基于ACO与CSO算法的配电网储能系统优化策略

为了提高分布式配电网中储能系统的高效性和经济性,针对基于蚁群算法(Ant Colony Optimization,ACO)与纵横交叉算法(CrisscrossOptimization,CSO)的配电网储能系统优化策略展开了一系列的研究。首先,针对储能系统成本支出、接入电网后对系统网损和电压偏差造成的影响进行分析,并建立储能系统优化模型;然后根据ACO基本算法结合CSO搜索机制建立ACO-CSO复合算法;最后建立相关仿真模型进行验证分析。结果表明,储能系统接入对网损和电压偏差指标均会造成影响,且接入点不同,其影响程度也不同。通过所提ACO-CSO复合算法得到的储能系统最佳配置方案能大大改善电网损耗,提高电网稳定性。所得结果优于PSO算法和NSGA-Ⅱ算法的最优解。该方案的综合成本分别比其他两种低了23.7%和30.8%,同时迭代次数分别缩短了38次和66次。因此,所提的复合算法在储能优化解析上具有良好的经济性和高效性,其结果具有一定的工程实际意义。

基于小世界CSO算法的含风电的配电网重构

针对风电(WPG)出力的随机性导致配电网重构模型难以建立问题,笔者提出根据场景分析法与风速的几种状态构造适应于含风电的配电网重构模型,然后划分单一场景和组合场景,分析单个风电和多个风电接入配电网情况,计算每种场景出现的概率得出目标函数值。同时,将基于小世界网络思想和CSO算法双交叉机制的重构新算法应用于含风电的配电网重构过程中,让每个粒子与其周围优秀的粒子动态连接而产生邻域,不断更新邻域,以增强种群的多样性和全局收敛能力。仿真分析结果表明,该算法具有较强的鲁棒性和较好的搜索能力。

基于纵横交叉算法的储能系统自适应控制策略

大量储能设备通过虚拟同步机(VSG)并入电网时,传统固定惯量和阻尼控制策略中,控制参数选取不当会造成调节时间长或超调量大,且无法充分发挥VSG控制灵活的优势。为此,提出了基于纵横交叉(CSO)算法的储能系统自适应控制策略,首先,建立了储能系统VSG系统,将储能VSG系统频率的误差与电压总谐波畸变率之和的最小值作为CSO的目标函数,并引入电池的荷电状态(SOE)约束求解最佳惯量以及阻尼,该算法收敛速度更快且有效地规避了参数局部解。在此基础上,设计一种改进的惯量阻尼自适应控制策略,有效地改善了VSG的动态性能。最后,通过Matlab/Simulink搭建仿真模型,验证了所提策略的有效性。

CSO-PID算法在空压机控制系统中的应用

针对普通空压机普遍存在的耗能过高且控制效果不佳的问题,在研究比例-积分-微分(PID)算法和鸡群算法的基础上,对空压机的控制算法进行了改进,利用鸡群算法对PID的三个参数进行整定,并将这种智能算法应用到PLC控制器中。仿真实验和实际测试表明:该智能算法不仅实现了对空压机系统的有效控制,而且增强了系统的抗干扰能力,节能效果更佳。

基于CSO-BP神经网络的电缆谐波损耗智能评估

国内外对于电缆线路谐波损耗的研究主要是通过电磁物理分析进行计算,等值参数的修正多依赖经验公式,精度方面有所欠缺。为准确评估电缆线路的谐波损耗,提出一种基于纵横交叉优化(CSO)算法-反向传播(BP)神经网络的损耗智能评估模型。谐波影响下的电缆线路普遍是谐波次数多样且各次含有率不定,训练样本的影响因素众多,为了克服传统的BP神经网络算法收敛速度慢、容易陷入局部最优的缺点,使用搜索能力更强的CSO算法优化BP神经网络,得到基于CSO-BP神经网络的电缆线路谐波损耗智能评估模型。将该模型的损耗评估值、传统BP模型评估值以及物理公式法计算值进行对比,仿真结果表明,基于CSO-BP神经网络的电缆谐波损耗智能评估模型得出的结果与实际值更为接近,具有较高的准确性和稳定性。

