基于AQPSO的数据聚类

提出了一种新的聚类算法——适应性的基于量子行为的微粒群优化算法的数据聚类(AQPSO)。AQPSO在全局搜索能力和局部搜索能力上优于PSO和QPSO算法,它的适应性方法比较接近于高水平智能群体的社会有机体的学习过程,并且能保证种群不断地进化。聚类过程都是根据数据向量之间的Euclidean(欧几里得的)距离。PSO和QPSO的不同在于聚类中心的进化上。QPSO和AQPSO的不同在于参数的选择上。实验中用到4个数据集比较聚类的效果,结果证明了AQPSO聚类方法优于PSO和QPSO聚类方法。

基于AQPSO算法的电网线损率预测模型

由于电网线损具有较为复杂的扰动性,且随机性较大,使得线损率预测具有一定的难度,为了减少电网线损率预测误差,现提出一种基于AQPSO算法的电网线损率预测模型。首先对线损数据质量校核,然后对电网内部线路进行分类处理,并生成线损数据特征值,最后建立基于AQPSO算法的预测模型,提出AQPSO算法原理与线损计算方法,实现基于AQPSO算法的电网线损率预测。设定了实验进行验证,结果表明,所设计的基于AQPSO算法的电网线损率预测模型有效减少了电网线损率预测误差,并提高了电网线损率预测效率,为实际的电线损预测提供了参考。

基于AQPSO-LSSVM的电网线损率预测模型

为了对地区电网220 kV线损率进行有效的评估,提出了一种基于自适应量子粒子群算法(AQPSO)优化的最小二乘支持向量机(LSSVM)的线损率预测模型。AQPSO在QPSO的基础上引入了遗传算法中的交叉与变异机制以扩大种群多样性,避免算法陷入局部最优。利用AQPSO搜索最佳的LSSVM参数并获取线损率预测结果,通过训练集对预测模型进行训练,然后使用测试集进行实验。最后选择地区电网23条220 kV线路的真实数据进行分析和预测,实验结果表明,文章所提出的AQPSO-LSSVM模型能够更有效地对线损率进行准确预测。

基于改进自适应量子行为粒子群算法的交直流混合配电网协调优化方法

随着系统日益庞大,交直流混合配电网的拓扑结构与系统潮流计算将更为复杂,各单元的协调控制已成为配电网经济、稳定运行的关键,恰当的控制方案可助力各单元协调控制进一步优化。针对此问题,提出一种多时间尺度下交直流混合配电网的能量管理系统优化运行的控制策略,通过与分布式电源、蓄电池、主从换流站等本地控制相结合,使得配电网能最大限度地降低总体电能损耗和各节点电压偏差。本文首先描述交直流混合配电网系统模型,然后建立交直流混合配电网能量管理系统的优化模型,在此基础上,采用改进的自适应量子行为粒子群算法,求解能量管理系统多目标函数的优化问题,以提高算法的求解效率和全局搜索的能力。最后,为验证算法的可行性和有效性,选择33节点的算例进行仿真验证。

基于自适应量子粒子群算法的阵列天线多目标综合

文中采用自适应量子粒子群算法(AQPSO),对基站阵列天线进行多目标波束形成,在期望信号方向形成主波束,在干扰信号方向形成零陷,同时压制副瓣电平。该算法引入自适应加速因子和动态量子旋转门,提高算法收敛速度以及全局寻优能力,加入阵元数据,提高赋形效果与实际情况的吻合度。比较AQPSO算法、粒子群算法(PSO)和遗传算法(GA)的方向图综合性能,证明了AQPSO算法具有快速收敛、全局寻优的特性。