基于PSO-GWO算法的局部阴影光伏MPPT研究

针对在局部阴影条件下,光伏阵列的功率-电压特性曲线呈现多个峰值,传统群体智能优化存在收敛速度慢、振荡幅度大和易陷入局部最优等问题,提出一种基于PSO-GWO(Particle Swarm Optimization-Grey Wolf Optimization)算法的MPPT(Maximum Power Point Tracking)控制方法。该算法引入余弦规律变化的收敛因子,平衡GWO算法的全局搜索与局部搜索能力;引入PSO算法,提高灰狼个体与自身经验之间的信息交流。仿真结果表明,提出的PSO-GWO算法在局部阴影条件下不仅能快速收敛,而且功率输出震荡幅度更小,有效提升了局部遮阴条件下光伏阵列的最大功率跟踪效率和精度。

基于非线性搜索策略的改进灰狼优化算法及其应用

灰狼算法(GWO)在大工业复杂的优化问题求解中存在许多不足之处,如容易陷入局部最优解、收敛速度慢、最优解精度低等缺点,由此提出一种改进的灰狼优化算法.在灰狼算法的基础上,通过引入非线性参数和新的位置迭代更新方程,构建一种基于非线性策略的灰狼优化算法,并通过软件实现算法.通过8个标准测试函数在多维度下的数值对比实验和一个工程设计优化问题求解,分析验证算法的稳定性和优越性,并证明其性能均优于原有的GWO系列算法,是一种具有潜力的元启发式算法.

基于粒子群混合灰狼算法的配电网故障恢复策略

为进一步提高主动配电网在故障恢复过程中的高效性和可靠性,基于粒子群混合灰狼算法对含高比例分布式电源的主动配电网进行故障恢复分析。首先针对配电网故障恢复持续时间长、光伏与风机出力和负荷需求波动大的问题,建立分布式电源时变性和负荷特性模型。以故障时段内分布式电源恢复重要负荷总量最大为目标函数,对配电网进行初步孤岛划分。在初步孤岛划分的基础上综合考虑恢复重要负荷总量最大、网络损耗最小和开关操作次数最少三个目标函数,采用粒子群混合灰狼算法求解,得到孤岛与主网配合的最优故障恢复策略。运用IEEE33节点配电网模型进行仿真验证,结果表明:分布式电源时变性和负荷特性模型具有优越性,基于粒子群混合灰狼算法的主动配电网故障恢复策略能够可靠地恢复供电。

无人机遥感反演小麦地上生物量模型的特征选择

无人机多光谱技术能快速、无损地测定小麦地上生物量(AGB)。然而,多光谱方法在计算植被特征时会产生大量具有高度相关的重复特征。因此,建立结构简单、精度高的模型对特征进行筛选具有重要意义。本文提出了一种可以同时实现特征筛选与参数优化的混合编码灰狼粒子群优化算法(CGWOPSO)。同时,为评估基于该算法驱动的极限梯度提升模型(CGWOPSO-XGB)的性能,将其及基于两种流行特征筛选方法(Pearson和SHAP方法)的模型(P-XGB和S-XGB)的反演AGB表现进行了对比。结果表明,S-XGB模型优于P-XGB模型,前者均方根误差(RMSE)比后者低3.0%~16.3%;而CGWOPSO-XGB模型精度高于S-XGB模型,前者RMSE比后者低16.0%。

基于优化领先狼群算法的微震源定位研究

为分析不同启发式方法对求解微震源定位精度问题的影响,提出一种优化领先狼群算法。该算法在领先狼群算法的基础上,调整搜索步长和围攻步长两个参数,提高了在搜索过程中跳出局部最优解的能力。通过理论模型反演和工程数据分析,验证了优化领先狼群算法的有效性。与常用的粒子群算法和模拟退火算法两种启发式算法相比,优化领先狼群算法收敛更快,精度更高,受P波波速误差影响更小。该算法为智能启发式算法应用于微震源定位提供了新思路。