基于CSO优化模糊神经网络的污水处理出水COD预测模型

针对污水处理的非线性系统,为了能够有效预测出水化学需氧量(COD)。提出了一种基于鸡群算法(CSO)算法优化的模糊神经网络预测模型。首先通过模糊神经网络设计了COD模糊神经网络预测模型;之后采用鸡群算法优化模糊神经网络模型参数,弥补预测模型容易陷入局部极小值的缺点,使模糊神经网络的预测精度有了明显提高。最后用MATLAB平台进行仿真实验,仿真结果清晰表明,改进型模糊神经网络预测模型具有很好的自适应性和鲁棒性,提高了COD预测精度和预测效果,能够满足实际污水处理的测量需求,具有一定的研究价值。

基于改进CSO-LSTM的两相流空隙率预测研究

空隙率是石油化工企业中非常重要的参数之一。空隙率在线测量过程中存在较大的随机性和不确定性,很难预知空隙率的变化。为了实现对空隙率的预测,提前对两相流系统进行控制和优化,提出了基于改进猫群优化(CSO)算法长短期记忆(LSTM)网络的空隙率预测算法。利用LSTM善于处理时间序列型数据的特点对空隙率进行预测,在CSO中引入模拟退火(SA)算法和平均惯性权重,改善了在预测中易陷入局部最优和全局搜索能力较弱的缺点,保证了位置的收敛性。结果表明,该算法模型具有较高的预测精度和收敛速度,可以更快更精确预测空隙率的变化,克服了数据不确定且随机的难点,对提前控制和优化两相流系统具有较高的工业应用价值。

基于CSO-ABC算法的系杆拱桥吊杆内力优化

为改善传统系杆拱桥吊杆内力优化方法耗时长、精度低、计算烦琐的缺点,本研究提出改进的CSO-ABC混合算法优化钢箱拱肋系杆拱桥吊杆内力。先建立CSO-ABC混合算法,改进侦察蜂阶段算法;再对3个测试函数进行数值试验,验证算法的精度和有效性。以某钢箱拱肋系杆拱桥为工程背景,通过ABAQUS-Python脚本进行CSOABC算法的吊杆内力自动优化计算。研究结果表明:改进的CSO-ABC算法与CSO算法和ABC算法相比,具有收敛速度快、精度高的优点;基于脚本的自动迭代,提高了吊杆内力优化的效率,该算法的吊杆内力最大优化幅度为2.17%,在钢拱肋及混凝土主梁的应力峰值分别增大4.9、0.8 MPa的情况下,拱肋、主梁峰值位移分别减小12.7、12.1 mm,优化后的成桥状态与原始设计非常接近。该算法可为相关施工、监控、设计提供参考和借鉴。

纵横交叉算法在配电网故障定位中的应用

基于人工智能算法具有较好的容错性,引入纵横交叉算法(CSO)应用在配电网故障定位过程中。CSO中的横向交叉机制和纵向交叉机制在与竞争算子的配合下提供了较强的搜索能力,能够快速解决多变量非线性优化问题,为准确解决故障定位提供了基础。在多电源分区故障定位中改进适应度函数,对不同区域适应度函数设置区域权值,区域权值由反馈故障电流决定。这种设置方式可以增强算法的容错性,使得输出结果不会因为故障信息在传送过程中发生畸变而误判或者漏判。仿真部分由双电源配电网系统和三电源配电网系统组成,并通过算法进行了验证,每次反馈信息都由一次正常信息和畸变信息组成。从仿真结果可以看出CSO拥有较强的稳定性。

