首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 78 毫秒
1.
根据电力负荷的主要影响因素,考虑时间和天气,建立了基于粒子群算法(PSO)和径向基函数(RBF)神经网络的短期负荷预测模型.由粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性.结果表明,该方法具有较高的预测精度,有一定的应用前景.  相似文献   

2.
针对配电网无功优化时多种分布式电源出力以及负荷的随机性,建立了考虑多重不确定因素的概率无功优化模型.通过三点估计法将概率潮流计算转化为采样点处的确定潮流计算,以处理所建模型中的不确定因素对无功优化结果的影响.为克服粒子群算法易陷入局部最优的缺陷,将自适应控制策略应用于粒子群算法,采用一种改进粒子群算法(IPSO)用于模型的求解.在改进的IEEE33节点系统上进行仿真测试,其结果验证了所提概率无功优化模型和求解方法的可行性及有效性.  相似文献   

3.
基于随机潮流计算对含牵引负荷的电网潮流不确定性进行描述,提出使用群体感应机制的粒子群算法对牵引负荷概率模型进行参数辨识.采用基于Nataf变换的拉丁超立方采样技术控制随机潮流输入变量的相关性.结合算例仿真,分析在不同负荷空间相关性的情况下,牵引负荷的接入对电网电压和支路潮流概率分布的影响.结果表明,使用群体感应机制的粒子群算法参数辨识精度更高,且避免了基本粒子群算法易陷入局部最优解的缺点;考虑牵引负荷随机性的支路功率和电压概率分布因不同的负荷空间相关性变化明显.为新建高铁线路接入电网提供了参考.  相似文献   

4.
基于混合粒子群优化算法的机组负荷最优调度   总被引:1,自引:0,他引:1  
粒子群优化(too)算法是一种现代启发式算法,提出一种基于混合粒子群优化算法的机组负荷的调度方法,该方法考虑了机组的经济性和安全可靠性.优化了机组的调度运行方式.  相似文献   

5.
为克服粒子群优化算法容易陷入局部最优、后期收敛慢等缺点,提出了一种修正的混沌粒子群优化算法.该算法通过修正粒子群迭代的行动策略,并引入遍历性较强的Tent混沌局部搜索机制,可以增强粒子的全局搜索能力,提高优化算法的全局寻优性能.将修正的混沌粒子群算法分别应用于6机组和15机组电力系统中求解经济负荷分配,在考虑系统网损和机组运行约束条件的情况下进行仿真实验.仿真结果表明:该算法用于求解高维、非凸、不连续等非线性复杂约束条件的电力系统经济负荷分配问题上,有着较快的收敛速度和较强的全局寻优能力.最后,通过与其它智能算法比较,验证了算法的有效性和优越性.  相似文献   

6.
为克服二进制粒子群优化(BPSO)算法易于陷入局部极值的不足,在粒子群算法(PSO)的速度更新公式中引入混沌参数与小生境机制,在此基础上提出了一种新的二进制粒子群(混沌小生境二进制粒子群优化,CNBPSO)算法.将新算法应用于两种不同复杂度的负荷削减需求计划问题的求解,均获得了比BPSO更好的中断方案,证实了算法的有效性,新算法具有简单、快速、均衡收敛等优点.  相似文献   

7.
提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.  相似文献   

8.
分析了二进制粒子群优化算法和基于二进制粒子群优化的属性约简方法,提出了一种基于退火选择的二进制粒子群算法,在选择粒子更新位置时引入模拟退火算法的策略,通过调整退火速度,控制算法收敛,当温度下降的足够慢时,粒子不会轻易跳出有"希望"的搜索区域,从而增强了粒子的局部搜索能力,使优化算法具有更高的效率.将该算法应用到电力负荷预测的属性约简中,使原来65个属性下降为12个,显著降低了后续处理的复杂度.  相似文献   

9.
针对我国城乡配电台区中大量单相负荷在三相随机分布中造成的三相负荷不平衡现象,提出基于粒子群算法的智能换相开关,以解决三相不平衡问题.根据当前三相的电量信息及负荷状态,制定智能换相策略,指导换相开关切换负荷在三相中的连接相别,使三相达到平衡状态.针对粒子群算法本身缺陷进行改进,通过仿真及试验验证,证明了智能换相策略的可靠性.  相似文献   