钛合金切削温度-振动相关性及加工优化研究

钛合金作为“21世纪战略金属”在航空领域应用广泛,其加工质量至关重要。因此,对钛合金进行切削加工优化具有重要的研究意义。本文搭建切削温度和切削振动同步测量系统。通过红外热像仪和三向加速度传感器采集车刀尖端附近的温度和振动信号。建立基于切削温度和切削振动多特征融合优化模型,并运用粒子群优化灰狼算法对多特征融合优化模型进行求解,获得最优的切削参数。研究表明:在试验设计的切削参数范围内,切削参数的最优解为:切削速度753.98 m/s,进给速度30 mm/min,切削深度0.4 mm,所做研究为优化钛合金加工质量提供理论指导。

考虑多资源约束的并行机分批调度问题研究

鉴于实际生产中工人的能力和加工效率存在差异,本文提出了考虑工人差异性和刀具限制的多资源约束并行机分批调度问题,以最小化最大完工时间、最小化交付时间偏差为优化目标,构建了工人熟练度、刀具资源约束的混合整数线性规划模型,研究子批数量和大小、机器分配、工人分配、子批加工顺序之间的耦合关系,设计了一种改进的多目标混合灰狼-鲸鱼群算法(manyobjective hybrid grey wolf optimizer and whale swarm algorithm,MO-HGWSA).根据模型特点,设计了一种两阶段编码和解码方案表示问题的可行解;利用多种引导策略提高算法的进化效率;设计了局部搜索策略,增强算法的局部搜索能力.最后引入案例验证算法的有效性,结果表明本文所提算法在收敛性、分布性和解集支配关系方面均优于对比算法.

基于GWO-PSO算法的四旋翼飞行器LADRC参数整定

针对线性自抗扰控制器参数整定繁琐的问题,提出了一种基于灰狼算法与粒子群算法联合改进(GWO-PSO)的控制器参数整定方法。将粒子群算法中的粒子种群替换为灰狼算法中的灰狼种群,提高其全局搜索能力;改进收敛因子使其以指数形式变化,提高其寻优精度;在绝对误差积分准则(ITAE)的基础上改进适应度函数,使其与超调量和系统误差相关联,并根据线性自抗扰控制器控制的四旋翼飞行器模型特点,将控制器参数ω0、ωc和b0作为改进算法中的种群进行整定。仿真结果表明,经改进算法优化的控制器,能够满足控制系统的动态性能和稳态性能要求。

基于GWO-PSO算法的堆垛机混合作业优化研究

为减少堆垛机执行混合作业的运行时间,建立堆垛机运行时间最小的数学模型,并提出一种改进的GWO-PSO算法进行求解。首先,在初始化阶段,将灰狼个体随机分为若干群组,按照标准GWO算法进行独立寻优,推举产生首领狼王,然后采用PSO算法的位置更新方式对寻优结果进行更新,保证了种群的多样性和算法的寻优速度,接着引入速度交换算子进行离散化处理,并通过设置阈值解决了算法易陷入局部最优的问题,最后通过实例仿真分析,验证了GWO-PSO算法的有效性。

基于双向奔袭策略的改进狼群算法研究

基于传统狼群算法(wolf pack algorithm,WPA)的基本思想提出了双向狼群算法(towards two directions wolf pack algorithm,T2WPA)。针对原算法对已知优良信息利用率的不足,T2WPA对猛狼奔袭过程进行改进:引入双向奔袭的概念,并给出新老头狼产生规则和猛狼位置更新机制。基于以上改进思想,分别按照与文献[9]和文献[10]相同的参数,选取文献中对应的基准函数来测试T2WPA的性能,最后将测试结果与文献进行对比。仿真结果表明,T2WPA具有良好的全局搜索能力和计算精度。

基于改进河马优化算法的含分布式电源配电网重构

为有效解决分布式电源并入配电网的优化重构问题,达到降低系统网络损耗的目的,构建了以有功网损最小为目标的含分布式电源配电网优化重构模型,并采用改进河马优化算法进行求解。为防止算法陷入局部最优,引入高斯映射以及改进莱维飞行策略对河马优化算法进行改进,运用IEEE 33节点系统仿真计算,检验含分布式电源配电网重构模型求解效率。通过与灰狼优化算法及粒子群优化算法的结果比对,改进河马优化算法以最少迭代次数求得最优解,能够有效提升节点电压,并显著降低网损。

