基于模糊Petri网和Genetic-PSO算法的动态不确定性知识表示方法

针对复杂系统中不确定性信息的演变特性,提出对其动态适应的基于模糊Petri网和遗传-粒子群(GPSO)算法的不确定性知识表示方法.在基于模糊Petri网的不确定性知识表示模型的基础上,对该模型进行精确数学表示,并采用GPSO实现对不确定性表征参数的动态求解和自学习.最后通过在运载火箭伺服机构故障诊断上的应用验证基于GPSO的自学习模糊Petri网的有效性.

计及碳排放和风光消纳的多目标切荷优化调度

低碳经济背景下,风光电源并网发电已成为节能减排的重要手段和方式。针对传统火电机组消耗化石燃料并排放污染物缺陷以及风光电源出力具有随机性和波动性的特点,建立了切荷机制下计及发电成本、碳排放量和风光电源限电量的多目标调度模型。根据模糊理论计算各单目标函数的隶属度,引入综合满意度将多目标优化问题向单目标转化。提出嵌套结构的遗传粒子群优化(Genetic and Particle Swarm Optimization,GPSO)算法求解数学模型,以5机和风光电源为例验证所提模型及算法的有效性和合理性。

梯度微粒群算法在经济负荷分配中的应用

针对微粒群算法在解决电力系统经济负荷分配(ED)时容易早熟收敛和后期收敛速度慢的特点,将梯度微粒群算法(GPSO)应用于ED问题的求解,算法考虑了机组的运行约束。本算法对在迭代过程中微粒的位置及适应度计算,获取梯度信息,进一步调整惯性权重,从而提高基本微粒群算法的收敛速度,避免其容易陷入局部极值。运用GPSO算法对IEEE30节点系统进行计算,并将其计算结果与微粒群算法(PSO)、梯度法和遗传算法(GA)进行比较,优化结果好于上述3种方法,分析表明该方法是可行的、有效的。