基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法(Northern Goshawk Optimization,NGO)优化双向门控循环单元(Bidirectional Gated Recurrent Unit,BiGRU)的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解(Variational Mode Decomposition,VMD)将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.

基于RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGOElman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。

改进的北方苍鹰算法优化粒子滤波算法

针对标准粒子滤波过程的权值退化和样本贫化问题,提出一种改进的北方苍鹰算法优化粒子滤波算法INGOPF(Improved Northern Goshawk Optimization for Particle Filter)。首先,利用透镜成像学习策略增加种群多样性,在优化初始解的同时增加种群搜索范围,使算法尽可能搜索到潜在的最优解,增加算法的搜索能力。其次,将改进的北方苍鹰位置更新公式用于优化迭代更新,然后将最优最差学习策略与透镜成像学习策略结合,克服算法陷入局部最优和易早熟的情况,提高算法的收敛精度。最后,将INGOPF应用于锂电池的寿命预测。仿真结果表明:与标准粒子滤波以及粒子群算法优化的粒子滤波方法相比,INGOPF有效提升了粒子多样性、系统状态估计精度、滤波稳定性和实际运用能力。

基于TF-NGO算法的CFB锅炉床温系统建模研究

床温是循环流化床(CFB)锅炉重要的运行参数之一。针对床温耦合性强、干扰因素多、控制复杂的问题,亟需建立床温的数学模型,以实现床温控制,从而保证CFB锅炉安全、平稳地运行。为此,首先引入了混沌映射、切线飞行(TF)和柯西变异策略改进北方苍鹰优化(NGO)算法,并用实际工况的系统模型测试TF-NGO算法。测试结果表明,TF-NGO算法拥有更快的收敛速度和更高的寻优精度。其次,采集并预处理山西某电厂350 MW超临界CFB锅炉的现场运行数据。最后,采用TF-NGO算法对所建模型的参数进行辨识,并用实际工况数据进行模型验证。辨识和验证结果表明,由TF-NGO算法辨识的床温模型与实际输出拟合度高,能有效反映床温的动态特性,证明所建模型的有效性。该研究为后续对350 MW超临界CFB锅炉床温的优化控制研究奠定了基础。

基于小波阈值降噪算法的滚动轴承故障诊断

滚动轴承因平稳的运行特性广泛用于工业生产领域,其安全稳定运行对工业生产有重要意义.针对滚动轴承的故障诊断问题,提出基于小波阈值降噪(wavelet threshold denoising,简称WTD)算法.研究结果表明:相对于其他3种算法,WTD算法具有较强的故障诊断能力.因此,WTD算法具有有效性.

基于改进北方苍鹰优化随机配置网络的网络流量预测模型

网络流量预测作为一种关键技术,能帮助实现网络资源的合理分配、优化网络性能以及提供高效的网络服务。随着网络环境的演变和发展,网络流量的多样性和复杂性增加,为了提高网络流量的预测精度,提出了一种基于改进北方苍鹰优化随机配置网络(CNGO-SCN)的网络流量预测模型。随机配置网络作为一种具有监督机制的增量式模型,在解决大规模数据回归和预测问题方面具有良好的优势。但是,一些超参数的选择影响了随机配置网络的准确性。针对这一问题,利用北方苍鹰算法对影响随机配置网络性能的正则化参数和比例因子进行优化,得到最佳数值。而北方苍鹰算法由于初始种群的随机分布导致种群个体质量不佳,因此引入混沌逻辑映射提升初始解的质量。将优化后的模型应用于英国学术网、欧洲某城市核心网网络流量数据集和合作企业搭建的网络协同制造云平台交换机接口的真实流量数据集,并与多种神经网络模型进行对比,以验证所提模型的网络流量预测能力。实验结果表明,该模型对比其他神经网络模型具有更高的预测精度,在实际应用场景中处理复杂数据时具备更加优秀的预测能力,该模型的预测误差下降了0.9%~99.7%。