基于eGWO的物流车车架轻量化研究

为提高物流车车架轻量化环节的收敛速度与精度,提出一种基于警戒者灰狼策略与准反射学习策略的改进型灰狼优化算法(eGWO),通过与其他算法进行测试对比,表明eGWO具有良好的求解性能;对物流车车架进行满载弯曲、满载扭转、满载制动、满载转向工况仿真分析,使用最优拉丁超立方试验设计方法与响应面模型方法建立车架近似模型,并使用eGWO对物流车车架的尺寸优化数学模型进行求解,使得车架总质量下降11.9kg,减重率9.94%,为车架轻量化研究提供了可行方法。

基于Bi-LSTM神经网络的室内可见光定位方法

双向长短时记忆(Bi-LSTM)神经网络由于超参数众多,难以获得最优系统模型。同时,考虑到灰狼优化(GWO)算法可能过早收敛的情况,提出了一种采用GWO结合粒子群(GWO-PSO)算法优化Bi-LSTM神经网络的单灯定位方法。通过优化网络中的学习率、隐藏神经元个数等超参数,提高系统的稳定性和定位精度。最后,采用加权K邻近(WKNN)算法对误差较大的点进行优化,以获得更精确的定位位置。仿真结果表明,在3 m×3.6 m×3 m的室内环境中,所提定位方法的平均定位误差为3.57 cm,其中90%的定位误差在6 cm内。

协同围攻策略改进的灰狼算法及其PID参数优化

针对灰狼优化算法(GWO)在求解优化问题时收敛速度慢和全局搜索能力弱的缺点,提出一种基于Chebyshev融合狼群协同围攻策略的改进GWO算法(CCA-GWO)并成功应用于PID参数优化。首先,通过对比三种混沌映射优缺点并最终将Chebyshev映射用于算法初始化中以增强初始解的多样性;其次,为平衡算法的全局勘探和局部开采能力,通过模拟灰狼群狩猎时头狼和次头狼的交替行为,提出一种新的非线性策略对控制参数A和C及位置更新方程进行修正;最后,将改进算法应用于PID参数优化。通过8组基准测试函数在10维、30维和100维下进行实验,并与BOA、MFO、ASO、MVO、WOA、GWO进行对比,数值实验结果表明,CCA-GWO不仅在求解不同维度的基准测试函数上具有更好的寻优性和稳定性,而且在PID参数优化中相较于6种元启发式算法表现出更好的优化性能。

基于狼群算法的虚拟同步发电机并网逆变器不平衡电网下多目标优化控制研究

针对电网电压不平衡情况下虚拟同步发电机(VSG)并网逆变器并网输出电流不平衡、有功功率及无功功率波动的问题,提出一种基于狼群算法的VSG并网逆变器多目标优化控制方法。针对电流平衡、抑制有功、无功波动间的矛盾,设计多目标优化控制,引入调节系数和不平衡度,建立负序参考电流统一表达式及多目标优化函数,并通过狼群算法对多目标函数寻优,实现三个控制之间的协调控制,提高了VSG逆变器输出电能质量。最后,对所提出控制方法进行仿真分析,验证其可行性和有效性。

基于PSO-GWO的省级能耗强度预测与碳减排潜力估算

准确预估省域节能降碳潜力是政策制定与调整的基础。针对目前省级降碳潜力估算方法仍存在难以指导实践的局限性问题,提出一种主客观相结合的新方法,构建包含经济、技术投入、规模效应3个因素的能耗强度学习曲线,并以灰狼算法改进粒子群优化算法优化拟合曲线;充分考虑碳汇技术,构建减排潜力核算框架;以S省为例,设定12种组合情景进行实证研究。结果表明,优化产业结构与调整能源结构是目前降低碳排放量、确保实现“碳达峰”目标的主要手段;零碳、负碳技术现阶段能够为减排做出较少贡献,但可促进碳达峰进程。

