基于改进粒子群算法的含电动汽车的微电网经济调度

以含电动汽车的并网型微电网为研究对象,在考虑储能系统损耗成本的基础上,建立了考虑运行成本和环境治理成本的经济调度模型.提出一种改进粒子群算法对模型进行求解,该算法采用了交叉和变异操作作用于个体历史最优值,并采用候选解修复和罚函数相结合的改进方法对模型中等式约束和不等约束进行处理.通过算例仿真分析了电动汽车集群在不同场景下微电网最优调度策略.结果表明,电动汽车集群参与微电网调度能够减少经济成本,提出的改进粒子群算法相比于标准粒子群算法等其他算法,求解结果更优且收敛性好.     

基于改进粒子群优化算法的微电网电流保护整定方法

针对微电网保护中继电保护整定困难的问题,提出一种基于改进粒子群优化算法的微电网电流保护整定计算方法。该方法在优化粒子群算法初始化和权值选取的基础上,合理选取继电保护起动电流值,克服了粒子群算法的早熟问题,实现了微电网电流保护整体动作时间最小化。对系统模型进行仿真,其结果验证了该算法的有效性。     

基于改进粒子群算法的微电网优化运行

为提高含分布式发电的微电网运行水平,应用基于混沌-模拟退火思想的粒子群算法对微电网的运行进行优化。针对微电网中各分布式电源特性,建立微电网的数学模型,建立了以运行成本和环境效益等运行指标最优为微电网优化运行的目标函数,并应用基于混沌算法结合模拟退火思想的改进粒子群优化算法对微电网多目标优化运行问题进行求解,得到微电网的最优运行方式。采用改进粒子群优化算法对某微电网进行24 h优化运行算例分析,结果表明该方法具有更好的寻优能力和更快的收敛速度。     

微网中分布式储能系统的控制参数优化方法

以系统小信号状态空间方程为基础,针对孤网运行中的分布式储能系统,提出了一种参数优化方法,该方法综合考虑了系统渐近稳定、控制带宽和鲁棒性等因素.根据Routh-Hurwitz和L2增益确定了参数优化的目标函数,并采用混沌粒子群优化(CPSO)算法进行求解,对包含三个分布式储能系统的微电网进行了优化求解算例分析.仿真结果表明:该方法可以解决因不合理参数引起的系统振荡、潮流反向以及储能系统相互充放电的问题;能够很好地解决分布式储能系统下垂控制器的参数整定问题,求解得出的参数能保证分布式储能微网系统的稳定运行和功率的有效分配,同时保持微网频率和电压稳定.     

基于模拟退火粒子群算法的飞机气动参数辨识

针对飞机气动参数辨识中如极大似然法等常规方法存在收敛慢、对初值敏感或数学形式复杂等缺点,讨论了模拟退火粒子群算法及其在气动参数识别中的应用,该方法主要辨识策略是一次采集多次迭代,增强了粒子群算法的收敛性和全局性.对某飞机纵横向气动参数辨识进行了仿真研究,结果表明模拟退火粒子群算法对飞机气动参数辨识问题行之有效,并且在扩展搜索空间上,比基本粒子群算法和自适应粒子群算法更有优势.     

自适应逃逸动量粒子群算法的数据库多连接查询优化

为了提高数据库多连接查询的优化效率,针对粒子群算法存在的早熟、局部最优等缺陷,提出一种自适应逃逸动量粒子群算法的数据库多连接查询优化方法.该算法首先将遗传算法的交叉机制引入粒子群算法中,以保持粒子群的多样性,避免早熟现象出现;然后,引入动量算法平滑粒子搜索轨迹,加快粒子群的收敛速度;最后,将该算法应用于数据库多连接查询优化求解,以获得最优的数据库多连接查询方案.仿真结果表明,该算法提高了数据库查询效率,缩短了查询响应时间.     

