求解电力系统多目标环境经济调度的帕累托最优MFO算法

本文提出了一种利用MFO算法解决电力系统环境经济调度的新方法,该算法利用飞蛾扑火原理对设定目标进行螺旋式搜索,并在目标位置进行重复检索。MFO算法对于大规模非线性规划问题具有较强的适应性和有效性。在求解环境经济调度问题中,结合实际发电系统运行过程中应满足的功率平衡约束和容量约束等,以总燃料成本和污染排放最低为目标建立多目标规划数学模型。运用帕累托最优前沿求取帕累托非劣性最优解,得到帕累托最优配置方案,在可行域中搜索出全局最优解。在MATLAB仿真平台对含40台发电机组系统进行仿真计算,结果表明本文提出算法在求解电力系统环境经济调度中具有较高的收敛性和较强的适应性。

基于改进MFO算法的水资源优化配置方法研究

为解决传统水资源优化配置方法配置净收益率低的问题,基于改进MFO算法求解水资源优化配置,通过自适应权重表示改进MFO算法中的烛火,以自适应权重数值越小为模型最优解,完成水资源优化配置。设计应用实例分析,试验结论为设计的配置方法水资源配置净效益率最高为5.478%,而对照组仅为2.439%,设计配置方法水资源配置净效益率明显高于对照组,水资源优化配置收益更大,可以解决传统水资源优化配置方法配置净收益率低的问题。

基于MFO算法的新能源汽车永磁同步电机模糊控制

传统新能源汽车永磁同步电机模糊控制方法仅计算永磁同步电机单一数学方程,容易导致控制效果不佳.因此,设计了基于MFO算法的新能源汽车永磁同步电机模糊控制方法.根据永磁同步电机特性,采集多种类型电机数据,并对其进行预处理,分析电机动态行为.在设计电机模糊控制器时,先计算输入变量和输出变量的隶属度函数,利用MFO算法对其进行优化,整定优化后的参数,结合模糊推理实现对永磁同步电机的模糊控制.实验结果表明,本文方法在实际应用中高低超调量仅为1.3%,且控制效果较好.

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

基于改进MFO优化Attention-LSTM的超短期风电功率预测

针对风电功率的不确定性问题,提出一种基于改进飞蛾扑火算法(Moth-flame optimization,MFO)优化注意力机制长短时神经网络(Attention long short-term memory,Attention-LSTM)的风电功率超短期预测方法。首先利用自适应噪声完全集合经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)将原始功率数据分解为多个模态分量(Intrinsic mode functions,IMF),以消除不同分量间的影响,再计算各个分量的样本熵,将样本熵近似的值合并,以降低运算规模;然后,通过引入Chebyshev混沌映射、柯西变异、基于Sigmoid函数的惯性权值来对传统的飞蛾扑火算法进行改进,并将改进的飞蛾扑火算法与传统MFO、粒子群算法(Particle swarm optimization,PSO)进行比较,证明其寻优能力有了很大提升;最后,将Attention机制用于计算LSTM神经网络隐层状态的不同权重,利用改进飞蛾扑火优化算法优化Attention-LSTM的超参数,分别对合并后的IMF分量进行建模,将各分量模型叠加得到最终功率预测曲线。对锦州某风电场的功率实测数据进行仿真分析,结果表明,所提模型具有较高的预测精度,对实际工程具有一定的借鉴意义。

基于MFO优化RBF神经网络的舵机控制与仿真

针对某型号火箭发动机摆动机构舵机系统在非线性时变复杂条件下传统的PID控制精度低、适应能力差的缺点,通过对RBF神经网络算法和MFO算法的研究,并结合传统PID控制器,设计了MFO-RBF神经网络控制器。通过对系统仿真可以看出,同传统PID相比舵机最大偏角反馈值从22.2°优化到19.78°相移滞后减小了9°,系统的频率响应大大提高,阶跃响应超调量明显减少,上升时间从27 ms减小到11 ms,并且大大减小了稳态误差。研究表明,和传统的PID相比,MFO优化的RBF神经网络PID在位置环的控制效果上有明显提升。

基于MFO算法的GOM(1,1,t^a)模型构建与应用

含有时间幂次项的灰色GM(1,1,t^a)模型相对传统的GM(1,1)模型能更好的反映序列随时间变化的趋势,构建了基于非齐次指数离散函数的GOM(1,1,t^a)模型,并运用MFO算法对时间项幂指数进行最优搜索.通过实例验证,该优化模型具有良好的拟合精度与预测精度.

