基于Levy-SSA的分数阶PID控制方法

为提高分数阶比例—积分—微分(PID)参数选择的准确度,提出一种基于莱维麻雀搜索算法(Levy-SSA)的分数阶PID参数整定方法。针对原始麻雀搜索算法(SSA)随迭代进行过程中搜索范围逐渐减小而导致迭代收敛速度慢以及易早熟的问题,本文提出一种利用全局最优解对原始发现者粒子更新方式进行改进的方法。为减小算法陷入局部解的概率,本文利用Levy随机步长特性对预警者粒子更新方式进行了改进。最后,对基于Levy-SSA的分数阶PID控制方法进行了实验验证,通过对比,验证了所提方法的有效性与优越性。

改进LSTM在金沙江流域中长期径流预报研究

径流非平稳性及超参数率定容易陷入“维数灾”的问题限制了神经网络(Long Short-Term Memory,LSTM)在中长期径流预报中的应用,针对上述问题,采取“分解-预测-重构”的思路,在数据预处理阶段采用变分模态分解(Variational Mode Decomposition,VMD)进行分解重构,耦合PSO(Particle Swarm Optimization)、SSA(Sparrow Search Algorithm)优化算法长短期记忆神经网络(LSTM),构建VMD-PSO-LSTM、VMD-SSA-LSTM、VMD-LSTM和LSTM四类模型进行对比试验研究,并探讨时滞步长对预报精度的影响。将模型应用于金沙江流域石鼓水文站月平均径流预报:(1)VMD-PSO-LSTM预报精度略高于VMD-SSA-LSTM,其次是VMD-LSTM,最后是LSTM。VMD-PSO-LSTM预报成果的MAE、MAPE、NSE、QR、RMSE分别为160.4、0.135、0.949、0.811、252.8;VMD-PSO-LSTM预报成果评价指标MAE、MAPE和RMSE分别比LSTM模型减小53.92%、50.67%、55.86%;NSE、QR分别比LSTM模型提升28.34%、84.48%;(2)在一定范围内,时滞步长越大,MAE、MAPE和RMSE增大,NSE、QR下降。【结论】对径流时间序列预处理,能够降低时间序列的非平稳性;加入优化算法能够在超参数空间中寻找到较优超参数组合,使得LSTM拟合能力较强,同时保持一定的泛化能力,从而提高预报精度。此外,时滞步长是影响预报精度的重要因素,加入优化算法能降低模型对时滞步长的敏感性。

低模型依赖性电力系统步长自适应调整状态估计

传统加权最小二乘法状态估计的迭代步长一般固定为1,为解决该方法因数据质量偏低、网络条件复杂而不能有效收敛的问题,本文对逻辑函数进行改造,将图像上与状态估计高质量数值迭代具有天然适配性的母函数作为步长控制因子。设定母函数的控制参数并对部分参数通过“迭代效果”进行实时微调,母函数将自动进行状态估计适应性调整。所提方法的步长调整机制直接由迭代效果控制,无需电网数学模型的直接“介入”,方法具有对模型依赖性较低、可移植性强的特点。基于IEEE30节点系统的算例表明,所提方法在数值稳定性和估计质量两方面均大幅优于传统方法,具有一定的实用价值。

基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测

不同于风速点预测,风速区间预测能描述风速的随机性。因此,提出一种基于奇异谱分析-模糊信息粒化和极限学习机组成的风速多步区间预测模型。该方法采用奇异谱分析提取原始数据的趋势成分、振荡成分和噪声成分,并对所有分量进行重构,然后利用模糊信息粒化对重构后的噪声成分进行有效挖掘,提取每个窗口最小值、平均值和最大值。对各分量采用极限学习机分别建立预测模型,为了提高预测精度、缩小区间范围,采用改进布谷鸟算法对预测模型的参数进行优化。最后将所有分量的预测结果进行叠加,实现风速区间预测。以风电场实际数据为算例,结果表明所提方法具有较高的预测精度和可靠的多步区间预测,且运行效率高,能有效跟踪风速变化。