加工过程中,钢坯出炉温度直接影响着钢材的质量,为了精确预测钢坯出炉温度,因此提出了改进鹈鹕优化算法(IPOA)和长短记忆神经网络(LSTM)相结合的轧钢温度预测模型。首先,通过主成分分析法(PCA)对数据进行处理,其次运用改进鹈鹕优化算法寻找到LSTM的最优参数,最终建立基于主成分分析的IPOA-LSTM轧钢温度预测模型,并同LSTM模型以及IPOA-LSTM模型进行对比,基于主成分分析的IPOA-LSTM模型的均方根误差为3.276 3,平均绝对误差为2.116 1,决定系数R2为0.958 2,与其他两个模型相比有更高的预测精度。

利用改进鹈鹕优化算法求解TSP问题

为使鹈鹕优化算法(Pelican Optimization Algorithm,POA)能够应用于求解旅行商(Traveling Salesman Problem,TSP)问题,引入2条路径启发式交叉操作和依据概率的倒序变异操作,对鹈鹕优化算法的位置更新方式进行修改,提出一种利用改进鹈鹕优化算法求解TSP问题的新方法。应用实例测试分析结果表明:该方法切实可行,求解结果较为满意,运行稳定性较好。

基于POA优化支持向量回归模型的航天电磁继电器贮存寿命预测

为了提高航天电磁继电器贮存寿命预测精度,提出了一种基于鹈鹕优化算法(POA)优化支持向量回归(SVR)模型的航天电磁继电器贮存寿命预测方法,以解决SVR模型内核参数选择难的问题。随后基于某型号继电器的加速退化试验所得数据,进行了验证。最后,通过POA-SVR方法与SVR方法和SMA-SVR方法对比,平均相对误差分别下降了24.82%、3.69%,说明所提方法可以有效提高继电器贮存寿命的预测精度。

基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm,POA)的变分模态分解(variational mode decomposition,VMD)结合小波阈值(wavelet threshold,WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function,IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。

DPCA-POA-RF-Informer在多情景光伏多步预测中的应用

针对光伏发电波动性与不确定性对电力系统稳定产生的影响,对多情景光伏发电功率的多步预测进行研究。首先通过密度峰值算法根据太阳辐射量、温度、湿度等气象数据对天气状况进行精确分类。其次,为了使模型表现出更好的性能,建立了鹈鹕算法优化随机森林(POA-RF)的因素筛选特征变量,模型用鹈鹕算法对随机森林的决策树数目和深度两个参数进行寻优,加强了因素筛选的有效性。最后,基于Informer模型对不同天气状况的光伏功率进行多步预测。实例计算结果验证了所提模型预测精准度的有效性与精准性。

基于IPOA的巨型组合框架结构震损快速预测模型研究

为实现巨型组合框架结构的地震损伤程度快速评估,提出了一种基于改进鹈鹕优化算法(IPOA)的多参数震损预测方法。设计了5个不同参数的巨型组合框架结构模型,利用振动台试验和有限元软件进行非线性时程分析获取结构动态响应数据,并采用结构损伤指数量化评估结构的损伤程度。同时,引入K均值聚类优化策略和惯性权重自适应优化策略改进传统的鹈鹕优化算法。基于振动台试验和有限元分析结果数据,比较了不同输入参数组合预测结构损伤的准确性,构建了能反映结构参数与结构损伤之间非线性关系的智能算法快速预测模型。最后,将模型预测结果与一缩尺比为1/15的振动台试验模型结构损伤程度进行对比验证。结果表明:(1)改进鹈鹕优化算法模型的准确性和泛化能力均优于其他算法模型;(2)最大层间位移角与结构损伤相关性最高,增加影响结构损伤的输入参数可提高预测模型的准确度和泛化能力;(3)模型预测的结构损伤指数与试验结果相比误差均小于10%,预测结构损伤等级与试验结果一致,所提出的快速预测模型能高效准确地预测结构的损伤指标,为巨型组合框架结构震后损伤快速评估提供了一种新方法。

