基于改进FWA的配电网优化重构方法研究

针对配电网重构问题,以降低网络损耗、提高节点电压为目标,建立了配电网重构模型,提出了一种解决配电网重构问题的改进烟花算法(firework algorithm,FWA)。算法使用环路编码压缩解空间,提高求解效率。基于核心烟花给出了火花爆炸幅度的计算方法,采用高斯和均匀分布均值混合的变异方式以及精英选择策略,提高解的多样性、搜索效率和收敛速度。为了验证所提算法的适用性和正确性,在IEEE33和IEEE69节点系统上进行了算法测试,结果表明,重构后的网络损耗明显降低,节点电压得到提高,所提算法具有较好的鲁棒性。将所提算法与其他算法进行比较,结果表明,所提算法在降低网络损耗、提高节点电压、求解效率等方面均优于其他算法。

基于VMD与IFWA-SVM的滚动轴承故障诊断研究

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。

基于IFWA-SFLA算法的区域综合能源系统两级优化调度

为发挥区域综合能源系统的优势,制定合理有效的优化调度策略至关重要。构建针对区域综合能源系统的日前-日内两级优化调度模型,日前调度为一个运行周期内的经济调度。基于日前调度方案,提出考虑可再生能源和负荷波动的调整模型。为适应上述模型高维非线性的特点,提出一种基于Levy变异的改进烟花-混合蛙跳算法,对模型进行求解。仿真结果表明,两级优化调度模型可以提高经济效益和能源利用率,平抑负荷波动。仿真结果验证了所提算法的可行性。

基于IFWA-PNN的变压器故障诊断研究

为克服概率神经网络在判断变压器的故障类型方面的不足,文章采用改进的烟花算法优化概率神经网络(IFWA-PNN)的平滑因子。实例分析表明,提出的变压器故障诊断模型诊断准确率达到91.7%,相比传统的支持向量机诊断模型有较大提升,以此证明故障诊断模型的有效性和实用性。

基于智能优化算法的农村供水管网水力参数反演

管道的摩阻因数是供水系统设计计算、运行调度优化及故障诊断中的关键参数。为准确确定该参数,提出了一种动态搜索烟花算法(dyn FWA)耦合管网水力计算模型的管段摩阻因数智能反分析方法。将节点水压与摩阻因数的偏导关系作为节点灵敏度,在改进遗传算法中以节点最大灵敏度之和最大为目标,优化布置监测点;基于优化后监测点处的水压监测值,以水压监测值与计算值的最小二乘误差值为目标,采用dyn FWA算法反演各管段的摩阻因数。同时,为验证dyn FWA算法优化反演的性能,对比分析了dyn FWA算法及粒子群算法(PSO)反演摩阻因数的情况。结果表明,在监测点优化前后摩阻因数反演值最大相对误差分别为17.7%、0.7%,证明了监测点选取的必要性和改进遗传算法进行监测点选取的优越性;在监测点水压加入噪声的情况下,基于dyn FWA算法与PSO算法的摩阻因数反演结果最大相对误差分别为9.67%、14.33%,监测点处实际水压值与模拟水压值之间最大相对误差为0.358%、0.655%,证明了相较于PSO算法,dyn FWA算法在参数反演问题中具有更高的准确性。

基于改进烟花算法的配电网优化重构

为了提高配电网重构效率,构建了降低网损和开关次数最少的多目标优化函数。同时为了解决求解过程中原始烟花算法和其他传统智能优化算法精度不高和求解速度慢的问题,提出了一种改进的烟花算法。算法采用实数编码减少变量维数,用环路开关数组确定烟花个体爆炸空间,减少了寻优中的无效搜索;引入柯西变异代替传统高斯变异,提出一种自适应爆炸半径和精英方向学习选择策略,大大提高了优化算法的求解速度和精度。以IEEE33节点系统为例进行仿真验证,仿真结果证明本文改进算法具有寻优速度快、寻优成功率高的优点。

改进烟花算法在虚拟士兵路径规划中的应用

针对虚拟士兵作战仿真路径规划中存在不连续路径的问题,提出一种改进的烟花算法。采用可视图法进行地图建模,把路径规划转变为寻求最佳路径点的组合。通过结合士兵视觉模型实现对环境威胁的判断,加入对路径节点的插入和删除操作以消除不连续路径,从而得到最优路径。仿真结果表明,与A*算法相比,该算法能减少路径长度和节省规划时间,具有较强的搜索能力。

基于改进烟花算法的极限学习机超短期负荷预测

提出了一种改进烟花算法优化极限学习机的超短期负荷预测模型。首先,对原始烟花算法的映射规则和变异规则进行优化改进,形成改进烟花算法;其次,针对极限学习机随机形成的权值和阈值导致模型不稳定的问题,利用改进烟花算法对极限学习机进行优化。以权值和阈值为变量,以极限学习机的误差系数为目标函数,利用改进烟花算法寻求最优权值和阈值。最后仿真数据分析表明,改进后的烟花算法具有更快的收敛速度和更好的全局寻优能力。改进后的预测模型使负荷预测精确度和稳定性都有显著提升,这表明该模型能够适用于实际电力系统超短期负荷预测。

