基于IAFSA-SFLA的新能源电站公平调度方法研究

随着我国的新能源电站的装机容量的不断增加,区域电网限电现象越来越严重。本文针对新能源电站发电受限时,如何公平的制定各电站调度计划的问题,提出了一种基于IAFSA-SFLA的新能源电站公平调度方法。本文所提方法主要包括两部分,第一部分为新能源电站二阶段公平调度模型,第二部分为基于IAFSA-SFLA(改进人工鱼群-蛙跳算法)用来对调度模型进行求解。通过测试函数验证本文所提算法的有效性,并编写程序用来对所提公平调度模型进行求解,结果表明本文所提算法能够克服人工鱼群和蛙跳算法的缺点,进一步提高收敛速度和收敛精度,并且能够快速准确对本文所提公平调度模型进行求解,进行公平调度计划的制定。

基于人工鱼群与蛙跳混合算法的变压器Jiles-Atherton模型参数辨识

变压器铁芯磁化特性的准确建模是研究变压器直流偏磁现象的关键,在使用Jiles-Atherton(J-A)模型对变压器的磁滞回线进行建模分析时,需要对变压器直流偏磁工况下J-A模型中的5个关键参数进行准确识别。提出了人工鱼群与蛙跳混合算法对J-A模型中的关键参数进行辨识,该算法将两种仿生算法有机融合,在鱼群算法寻找到最优区域后切换至蛙跳算法进行局部搜索,兼具了人工鱼群算法前期收敛迅速与蛙跳算法局部搜索准确的优势。分别将所提混合算法及多种现有识别算法应用于数值仿真算例与变压器直流偏磁实测曲线的参数识别,结果表明基于人工鱼群与蛙跳混合算法得到的变压器磁滞回线与实测曲线吻合良好,且具有识别精度高和计算效率高的优点,验证了该算法在变压器J-A模型参数识别中的有效性,进而可以应用于对变压器直流偏磁下运行特性的准确分析。

群体智能优化算法

讨论四种群体智能优化算法——蚁群算法、微粒群算法、人工鱼群算法和混合蛙跳算法,对其算法的原理、发展及应用进行了综述。提出了群体智能优化算法统一框架模式,并对群体智能优化算法进一步发展进行了讨论。

求解TSP的改进混合蛙跳算法

重新定义表示青蛙移动距离和位置的数据结构及运算符意义,提出混合蛙跳算法(shuffled frogleaping algorithm,SFLA)求解旅行商问题(traveling salesman problem,TSP)基于交换序的实现方法.把具有极强局部搜索能力的幂律极值动力学优化(power law extremal optim ization,τ-EO)融合于SFLA,并针对TSP对τ-EO过程进行设计和改进.改进后的τ-EO采用新颖的组元适应度计算方法,通过定义边置换增益能量,结合模拟退火控制过程,并采取幂律定律用概率的方式选取2-opt置换产生邻域解.为避免每个族群最优解的趋同性,提出最优样本差异控制策略.通过求解TSPLIB数据库中的实例,证明该改进算法有效.

果蝇优化算法优化性能对比研究

针对群体智能优化算法自身的特点和优势,分析对比了果蝇优化算法、混合蛙跳算法、和声搜索算法和人工蜂群算法四种智能优化算法的优化性能。以最新提出的果蝇优化算法为基准,与其他三种智能优化算法进行优化性能的横向对比实验。实验结果表明,与其他三种算法相比,果蝇优化算法具有参数少、全局寻优能力强、收敛速度快等特点,在进化次数较低时,其收敛精度和速度最高,但是随着进化次数的增大,存在容易收敛到局部最优值,收敛速度慢,在求解部分单峰值和多峰值函数优化问题时优化效果不理想等缺陷。果蝇优化算法尚需加强其理论改进,以提高其搜索的质量和效率,为群体智能优化算法的融合和改进技术提供重要支持。

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。

群体智能在旅行商问题中的应用综述

旅行商问题是一个NP-hard问题。作为一类生物启发式最优化方法 ,群体智能优化为NP-hard问题提供了全新的求解方案。文章介绍了五种群智能优化算法的仿生原理和算法模型,综述了五种算法在求解旅行商方面的优缺点及其改进措施,并给出了算法在性能改善方面的建议。

基于人工鱼群和蛙跳混合算法的光伏阵列多场景参数辨识

光伏阵列模型的准确性对大规模光伏发电系统的并网运行与调度至关重要。在建立光伏阵列机理模型的基础上,采用人工鱼群和蛙跳混合算法对模型中的未知参数进行辨识,并将辨识结果与人工鱼群算法和蛙跳算法单独辨识的结果进行了对比分析,证明了混合算法兼具两种算法的优点,并能有效克服两种算法的不足,验证了其优越性和有效性。为使光伏阵列模型的输出与实际光伏电站任意1 d的实测曲线均能很好拟合,采用混合算法对不同场景下的参数进行了辨识,并采用任意2 d的实测数据对辨识结果进行了适应性验证,证明了辨识结果的准确性,进一步验证了混合算法的有效性和实用性。