基于ICEEMDAN多尺度熵与NGO-HKELM的转子故障诊断

针对电机转子故障信号非平稳、敏感的故障特征不能有效提取,传统分类器参数智能优化算法存在优化速度慢、调整参数多、易陷入局部最优等问题提出基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断方法。首先,采用改进的自适应噪声完全集合经验模态分解(improved complete empirical mode decomposition with adaptive noise,ICEEMDAN)方法对转子振动信号进行分解和重构;计算重构信号的多尺度样本熵(multiscale sample entropy,MSE),形成特征向量,通过核主成分分析(kernel principal component analysis,KPCA)方法对高维的特征向量进行降维;最后,将降维后的特征向量输入北方苍鹰算法(northern goshawk optimization,NGO)优化的混合核极限学习机(hybrid extreme learning machine,HKELM)进行转子故障分类。研究结果表明,基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断模型,平均识别准确率可达97.7273%,平均寻优时间为1.0681 s,收敛速度快、准确率高以及分类效果好。

基于改进北部苍鹰算法的垂直斗式提升机减速器优化

垂直斗式提升机是一种固定装置的机械输送设备,具有输送能力强、提升高度高、运行平稳可靠、寿命长等优点。减速器是垂直斗式提升机的关键部件,为高效获得减速器的最优解,提出一种冲刺决胜策略改进的北部苍鹰优化算法。采用压力容器和悬臂梁两个经典非线性约束工程算例对改进北部苍鹰算法进行性能验证,结果表明,改进北部苍鹰算法具有良好的收敛速度。在此基础上,对垂直斗式提升机减速器进行优化设计,结果减速器的中心距由初始的720 mm减少为680.16 mm,减少了5.33%。说明改进北部苍鹰优化算法可以作为一种高效的优化算法求解实际工程问题。

采用改进北方苍鹰算法的微电网优化调度研究

微电网系统通常由多种分布式电源组成,为降低运行成本,常使用智能算法对微电网进行调度。智能算法在求解微电网调度模型时容易陷入局部最优解,导致求解精度差,因此在北方苍鹰算法的基础上,提出了一种混合策略改进的北方苍鹰算法(HNGO),利用反向学习、Metropolies准则以及自适应t分布变异提高求解精度,同时构建了考虑可再生能源出力特性的需求响应模型,使负荷曲线与可再生能源出力曲线更贴近,然后建立日运行成本最低的微电网优化调度模型,并利用HNGO求解。对比仿真结果显示所提算法具有更好的求解精度,且所提需求响应模型能显著降低燃料成本。

基于INGO-SWGMN混合模型的超短期风速预测研究

为提高超短期风速预测的精度,提出一种融合变分模态分解(VMD)、相空间重构、改进的北方苍鹰优化算法(INGO)和共享权重门控记忆网络(SWGMN)的超短期风速混合预测模型。首先,考虑到风速的强波动性会对预测带来不利影响,采用VMD对风速时间序列进行分解,得到一系列相对平稳的子序列。然后对各子序列分量进行相空间重构,得到相应的相空间矩阵。接着针对长短期记忆网络(LSTM)训练时间较长和权重参数较多的问题,提出一种SWGMN对各子序列分量建立预测模型。同时,为提高模型预测性能,提出一种INGO对SWGMN模型的两个超参数进行寻优,得到最优参数组合。最后累加各子序列预测值,得到最终风速预测结果。实验结果表明,在单步预测和多步预测中,所提方法的平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数R2分别为0.1828 m/s、0.2263 m/s、4.5481%、0.987和0.2429 m/s、0.3107 m/s、6.1113%、0.976,相较于传统方法具有更高的预测精度和预测效率。