基于改进烟花算法的中俄商品多式联运路径优化

中俄双边贸易随着“一带一路”倡议的深入落实呈现出稳定增长的态势,商品需求量的增多以及需求时间的多样化使得商品运输方式发生了重大转变,运输方式由原来的单一运输转变为现在的多式联运.通过多式联运构建综合交通运输方案,既能够满足商品需求量的激增以及商品需求时间的多样化,同时又能够发挥不同运输方式之间的优势,形成优势互补.为了求解多式联运物流路径优化问题,本文以中俄贸易区间的运输路线与运输方式为研究对象,综合考虑中俄贸易区间的商品种类、需求特点以及运输方式,建立了以运输成本、运输时间、碳排放量为优化目标的多目标优化模型.针对中俄贸易实际运输情况,本文仅考虑公、铁、海3种运输方式之间的多式联运,同时针对所构建模型的随机性和隐并行性,设计了求解该模型的改进烟花算法(improved FWA).通过以中俄两国之间的多品类商品运输为例进行算例分析,获得了多式联运运输路线的Pareto非劣解以及相应的运输成本、运输时间和碳排放量,并且与基本烟花算法进行对比,验证了模型和改进算法的有效性.同时,本文以运输时间作为灵敏度分析变量,分析不同时间需求下,运输方案在运输成本、运输时间和碳排放量3个属性之间的变动趋势,为中俄多式联运物流发展提供决策参考.

改进烟花算法在火电厂负荷优化分配中的应用

现有的负荷分配解决办法较少考虑机组快速响应网调速率与机组少变动策略,并且没有很好地解决厂级分配中快速性与经济性的矛盾.针对这些问题,利用改进的烟花算法,通过自适应动态改变负荷边界和结合爬坡速率约束,实现对负荷变化的快速响应;同时按规定的优先顺序对机组进行排序,当机组负荷发生变化时,在满足约束条件的前提下,实现最少机组变动负荷;通过引入运行切换的方法,使最低煤耗、快速调节和少机组变动之间的矛盾得到一定解决,实现柔性优化.最后给出了厂级负荷在线优化分配的具体算法步骤,并进行了4个机组的算例分析,仿真结果对比验证了算法的有效性.

基于改进粒子群算法的机车二系弹簧载荷分配优化

针对机车二系弹簧载荷优化调整这一复杂的多变量优化问题,为进一步提高现有求解方法的优化效果和计算效率,将烟花算法融入粒子群算法,提出一种具有分层递阶结构的改进粒子群算法,算法为3层架构,其中,底层是基础层,为加入维变异算子的粒子群算法,是改进算法的基本框架;中间层是融合层,为引入烟花算法爆炸机制的粒子更新层,主要用于扩大算法搜索范围,提高全局搜索能力;顶层是扰动层,引入扰动因子,避免算法因陷入局部搜索而进行的大量无为冗余迭代,加快全局收敛速度。用典型测试函数对改进算法性能进行测试,并将其应用于机车二系弹簧载荷分配优化调整仿真实验。研究结果表明:改进算法与传统遗传算法、烟花算法和粒子群算法相比,全局搜索能力更强,鲁棒性更好,求解精度更高。

基于供需双向服务的共享仓储配送路径优化

共享仓储是"制造业+互联网+共享经济"智能制造大背景下,通过集成智能仓库产品与专业化的"集中采购+智能存储+JIT配送"服务于工业园区。针对园区企业与共享仓储之间的供需双向服务的物流特征,需要考虑在交货硬时间窗、运输小车承载量和小车数量等约束条件下较优的配送路径问题。首先,建立了共享仓储配送路径优化数学模型,并采用车辆平均负荷作为综合评价指标。然后,基于贪心策略选择初始点,以最佳行程长度确定选择概率,对基本烟花算法进行了改进来求解优化。最后,仿真案例的结果表明,改进的离散烟花算法在计算共享仓储最优配送路径方面具有较好的收敛性和合理性。

基于改进烟花算法的室内服务机器人路径规划

针对传统烟花算法进行室内服务机器人路径规划存在的随机性较大及易陷入局部最优等问题,文中提出一种在全局静态已知环境下的改进烟花算法(IFWA)。首先,在传统烟花算法(FWA)的基础上,IFWA将当前路径节点与上一路径点的位置信息作为适用度函数,引入惩罚函数筛除落在障碍物区域的火花,降低子代火花的随机性,进一步减少路径代价;然后,针对FWA路径规划过程存在的局部最优问题,将非零因子β引入爆炸半径中,避免最优烟火花爆炸半径为0;最后,引入“八叉树”避障策略,以解决烟花算法路径规划中出现的路径穿过障碍物问题。通过Matlab进行IFWA、FWA与蚁群算法的对比仿真实验,结果验证了IFWA的可行性和优越性。该算法可避免出现随机性大及局部最优问题,能够有效提高室内服务机器人路径规划的效率。