根轨迹图在系统分析中的几种应用

本文运用自动控制理论中根轨迹法绘制的根轨迹图,来分析系统的稳定性和阶跃响应是否振荡以及阶跃响应的各项参数。     

基于鲸鱼算法改进下垂控制的微电网平滑切换策略

在传统下垂控制所在微电网系统负载发生突变时，可能无法维持整个微电网的稳定；在模式切换过程中存在功率振荡、母线电压偏离过大等问题.针对此类问题，提出一种基于鲸鱼算法改进下垂控制的方法.依据电压幅值及频率波动，应用鲸鱼算法调整优化相应参数；将优化结果反馈到下垂参数计算中，用于解决切换时产生的功率振荡及频率偏移问题；搭建MATLAB/Simulink模型进行仿真验证.仿真结果显示：优化后的算法能够减少功率振荡幅度及频率偏移，实现微电网的孤网与并网平滑切换.在负荷突变工况下，功率偏差最大为13.78%,改进后降至3.97%,从扰动至稳定状态所用时间缩短了37.52%,提高了系统的供电质量，证明了该改进控制策略的有效性.     

系统辨识的粒子群优化方法

研究了一种基于粒子群优化算法对系统进行辨识的新方法.该方法的基本思想是将典型数学模型相互组合而构成系统模型,即首先将系统结构辨识问题转化为组合优化问题,然后利用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步提高粒子群优化算法的辨识性能,提出了一种改进的粒子群优化算法.仿真结果表明,给出的辨识算法是合理的,虽然扰动对算法的性能以及辨识结果有一定的影响,但利用文中所提出的改进粒子群优化算法仍然可以理想地辨识出系统的结构以及模型的参数,且与已有辨识算法相比更加有效.     

一种求解热电联产经济调度问题的改进粒子群算法

随着热电联产系统在火电厂发电过程中所占比重的不断提高,热电联产经济调度(CHPED)问题的解决迫在眉睫。本文在二阶振荡粒子群算法的基础上,对算法的两个重要参数的惯性权重和学习因子进行改进,并对粒子群算法更新迭代后的个体引入差分变异操作,使得算法在最优解寻找过程中的性能得到提升。为了证实该算法在热电联产经济调度系统中的有效性,该算法被应用到一个24机组热电联产测试案例中。实例证明,相比于其他进化算法,本文提出的融合差分变异操作的改进二阶振荡粒子群算法(DEPSO)在热电联产经济调度问题中可以得到很好的结果。     

基于粒子群算法的井眼轨迹优化研究

为了更优更快地对石油工程中的井眼轨迹进行优化,进行了基于改进粒子群优化(PSO)算法的井眼轨迹优化研究.通过对造斜率归一化,推导出目标函数表达式,将问题归结到对式中参数优化问题上来.引入PSO算法,在保持了PSO算法结构简单可行特点的同时,利用惩罚函数方法和叉乘控制项,对基本PSO算法易限入局部极小点周边区域的局限进行了改进.该井眼轨迹模型和相应算法提高了井眼轨迹优化速度.通过对钻井工程中轨迹参数的优化实践,验证了本算法优于基本的PSO算法,较好地实现了对井眼轨迹的优化.     

基于QPSCO算法的传感器优化配置

针对以曲线拟合为目标的传感器配置问题,提出了一种基于量子粒子群协同优化(Quantum-behaved particle swarms cooperative optimization,简称QPSCO)算法的传感器优化配置方法.在QPSCO算法中,采用双层的多粒子群协同优化结构,同时引入参数变异策略,在扩大搜索范围的同时加快该算法收敛;将加权最小二乘法的误差平方和引入适应度函数中,以提高传感器位置曲线的拟合精度,从而实现传感器的优化配置.实验结果表明,该方案应用于土壤信息采集系统,不仅可以达到比粒子群优化(Particle swarm optimization,简称PSO)算法和量子粒子群优化(Quantum-behaved particle swarm optimization,简称QPSO)算法更好的寻优结果,而且具有比遗传算法更理想的位置拟合精度,是一种有效可行的传感器配置方法.     