多策略融合改进北方苍鹰算法的森林冠层图像分割

针对森林冠层图像复杂,分割精度较差等问题,提出一种多策略融合改进北方苍鹰优化算法(Improved Northern Goshawk Optimization,INGO)的冠层图像分割方法。首先,在北方苍鹰初始化引入随机反向学习策略,以增加种群多样性,提高搜索效率;在北方苍鹰探索阶段,添加自适应权重因子提高算法搜索能力,加快算法收敛速度;在北方苍鹰开发阶段,添加非线性收敛因子平衡全局搜索和局部开发能力。其次,采用多阈值Kapur熵作为适应度函数,通过选取8个基准函数对改进的算法进行测试,测试结果表明,改进的算法可以有效提高精度和搜索速度。最后,将所改进的算法对森林冠层图像进行阈值分割试验,并在适应度值、森林图像分割时的峰值信噪比(PSNR)、结构相似性(SSIM)与特征相似度(FSIM)上进行对比分析。试验结果表明,改进的算法可以获得更精确的森林冠层分割阈值和更高的分割精度。

基于KPCA-NGO-LSSVM的混凝土坝变形预测模型

变形作为最直观的监测指标,常用来反映大坝的服役性态变化。为建立更加符合混凝土坝变形的预测模型,实现更高精度的混凝土坝变形预测,针对混凝土坝变形序列呈现不确定性和非线性的特征,将核主成分分析(KPCA)引入最小二乘支持向量机(LSSVM)来约简因子关系,降低预测模型的输入维数和复杂度,同时使用北方苍鹰优化算法(NGO)对最小二乘支持向量机进行参数寻优,构建了基于KPCA-NGO-LSSVM的混凝土坝变形预测模型。工程实例表明,KPCA-NGO-LSSVM模型相比传统多元线性回归(MLR)、LSSVM、KPCA-LSSVM的预测值与实际值的拟合效果更好,预测精度更高,能更有效地预测混凝土坝变形。

基于二次分解平抑风电波动的混合储能系统容量配置

针对风电并网功率波动问题,提出基于二次分解的混合储能系统容量优化配置方案。首先,根据风电并网功率波动限值,对风电功率进行经验模态分解,并重构为并网参考功率和混合储能系统参考功率,以实现风功率整体平抑;其次,考虑到经验模态分解算法出现的模态混叠、端点效应加剧等问题,提出基于北方苍鹰优化-变分模态分解算法的混合储能系统内部功率分配策略;最后,建立平抑风电出力波动的混合储能容量优化配置模型,并基于K-均值聚类得到的典型日数据对建立的模型进行求解。算例分析表明,所提策略的优化配置方案能够有效平抑风电功率波动,满足风电并网功率波动的要求,减少混合储能系统成本。

多策略改进的NGO算法在大坝参数反演中的应用

为解决混凝土坝参数优化反演存在的问题,包括寻优性能不佳、精度不足和效率低下等,提出了一种基于多策略改进北方苍鹰算法(MSNGO)的混凝土坝参数优化反演策略。首先,采取多个策略改进北方苍鹰算法,以提高原始算法的寻优能力。接着,结合有限元正分析,构建计算与实测值之间合适的目标函数,利用MSNGO构建智能优化反演模型,并通过并行策略提高反演效率,搜索得到参数反演最优值。通过两个算例对该方法进行验证,并与基准优化算法比较计算结果。结果表明,MSNGO反演策略比其他优化算法收敛速度快、且能跳出局部极值使反演参数结果更为准确,测点计算值与实测值有良好的吻合度,表明该智能优化方法可在混凝土坝参数反演的实际问题中进行应用。