新的仿生优化算法:食物车-蟑螂群优化算法

提出一种新的仿生优化算法——食物车-蟑螂群优化算法。该算法模拟蟑螂的觅食行为,通过食物车在解空间定义域内抛洒食物,吸引蟑螂向食物爬行,完成搜索。在求解过程中通过巢穴变迁、平等搜索和食物筛选等策略加强全局搜索和局部搜索能力,提高算法收敛速度。仿真实验结果表明,该算法寻优率高,收敛速度快。

基于竞争粒子群算法的云计算资源调度策略

针对大规模云计算环境下的资源调度问题,提出了改进的竞争粒子群优化算法,以提高云计算资源调度效率.基于多目标综合评价模型,首先建立包含任务完成时间、功耗以及负载均衡度的适应度函数,再利用混沌优化方法产生分布更加均匀的初始化粒子,引入自适应概率的高斯变异对胜利粒子位置进行更新,以提高种群多样性并增强全局搜索能力.仿真试验表明,在相同的条件下,本文算法能够寻到最佳的调度方案,适用于大规模资源调度,且结果优于对比模型.

基于改进的鸡群算法在云计算资源调度中的研究

针对云计算中的资源调度效率低的问题,提出将改进后的鸡群算法用于调度。引入反向学习概念对鸡群种群进行初始化,提高全局搜索能力。对小鸡的位置引入了粒子群算法中的权重值和学习因子的概念进行改进,优化了鸡群个体位置,通过差分算法对鸡群算法整体的个体位置进行优化,最后通过边界处理从整体上预防了算法中个体位置可能出现的越界。在仿真实验中,将优化后的鸡群算法与基本鸡群算法、粒子群算法和蚁群算法进行在完成时间、花费成本、能量消耗和负载均衡中进行了对比,取得了较好的效果。

二层分解技术在电价预测中的应用研究

针对电价波动幅度大且预测精度低的问题,提出了二层分解技术与神经网络组成的电价多步预测模型。该模型采用集合经验模式分解将原始电价序列分解为一系列分量,变分模态分解将第一层分解产生的最高频率分量进一步分解为一系列模态分量,所有分量采用神经网络模型进行预测,并使用纵横交叉算法对神经网络的参数进行优化,最后叠加所有子序列,得出预测电价值。仿真结果表明,所提出的模型相比其他混合模型具有更好的预测性能,且实用价值高。

基于纵横交叉算法的波浪发电装置最大功率跟踪控制

针对波浪能最大功率点跟踪控制中,浮子水动力模型的非线性,使传统群智能算法存在局部最优问题,提出纵横交叉算法(CSO)控制方案。CSO的纵向交叉算子,在纵向交叉概率判定下进行个体维变量间的算术交叉,保证种群能够脱离局部最优状态; CSO的横向交叉算子完成个体间的随机配对与算术交叉,并将解空间全体分割成若干个子空间,每个子空间以配对个体为对角顶点,搜索子空间内部及邻域,实现精细的局部搜索能力。通过纵、横交叉算子的交替作用,任何有益于实现全局最优的信息,都将被迅速地分发到种群的各变量中,用以改变搜索路径。仿真表明,在波浪周期发生变化时,纵横交叉算法能够实现最大功率点跟踪,并提高收敛速度。

基于经验模式分解与纵横交叉算法的台区负荷预测

准确的负荷预测可以优化各种能源配置,进一步节约能源。但随着新能源的快速发展以及大量应用,越来越多的光伏和风电资源并网,导致电网出现了大量的冲击性负荷,对负荷预测造成了很大的困难。为了降低预测难度,采用经验模式分解(EMD),将不平稳的原始负荷序列分解成一系列较为平稳的负荷子序列。极限学习机(ELM)只需设置隐含层神经元的个数,便可获得唯一的最优解。但由于其输入层权重和隐含层阈值的产生不是固定的,导致预测结果波动性大。为了进一步提高预测精度,使用纵横交叉优化(CSO)算法优化ELM,并对每一条负荷子序列建模。最后,将各个模型的预测结果叠加以获得最终的预测值。试验结果表明,所提出的预测模型的预测精度和收敛速度均优于其他预测模型。