基于改进离散烟花算法的变电站巡检机器人路径规划研究

变电站巡检机器人的路径规划旨在为机器人在障碍物空间中搜索全局最优路径。全局路径规划研究主要包括环境建模和路径搜索两个子问题。首先在全面分析变电站环境后创建了半拓扑的地图环境模型,然后测试了相关算法的离散优化性能,最后得到了变电站路径规划的仿真测试结果。测试结果证明了基于改进离散烟花算法的路径规划方法的有效性。

基于自适应负荷调整网络矩阵的配电网重构

避免重构中生成不可行解是解决配电网快速重构问题的关键。现有方法往往只考虑拓扑结构而未考虑节点负荷的波动,没有规避重构中生成大量劣解,即满足拓扑约束但适应度值很高的解,重构计算耗时依然较长且存在搜索不到最优解或次优解的可能。针对上述缺陷,提出一种基于自适应负荷调整网络矩阵的配电网重构方法。在基本环矩阵的基础上,根据各节点实时负荷的大小,通过计算功率矩并进行支路组校验生成自适应负荷调整网络矩阵,排除了大量劣解,缩小了可行解范围,提升了可行解空间的质量,不仅加快了重构速度,而且更容易搜索到最优解。针对重构模型对烟花算法的爆炸算子、变异算子、选择策略进行改进,使之能快速收敛,并采用改进烟花算法进行求解。通过对33节点系统和119节点系统分别进行降损重构和故障后重构的算例仿真,验证了所提方法的有效性。

考虑DG与负荷不确定性的主动配电网重构

分布式电源(Distributed Generation,DG)以其清洁性的特点越来越多的接入配电网中,但是具有明显的不确定性,所以文中主要考虑了DG与负荷的不确定性对主动配电网重构的影响。针对DG与电力负荷的不确定性,通过信息熵与场景划分法相互结合,根据负荷曲线将负荷出力划分为多个场景,并且以Wasserstein概率距离指标对风力发电与光伏发电的场景进行划分。为了提高优化效率,提出"无重复"的环路编码与初始种群生成策略。建立基于有功网络损耗期望值的多场景配电网重构模型,最后使用改进的烟花算法对制定场景的重构目标函数进行优化。

基于改进烟花算法的多导弹目标分配方法

为有效解决在多导弹拦截情况下的目标分配方法,文中基于改进的烟花算法提出一种新型目标分配方法。首先根据作战场景,对目标分配问题进行建模,定义了综合优势函数。为求解目标分配问题,设计了一种改进的烟花算法,改进的烟花算法在传统烟花算法的基础上引入差分进化算法中的交叉变异操作,提高算法的搜索能力。在数值仿真中,针对标准函数,使用改进的烟花算法与其他智能优化算法进行对比试验,试验结果证明了改进烟花算法的优越性。最后使用提出的算法求解分配问题,仿真结果证明新方法可以快速搜索出最佳分配方法,证明了算法的有效性。

基于P_(EV)准则的不确定混合多传感器联盟求解

针对不确定混合多传感器联盟求解问题,提出了一种在P_(EV)准则下求解的方法。首先以提高传感器资源利用率和对目标跟踪精度为目的建立目标函数,以传感器跟踪能力为约束建立不确定混合多传感器联盟模型,其次利用不确定理想点法和P_(EV)准则将不确定模型变为确定模型,最后设计改进选择策略的烟花算法求出混合多传感器联盟的有效解,通过"预测再预测"传感器管理机制实现对传感器联盟更新过程的动态控制。仿真实验表明利用P_(EV)准则处理不确定混合多传感器联盟模型的可行性和有效性,同时实验也证明本文算法和传感器管理机制在求解质量、跟踪精度和对战场环境的适应度上均优于对比算法和机制。

基于改进烟花算法的电动汽车与新能源协同调度

为提高电力系统对新能源出力的接纳能力,降低区域电网的等效负荷波动,维护系统安全性的同时,增强电动车车主响应的积极性,以区域电网系统内的等效负荷波动量最小和电动车车主经济效益最优为优化目标,建立规模化电动汽车与新能源协同调度模型,来合理安排电动汽车的充放电行为。运用最大模糊满意度法将多目标问题化为单目标问题,提出一种改进烟花算法,通过优化初始种群分布,以“双精英—锦标赛”的选择策略提升算法性能。通过算例结果对比,验证规模化电动汽车与新能源协同调度可有效平抑等效负荷波动,为电动汽车用户创造收益。改进的算法降低了计算开销,求解精确度更高。

基于改进烟花算法的ELM分类模型

针对极限学习机(Extreme Learning Machine,ELM)的性能必须依赖于大量隐层节点的问题,提出了基于改进烟花算法(Improved Fireworks Algorithm,IFWA)的ELM分类模型。用改进的烟花算法进行迭代搜索,求得N个最优的烟花;选择ELM测试数据集的RMSE作为改进烟花算法的适应度值函数,来优化ELM每个隐层节点的输入权值和偏置,使得节点的决策水平提高,从而使ELM的决策性能显著提高;采用KDD99数据集验证表明:改进烟花算法的极限学习机(IFWAELM)能够以较少的隐层节点得到更高的测试平均正确率,提高了极限学习机的泛化性能。5种同类算法性能对比实验也表明IFWAELM是效果最优的。