基于IGWPSO-SVM的HMCVT湿式离合器摩擦副温度预测

针对传统机器学习模型预测重型拖拉机液压机械无级变速箱(Hydro mechanical continuously variable transmission,HMCVT)湿式离合器温度的局限性,提出了基于改进灰狼粒子群优化-支持向量机(Improved grey wolf particle swarm optimization-support vector machine,IGWPSO-SVM)的HMCVT湿式离合器摩擦副温度预测模型。首先,对湿式离合器摩擦副滑摩过程进行热分析,确定影响湿式离合器摩擦副温度的因素;然后,基于支持向量机(Support vector machine,SVM)搭建温度预测模型,并利用改进灰狼粒子群优化(Improved grey wolf particle swarm optimization,IGWPSO)算法对SVM的结构参数进行优化;最后,基于HMCVT湿式离合器试验台数据搭建离合器摩擦副温度预测模型的样本数据库,以湿式离合器摩擦副对偶钢片为对象,对IGWPSO-SVM模型进行试验验证。试验结果表明,IGWPSO-SVM模型预测摩擦副对偶钢片内、中、外径温度的平均绝对误差(Mean absolute error,MAE)、均方误差(Mean square error,MSE)、均方根误差(Root mean square error,RMSE)、平均绝对百分比误差(Mean absolute percentage error,MAPE)的均值分别为3.3557℃、24.3212℃^(2)、4.5976℃、3.95%,最高温度预测误差分别为7.8700、5.4300、0.9900℃,3次试验的对偶钢片内、中、外径温度MAE、MSE、RMSE、MAPE均值的平均值分别为3.3522℃、24.7380℃^(2)、4.9737℃、4.12%,3次试验的内、中、外径最高温度平均绝对误差(Maximum temperature mean absolute error,MTMAE)平均值为4.3733℃,相比于其他4种已有的模型为最低。研究结果可为重型拖拉机湿式离合器温度的高精度预测及整车的可靠性控制提供理论依据。

基于金豺优化算法的PID参数优化研究

针对控制系统PID参数难以寻优的问题,提出一种金豺优化(Golden Jackal Optimization,GJO)算法。该算法受金豺家族狩猎过程的启发,以PID的3个参数组成金豺的位置坐标,根据金豺的狩猎规则更新公豺和母豺豺对的位置,使其向最优解迭代。为了验证算法的效果,将该算法分别与Z-N临界比例法、粒子群优化算法和灰狼优化算法进行比较。仿真结果表明,采用金豺优化算法控制系统的PID参数,系统具有调节时间短、上升速度快和超调量小等优点,为PID参数优化提供了参考。

基于改进灰狼算法优化ELM的边坡稳定性评价

采用改进的灰狼算法对极限学习机进行了优化,以改善边坡稳定性评估的准确性。首先,在GWO中加入了逆向和非线性的收敛因子,并给出了一种新的GWO优化方法;其次,为了改善ELM的性能,利用IGWO算法优化了ELM的输入层次权重和隐含层偏差,从而得到了IGWO-ELM的最佳模式。最后,选取重度、黏聚力、摩擦角、边坡角和坡高5个指标作为边坡稳定性评估参数,研究结果表明,与ELM、PSOELM、GWO-ELM相比,应用IGWO-ELM对边坡的稳定性进行评估,其结果更为准确。

局部阴影下光伏阵列的最大功率点跟踪算法研究

针对局部阴影下光伏阵列输出功率的多峰值问题,传统的MPPT跟踪算法不能准确跟踪系统的最大功率点,为此,该文研究了3种基于人工智能算法的光伏阵列MPPT算法,包括粒子群算法、灰狼算法和改进人工蜂群算法。该文详细介绍了3种人工智能算法的原理及算法流程,并在Matlab/Simulink中搭建系统的仿真模型,对比3种算法在静态阴影遮挡和阴影突变情况下的MPPT跟踪性能,结果表明:3种人工智能算法均能有效跟踪光伏阵列的最大功率点,跟踪误差均小于0.5%,其中粒子群算法跟踪精度最高,收敛速度最慢,而灰狼算法跟踪精度最低,收敛速度最快,在收敛稳定性方面,相较于灰狼算法和改进人工蜂群算法,粒子群算法更易陷入局部最优。