基于纵横交叉优化BP神经网络的变压器故障诊断研究

为提高电力变压器故障诊断的准确率,提出一种基于纵横交叉算法改进BP神经网络的故障诊断方法。该方法在BP神经网络结构的基础上,利用纵横交叉CSO算法对BP神经网络的权值和阈值进行优化,得到最优的权值和阚值向量,并将优化值代入BP神经网络训练模型中,然后利用BP神经网络的自学习功能进行训练,最终得到基于CSO-BPNN的变压器故障诊断模型。将提出的基于CSO-BPNN算法的故障诊断结果与标准BP神经网络算法故障诊断结果进行对比。测试结果表明,CSO-BPNN算法融合了CSO算法和BPNN算法的优点,能更有效地提高变压器故障诊断的识别精度,具有良好的工程实用价值。

基于纵横交叉算法的变压器三相不平衡损耗研究

目前,国内外对于变压器三相不平衡损耗的研究主要是使用传统公式法,精确度不高且需要较多的变压器内部参数。为提高变压器的三相不平衡损耗精确度,提出一种基于纵横交叉优化BP神经网络的损耗评估方法。该方法针对传统BP神经网络中的不足进行优化,将传统的随机初始权值阈值改为经过纵横交叉算法得到的最优权值与阈值,并将最优值代入训练模型中,在训练过程中传统BP神经网络易于陷入局部最优的不足也将因为纵向交叉的优化而得到解决,最终得到基于CSO-BP神经网络的变压器三相不平衡损耗评估模型。将该模型的损耗评估结果、公式法计算结果及实际实验得出的结果与现场实验数据进行对比,结果表明,基于CSO-BP神经网络的变压器谐波损耗评估模型得出的结果更接近实验值,具有良好的工程应用前景与价值。

基于组合模型的负荷预测在地区电网反窃电中的应用

将纵横交叉算法(CSO)应用到改进的灰色预测模型中,通过优化背景值和初始值,提高了灰色模型的预测精度;通过比较预测值与实际值,获得窃电行为判据。将这种方法应用在实际地区电网中,并以Matlab进行仿真,结果表明该方法能够有效提高预测值的精度,对用户的窃电行为提供判据支持。

基于巷道分区和鸡群优化的井下WSNs定位算法

为了改善井下人员定位精度不足的问题,提出了一种基于巷道分区和鸡群优化(CSO)的井下无线传感器网络(WSNs)定位算法。将相邻两个锚节点间的区域等分,按照这些区域接收到附近锚节点的接收信号强度指示(RSSI)值的大小,对其进行等级标记,并根据未知节点接收到的RSSI值判断其所属区域,最后在该区域内利用改进的CSO算法通过迭代寻优确定未知节点的精确位置。仿真结果表明:所提算法在锚节点密度、测距误差等方面均有较好的表现。

一种物联网感知层簇内高效低功耗的数据收集方法

针对物联网感知层簇内数据收集过程中存在收集效率较低、能耗较高和传输时延较大等问题,提出了一种基于鸡群优化(chicken swarm optimization,CSO)算法的物联网感知层簇内高效数据收集方法。对物联网感知层簇内传感节点的数据收集问题进行了数学计算、分析和建模。簇内传感节点数据传输过程中,如何兼顾簇内传感网络节点能耗、传输时延和网络均衡性等指标,是一个复杂的多目标优化问题。利用CSO算法的高效优化性能,从簇成员传感节点到簇头节点之间的多条通信路径中寻找传输路径最短、网络能耗最低和传输时延较小的传输路径,以提高数据收集能力。仿真结果表明,与其他物联网感知层数据收集算法相比,所提出的算法可降低网络能耗,提高网络数据收集工作效率,延长网络寿命。