基于多策略改进北方苍鹰算法的无人机路径规划

为实现在复杂地域和障碍环境下无人机高效、安全飞行路径规划问题,以飞行距离、转向角度、飞行高度为性能指标,以地形、空域中的障碍为约束建立了无人机三维路径规划模型.智能算法在解决高维多约束情况下无人机路径规划问题时,存在初始种群多样性差且分布不均、容易陷入局部最优解等局限性,对此提出了一种多策略改进的北方苍鹰算法(MINGO).该算法在初始化时借助Piecewise混沌映射有效地增强了初始种群的分布均匀性,借助Levy游走和随机扰动策略增强了种群的多样性和个体的质量,使算法快速且高精度的收敛,使用非线性收敛因子策略来有效平衡算法的全局和局部搜索能力,通过精英个体引导策略有效提升了算法的寻优效率.比较性的数值实验和仿真实验表明,MINGO具有更快的收敛速度和更高的寻优精度,处理复杂障碍环境下无人机三维路径规划问题具有非常明显的优势.

NGO在光储微网系统功率分配中的应用

光伏发电混合储能系统中,为降低常见智能算法参数优化VMD中分解模态数(K)、二次惩罚因子(α)取值不合理对系统重构功率准确性的影响。提出采用一种新的智能算法即北方苍鹰(NGO)算法进行优化分析;利用NGO参数优化VMD以更加稳定的获得[K,a]最优组合,并将寻优结果应用于微网系统剩余功率分解中,从而提升重构功率与原始剩余功率信号重合程度,将剩余功率合理的分配给混合储能系统,优化储能系统初次功率分配及容量配置等问题。算例分析中,通过与粒子群及乌燕鸥算法参数优化VMD结果进行对比,并结合对称平均绝对百分误差(SMAPE)分析功率重构误差,验证了所述方法的有效性与优越性。

基于混合特征选择和INGO-DHKELM的变压器故障诊断方法

针对变压器故障特征选择困难和诊断模型准确率较低的问题,提出一种混合式故障特征选择方法,并利用改进北方苍鹰优化算法(improved northern goshawk optimization algorithm,INGO)优化深度混合核极限学习机(deep hybrid kernel limit learning machine,DHKELM)实现变压器故障诊断。首先,基于相关比值法构建24维变压器故障特征集,从线性相关和非线性相关的角度出发,采用Pearson相关系数和互信息法,筛除相关性较低的特征。其次,引入Logistic混沌映射、随机反向学习和自适应t分布变异改进NGO算法,提升其寻优性能。然后,利用INGO算法对保留特征进行二次筛选,获得最优输入特征。最后,将极限学习机自动编码器引入混合核极限学习机中,建立DHKELM诊断模型,利用INGO对DHKELM模型初始参数进行优化,完成INGO-DHKELM变压器故障诊断模型的构建。实验表明,与常规特征选择方法相比,利用混合式故障特征选择方法所选择的输入特征进行故障诊断能够有效提升诊断准确率;相较于其他优化型诊断模型,INGO-DHKELM具有更高的准确率和更好的稳定性。

北方苍鹰算法在无人机路径规划中的应用

北方苍鹰算法是一种优秀的新型群智能算法,其优点适合高维工程问题求解。通过搭建三维地图仿真建模,将北方苍鹰算法和粒子群算法应用于无人机路径规划进行对比。观察无人机路径规划适应度值与综合数据结果表明,北方苍鹰算法相对更适合无人机路径规划的问题。

多策略协同优化的北方苍鹰优化算法及应用

针对北方苍鹰优化算法(Northern Goshawk Optimization algorithm,NGO)存在寻优精度低、收敛速度慢及易陷入局部最优值等问题,本文提出多策略协同优化的北方苍鹰优化算法(BLONGO)。首先,使用最优个体引领策略提高算法的收敛速度与精度;同时,采用增强莱维飞行策略避免种群个体陷入局部最优值;其次,使用小孔成像策略对当前最优值进行扰动,增加种群多样性,进而提升算法寻优精度。通过10个基准测试函数、Wilcoxon秩和检验寻优对比,验证改进算法在寻优精度、收敛速度及鲁棒性上得到了提升。最后,引入2个工程优化问题,进一步说明BLONGO在解决实际工程问题时的有效性与可行性。