智能家庭用电多目标优化方案研究

分析了家庭用电的微电网系统,研究了粒子群算法以及多目标优化理论. 在此基础上,设计了一种面向家庭用电的多目标优化模型,利用人工智能粒子群算法处理多维目标函数,制定了用电优化策略. 计算机仿真结果表明,该策略有效优化了家庭能耗,达到了节能减排的目的.     

风、光、燃、储多源互补微电网的日优化运行

为了提高微电网经济运行水平,首先,针对粒子群算法前期容易早熟收敛的问题,提出了一种分段非线性惯性系数调整的方法,在此基础上,将Metropolis接受准则加入粒子群算法中,增加粒子跳出局部最优解的概率。采用改进算法及其相关的3种算法对4个基准函数作优化对比测试,验证了改进算法的有效性和可靠性。然后,以微电网发电成本最低和环境效益最优为目的,考虑了实际微网运行的约束条件,建立了包含有光伏阵列、风力发电机、微型燃气轮机、燃料电池、蓄电池的多源互补微电网日优化运行数学模型。最后,将改进算法与标准粒子群算法分别用于微网日运行优化模型求解,验证了采用改进算法能够使微网获得更佳的综合效益。     

基于改进的粒子群优化算法的轮胎参数辨识

轮胎是汽车的重要组成部分,其特性分析是研究汽车动力学的基础,其模型的精度直接影响整车模型仿真的精度,多采用粒子群优化算法对轮胎参数进行辨识.参考自然界生物进化现象,在基本粒子群算法的基础上提出带变异阀值的多种群粒子群算法.该算法采用多个种群同时进化以保证粒子群的多样性,同时可改善全局收敛的可靠性,采用变异阀值可避免优化算法陷于局部收敛现象的发生.将该方法应用于轮胎参数辨识,并与其他优化算法辨识结果进行比较,该方法结果能够更好地与实验数据吻合,证明该方法辨识精度高,在轮胎参数辨识中有较好的应用性.     

基于CQPSO的LCL滤波器设计方法

针对光伏并网逆变系统中LCL滤波器参数设计的困难,提出采用混沌量子粒子群算法对滤波器参数进行寻优.利用混沌优化方法具有的随机性、有界性、遍历性等特性,来扩大算法的搜索范围和提高收敛速度.对LCL滤波器进行分析后,确定约束条件,结合算法来对其参数进行优化设计.对三相光伏并网逆变器进行仿真实验,将混沌量子粒子群算法与自适应遗传算法进行比较,结果表明该算法比自适应遗传算法有更好的滤波效果,谐波畸变率也更小.     

一种求解TSP问题的混合算法

结合粒子群算法、蚁群算法、重力搜索算法提出了一种新的混合算法——TSP-GPAA.该算法将粒子群算法和重力搜索算法加入到蚁群算法中,利用粒子群算法的全局搜索能力解决了蚁群算法的初始信息素匮乏的问题,并且重力搜索算法将粒子群算法和蚁群算法参数进行优化,明显提高了蚁群算法的优化性能.实验表明新算法对于解决TSP问题是有效的...     

基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

基于粒子交叉融合算法的PSS参数优化

基于单机无穷大系统模型,通过采用一种新的粒子融合算法对电力系统稳定器（PSS）进行参数优化,以达到更好的低频振荡抑制效果。引入交叉操作的粒子融合算法是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的改进粒子群算法（PSO）。用Matlab软件进行仿真,结果表明,该方法设计的PSS稳定性有较大提高。     

基于改进PSO的智能车辆转向自适应PID控制

针对智能车辆转向系统的复杂,非线性和时变性,提出了基于改进粒子群算法的自适应PID控制,在该控制系统结构中,采用改进粒子群算法获得PID参数在线调整的信息,完成PID控制器参数的在线自整定,实现智能车辆转向的智能控制.实验结果表明,与常规的PID控制方法相比,该方法具有较高控制精度,较强的自适应性和鲁棒性,完全可适用于智能车辆转向系统的控制.