10.
粒子群优化算法是一类新的基于群体智能的启发式全局优化技术,群体中的每一个粒子代表待解决问题的一个候选解,算法利用粒子之间的相互作用发现复杂问题解空间的最优候选区域.综述了算法的基本形式及其多种改进形式,通过比较提出了一种用于求解一般形式的非连续、非凸、非线性约束优化问题的改进粒子群算法,用于求解复杂的非凸、非线性电力系统经济负荷分配问题.仿真结果表明,所提出的方法搜索速度快,求解精度高,易于掌握,是解决电力系统经济负荷分配问题的有效手段.  相似文献   

11.
针对坑道工程动荷段毁伤仿真科学实验训练样本中存在的相似样本和大量对分类器模型构造"无用"的冗余信息,提出了一种基于改进支持向量机的动荷段毁伤仿真实验训练样本约简方法。围绕约简任务和功能约束,设计坑道工程动荷段毁伤仿真实验训练样本约简分析机制,利用支持向量机结构风险最小化原则和非线性映射特性以及粒子群的快速全局优化特征,学习坑道工程动荷段毁伤仿真实验训练样本,快速建立训练样本的约简分类器,排除负类训练样本,为坑道动荷段毁伤评估提供优质的训练样本。算例表明,模型具有良好的收敛和精度。  相似文献   

12.
将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。  相似文献   

13.
目前对驾驶员进行是否酒驾的接触式、非实时的随机抽检方式已难以满足酒驾检测的实际需求.在加速行驶路段、匀速行驶路段、转弯路段等典型城市道路下,以车辆速度、加速度和油门踏板位置、发动机转速等交通参数为输入,采用支持向量机模型对驾驶员的驾驶行为进行识别并判定其是否处于酒驾状态,并采用粒子群优化算法对模型参数进行优化以提高训练速度.研究结果表明,基于粒子群优化算法的支持向量机模型能快速、准确地判定驾驶员是否处于酒驾状态,可为实现非接触式酒驾检测提供理论支持,为安全驾驶辅助系统采取相应措施提供实现基础.  相似文献   

14.
针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.  相似文献   

15.
利用粒子群(PSO)算法替代BP算法对小波神经网络(WNN)进行训练,针对局部极小值问题提出了改进的PSO算法,即判断当粒子陷人局部极小时将其重新初始化,并对小波的平移和伸缩参数的初始化进行了研究,避免了网络的盲目搜索,减少了迭代次数.通过非线性函数逼近的仿真结果表明,上述措施有效提高了网络搜索成功率,在一定程度上解决了局部极小值的问题.  相似文献   

16.
针对智能混合动力汽车自适应巡航过程中的能量控制策略问题,结合模型预测控制在处理多目标、多约束优化问题方面的优势和粒子群算法运算量小、收敛快的特点,将粒子群算法作为模型预测控制的滚动优化方法,构造基于模型预测控制的粒子群算法.仿真结果表明,文中算法能够使绝大部分工况点落在较低燃油消耗率区域,只有少部分工况点落在非经济区域,虽然多消耗了1.06%的燃油,但在运算速度上却获得了60.3%的提升.  相似文献   

17.
基于引力搜索和粒子群混合优化算法的T-S模型辨识   总被引:2,自引:2,他引:0  
提出了基于引力搜索(GSA)和粒子群(PSO)混合优化算法(GSAPSO)的T-S模型全局优化辨识方法.该方法充分整合GSA的勘探能力和PSO的开采能力,在GSA中引入PSO的个体最优值和群体最优值,同时改进惯性权重调整算法.T-S模型辨识分为结构辨识和参数辨识,采用聚类方法和GSAPSO算法同时辨识模型的结构和参数,从而实现全局优化辨识.仿真实例和比较分析证明了GSAPSO较标准的PSO和GSA有更强的全局优化能力和更高的辨识精度.  相似文献   

18.
根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.  相似文献   

19.
为提高啤酒企业包装车间生产耗电的预测精度, 提出了一种基于支持向量机和粒子群优化算法的预测模型构建方法。该方法将radial basis function函数作为支持向量机的核函数构建预测模型, 使用K-fold交叉验证方法, 利用粒子群算法(PSO: Particle Swarm Optimization)对惩罚参数c和g值寻优。以28天的生产耗水和生产耗电数据作为训练集, 以10天的生产耗水数据作为预测集, 分别构建基于radial basis function函数与polynomial函数的生产耗电支持向量机预测模型对生产耗电数据进行预测。实验结果表明, 以radial basis function函数作为核函数与以polynomial函数作为核函数相比, 该支持向量机预测模型对生产耗电的预测精度提高了51.495%,该方法具有一定的实用性。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号