基于改进飞蛾扑火算法的应急资源调度研究

为解决多灾害点应急资源调度问题,构建不同路况下运输消耗成本最低、装车时间最少的多目标应急资源调度模型,基于双自适应因子改进飞蛾扑火算法,克服传统飞蛾扑火算法存在的局部最优而早熟收敛、种群多样性低而全局寻优性能差的问题,提高算法的寻优性能和求解精度,并求解应急资源调度问题,获得各灾害点高效应急资源配置方案。研究结果表明:与经典飞蛾扑火优化(MFO)算法以及基于Levy飞行的飞蛾扑火优化(LMFO)算法相比,基于双自适应因子的改进MFO(DAMFO)算法模型求解精度更高,研究结果可为制定合理高效的应急资源调度方案提供依据。

基于飞蛾火焰算法的AUV三维全局路径规划

针对存在静态地形障碍和不规则海流的复杂海洋环境下的自主水下航行器(autonomous underwater vehicle,AUV)全局路径规划问题,采用飞蛾火焰优化(moth-flame optimization,MFO)算法搜索获得能耗最优的无碰路径。首先,将搜索空间栅格化后随机生成一组满足避碰需求的初始路径作为初始飞蛾种群;然后,根据MFO算法更新飞蛾位置,实现AUV路径的自主规划;最后,结合AUV巡航能耗模型和静态海流分布模型作为适应度函数,迭代搜索得到最优路径。为验证方法的有效性和优越性,进行了一系列仿真试验。试验结果显示,该算法在AUV全局自主路径规划中的规划效果相较于传统蚁群算法的规划结果具有明显优势,所得路径平滑,且在不同环境中均表现出极佳的全局收敛能力。

基于改进飞蛾扑火算法的区域水资源优化配置模型研究

为解决复杂的区域水资源优化配置问题,以区域缺水率最小和污染物排放量最小为目标函数建立了水资源优化配置模型,并以汾河下游谷地供水区为例,预测其在规划水平年20%、50%、75%和95%来水频率下的供需水量。针对飞蛾扑火算法(MFO)存在的搜索耗时较长、易陷入局部最优的问题,改进其烛火更新公式及对数螺旋函数。通过对群智能算法中常用的测试函数做仿真实验,对比分析了改进前后MFO算法的寻优结果,并采用改进的MFO算法对模型进行求解。实例结果表明,所构建的区域水资源优化配置模型合理有效,改进的飞蛾扑火算法收敛速度快,寻优性能优越,可用于水资源优化配置领域。

基于MFO-SVM的空气质量指数预测

针对传统飞蛾扑火优化(Moth-flame optimization,MFO)算法解决实际工程问题时过早收敛,导致陷入局部最优,效率低下的问题,利用支持向量机(SVM)能解决智能算法易于陷入区域最优问题的优点,提出了将SVM和MFO相结合的算法(MFO-SVM).选择山西省太原市和大同市的日常空气质量指数(AQI)对该算法的可行性和有效性进行了验证.实验结果表明,MFO-SVM算法的相对误差接近于零,预测值与实际值更接近,可以有效预测空气质量指数.

若干新型智能优化算法对比分析研究

智能优化算法(IOA)指的是一类以自然界的生物生存进化过程或物理现象为算法原理,用于解决最优化问题的算法,较为知名的智能优化算法有遗传算法、粒子群算法、模拟退火算法等。智能优化算法属于启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路。随着科学技术的进步和应用场景的改变,传统的智能优化算法在收敛速度、求解精度等方面已无法满足日益复杂的优化问题,因此不断有新的更高效的智能优化算法被提出。选取了近几年国内外提出的几种新型智能优化算法:蝴蝶优化算法(BOA)、飞蛾扑火算法(MFO)、正弦余弦优化算法(SCA)、蝗虫优化算法(GOA)、哈里斯鹰优化算法(HHO)、麻雀搜索算法(SSA)。阐述了各算法的基本原理、算法步骤、相关的改进策略及存在的优缺点。为客观对比各算法性能,进一步通过3种类型共21个测试函数及6个指标评价各算法性能,最后归纳总结各算法的特点并对智能优化算法的发展前景进行展望。

基于飞蛾火焰优化算法的过热汽温PID参数优化控制仿真

为了达到过热汽温系统的优化运行以提高热效率,将飞蛾火焰优化算法用于锅炉过热汽温控制系统的PID优化整定,使过热汽温得到了良好的控制,提高了整个系统的鲁棒性。控制仿真结果表明该算法是一种可行、有效的寻优方法 ,使控制系统获得较好的动态特性和很强的鲁棒性,适用于PID参数优化。

基于核极限学习机自编码器的转盘轴承寿命状态识别

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集.采用堆叠多层核极限学习机自编码器(MLKELM-AE),从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机(KELM)模型进行寿命状态识别.在MLKELM-AE学习训练中,采用新的飞蛾扑火算法(MFO)优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力.转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器(MLELMAE)、单层极限学习机(ELM)、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态.

基于(N,T)休眠机制的云计算中心节能策略及优化

随着云应用种类的不断增多及数量的持续增长,云用户对响应性能的需求呈现出多样化趋势,同时云计算中心对其节能水平的要求越来越高。为了在保证云计算中心节能效果的前提下,提高云用户响应性能,面向云数据中心的虚拟机引入(N,T)休眠机制,提出一种虚拟机节能策略。结合唤醒阈值N及长度为T的休眠计时器,建立多重同步休假随机模型,刻画节能策略的随机行为。运用拟生灭过程及矩阵几何解方法进行理论分析,基于蒙特卡罗方法进行系统仿真,在不同云服务参数下定量分析休眠参数与唤醒阈值对云系统节能水平及云用户请求平均响应时间的影响。基于不同性能指标之间的折衷关系,建立系统成本函数,改进飞蛾扑火优化(MFO)算法,给出节能策略的联合优化方案。