典型调峰/调频工况下储能电池组荷电状态估计

针对储能电池组在电网典型储能工况下荷电状态(state of charge,SOC)估算精度较低的问题,提出一种基于核主成分分析(kernel principal component analysis,KPCA)-鹈鹕优化(pelican optimization algorithm,POA)-双向门控循环单元(bidirectional gated recurrent unit,Bi GRU)的SOC估计模型。通过设计调峰/调频工况下电池组充放电实验,从数据中提取表征SOC变化的融合特征作为模型输入;分别构建不同工况下Bi GRU网络,并利用POA对其超参数进行优化,提高模型性能;进一步在混合工况下验证模型的有效性。结果表明,所建模型有着更好的SOC估计效果和更强的鲁棒性,能够提高复杂储能工况下储能电池组SOC估计精度。

基于VMD⁃ESA和IPOA⁃XGBOOST相结合的异步电机故障诊断

为了提高异步电机故障诊断的准确度,提出一种结合变分模态分解(VMD)、包络谱分析法(ESA)和改进的鹈鹕优化算法优化的极限梯度提升模型(IPOA‐XGBOOST)的智能诊断方法。首先,对实测的异步电机振动信号进行VMD分解,并用ESA计算VMD分解得到的本征模态分量(IMFs)的瞬时能量矩阵;然后用奇异值分解法(SVD)对得到的瞬时能量矩阵进行特征提取;最后,使用提取到的特征向量训练IPOA‐XGBOOST模型,得到异步电机的故障诊断准确率。另外,为了解决鹈鹕优化算法容易陷入局部最优解、寻优速度慢等问题,使用Circle映射改进鹈鹕优化算法。将改进的鹈鹕优化算法、遗传算法(GA)和鹈鹕优化算法进行寻优分析,实验结果表明,改进的鹈鹕优化算法的寻优效果最好。

基于ICEEMDAN与POA-SVM的感应电机故障诊断

针对感应电机定子电流故障特征提取困难,支持向量机(SVM)惩罚系数c和核函数参数g的选择对诊断结果影响较大等问题,提出一种改进自适应噪声平均总体经验模态分解(ICEEMDAN)与鹈鹕优化算法(POA)优化支持向量机(POA-SVM)相结合的感应电机故障诊断方法。首先,利用ICEEMDAN经陷波器滤除工频的定子电流获得一系列固有模态函数(IMF);然后,选取各状态信号的前7阶IMF分量并计算能量熵作为故障特征向量;最后,将故障特征向量输入POA-SVM模型得到诊断结果。通过仿真软件Ansoft/Maxwell建立电机模型来获得电流数据,诊断准确率达到了100%,实现了感应电机的故障诊断。为进一步验证诊断方法的优越性,搭建电机故障模拟试验台来采集电流信号,结果表明,该方法在空载、半载和满载3种负载情况下诊断准确率均可达到97.5%以上,与其他故障诊断方法相比,所提方法对感应电机电气故障具有更好的识别能力。

基于IPOA-BP的输电塔复合基础极限抗拔承载力预测模型

为了实现输电塔复合基础极限抗拔承载力的准确预测,克服传统理论、经验公式误差大,计算慢的问题,提出一种改进鹈鹕智能算法(IPOA)来优化BP神经网络的承载力预测模型。首先,利用SPM混沌映射、Levy飞行以及融合非线性惯性权重因子ω的正余弦优化策略,对鹈鹕优化算法(POA)改进;然后,利用IPOA对BP神经网络的权值和阈值参数寻优,得到IPOA-BP预测模型;最后,基于验证后的数值试验构建数据集,对IPOA-BP预测模型进行训练和测试。结果表明,IPOA-BP与POA-BP预测模型相比,方根误差下降65.75%,绝对平均误差下降65.79%,平均相对误差下降65.60%,可见IPOA-BP神经网络能够实现复合基础抗拔承载力较准确的预测,为该类型基础的承载力预测提供了新方法。