基于改进人工鱼群-蛙跳算法优化LSSVM参数短期负荷预测

短期电力负荷预测在电力系统安全调度、经济运行方面起到关键作用。在用最小二乘支持向量机进行负荷预测时,参数选择将直接影响预测精度。为了提高LSSVM负荷预测精度,文中提出一种基于Levy变异自适应视野人工鱼群-蛙跳算法对LSSVM进行参数优化的方法。以某县负荷、天气等历史数据对LSSVM进行训练,建立LAVAFSA-SFLA-LSSVM、AFSA-LSSVM、LAFSA-SFLA-LSSVM共3种预测模型,对该地区某日24 h的电力负荷进行预测。算例结果表明,LAVAFSA-SFLA-LSSVM预测精度比AFSA-LSSVM和LAFSA-SFLA-LSSVM更高,预测误差更小。

新型群智能优化算法综述

传统群智能算法在解决复杂实际多目标优化问题中存在不足,近年来学者提出诸多新型群智能算法,适用性强,在求解复杂实际问题中取得了较好的实验效果。以算法提出时间为主线,对新型群智能算法中细菌觅食优化算法、混合蛙跳算法、人工蜂群算法、萤火虫算法、布谷鸟搜索、果蝇优化算法和头脑风暴优化算法的改进及应用进行分析和综述,并对群智能算法未来的研究发展方向进行了探讨。

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法(ABCSFL-PSO)。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。

基于信息共享的二次特征选择算法

为解决特征选择算法在面向不同特性的数据集时完备性差的问题,提出一种基于信息共享的二次特征选择算法。基于信息共享的观念,利用两种传统特征选择算法得到预选特征子集,通过信息在人工鱼群算法和混合蛙跳算法中的传递,实现二次特征选择,得到最优的特征子集。实验结果表明,在不同分类器和不同数据集下,该方法可以减少特征空间维数,保证较好的分类准确率。

基于BFPSO算法的分布式电源优化配置

为了更合理地配置配电网中的分布式电源,改善供电质量,在考虑传统分布式电源优化配置目标的基础上,将分布式电源的环境成本纳入评价指标,建立一种综合考虑分布式电源投资成本、网络损耗成本、购电成本和环境成本的配电网多目标优化配置模型;为解决标准粒子群算法易陷入局部最优及收敛速度慢的问题,将人工蜂群算法及蛙跳算法的思想融入标准粒子群算法构成BFPSO算法,并利用BFPSO算法对模型进行寻优;IEEE-33节点系统仿真分析结果表明:提出的模型及改进算法能快速、有效地实现分布式电源优化配置。

一种人工鱼群-蛙跳混合优化算法

针对蛙跳算法(SFLA)前期搜索速度慢且易陷入局部最优的不足,提出一种人工鱼群-蛙跳混合优化算法(AFSA-SFLA)。算法结合人工鱼群算法(AFSA)前期收敛速度快和SFLA局部搜索能力强的优势,提高了青蛙种群的质量。选取典型测试函数进行测试,测试结果验证了人工鱼群-蛙跳混合优化算法的有效性和优越性。

基于人工鱼群和蛙跳混合算法的特高压电力变压器的建模研究

为研究特快速暂态过电压(VFTO)对大型电力变压器绕组绝缘的影响,首先基于短路导纳参数计算VFTO作用下绕组的电压传输函数,然后用人工鱼群与蛙跳混合算法改进的矢量匹配法实现电压传输函数的有理拟合,最后用网络综合技术实现过电压分布的计算。结果表明,该方法不仅具有快速全局搜索的特点,且提高建模精度达15. 7%。

基于ELM的永磁直线同步电机位移跟踪动态面反步滑模控制

针对永磁直线同步电机(PMLSM)易受到参数摄动、负载扰动等不确定因素的影响,进而影响其位移跟踪控制精度的问题,提出一种基于非线性干扰观测器(NDO)和极限学习机(ELM)的动态面反步滑模控制方法.首先,通过构造NDO对系统模型中的非匹配不确定项进行动态观测,并将反步控制、动态面控制与滑模控制相结合,完成PMLSM位移跟踪控制器的设计,在提高系统抗干扰能力的同时,避免常规反步控制中的"微分爆炸"问题;其次,采用ELM神经网络对系统模型中的匹配不确定项进行逼近估计,并将输出的估计值引入设计的动态面反步滑模控制器中进行补偿;再次,采用人工鱼群-蛙跳混合算法对所设计控制器的主要参数进行优化设计,提高系统的收敛速度和稳定精度;最后,将所提出控制方法与其他控制方法进行仿真对比,仿真结果表明了所提出方法的有效性.