阴影遮挡条件下光伏阵列建模及PSO优化控制算法的研究

基于现有五参数模型构建了阴影条件下的光伏阵列多峰输出特性模型,该模型能够仿真阴影条件下光伏阵列的I-U性能曲线.在此多峰模型基础上,搭建了MPPT控制模型,利用优化后的PSO算法实现多峰情况下的最大功率点追踪,并与原始PSO算法进行对比,仿真结果表明该算法能够快速且准确的追踪到多峰下的最大值.     

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.     

基于群智能方法的移动通信网络功率控制方法研究

功率控制技术作为移动通信网络优化的关键技术之一,其性能的好坏将直接影响移动通信网络的优化效果。通过对功率控制原理的研究,从联合功率控制与速率控制的角度出发提出了功率控制简化模型。而Grad-PSO算法是一种典型的群智能算法,已被广泛应用于工程优化问题之中。通过算法在函数优化过程中的仿真实验,验证了其在收敛速度、运算精度和运算量等方面具有优势。主要采用Grad-PSO算法对功率控制模型进行了优化仿真实验,通过仿真实验发现:Grad-PSO算法能找到最优解,很好地实现了对功率控制模型的优化。结果表明基于Grad-PSO算法功率控制优化方法切实可行,是一种有效的优化移动通信网络技术的方法。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

改进PSO算法在污水处理控制器优选中的应用

针对控制性能指标不兼容难以选择控制器,提出了一种改进的PSO控制算法.构造了基于多性能指标参数的目标函数,研究了基于PSO的改进控制算法,剖析了可快速搜索到收敛于全局最优极值所对应各个控制器控制参数机理,以SBR工艺污水处理系统控制器参数选择为例,建立了DO参数控制模型,设计了改进的PID控制器和多模态HSIC控制器.仿真实验显示:改进的PSO算法有更强的鲁棒性和更好的动静态控制品质.研究结果表明该算法用于污水处理系统控制器参数优选的合理性与可用性.     

基于学习与竞争的改进PSO算法研究

针对普通PSO算法收敛速率慢,难以收敛到全局最优解的问题,提出了一种基于学习与竞争的改进PSO算法.该算法通过将种群内部学习和竞争的思想与PSO算法相结合,让种群中个体通过竞争和学习策略来替代原有的PSO算法迭代公式.该方法在不增加PSO算法计算复杂度的基础上,能够克服基本PSO算法的不足.最后基于动态系统的稳定性分析理论,给出了该PSO算法收敛性的证明.在7种不同的测试函数上对改进后的算法进行了实验测试.实验结果表明该改进算法比传统的PSO算法有着更好的搜索精度.结果证明,新算法比普通的PSO算法具有更高的搜索精度和较低的时间复杂度.改进算法求解函数优化问题更加有效,收敛速率更快.     

基于可达状态集扩张的粒子群算法收敛性改进

针对粒子群算法(PSO)改进设计缺乏数学模型和理论依据支持的问题,研究建立了PSO的吸收态马尔可夫过程模型,并提出了可达状态集作为收敛性分析的关键指标.与以往的收敛性分析不同,研究从可达状态集扩张的角度提出了PSO收敛性对比的理论,并基于此提出了PSO全局收敛性改进的方法.最后,以改进综合学习粒子群算法CLPSO(comprehensive learning particle swarm optimization)为例验证了提出模型与理论的有效性.     

一种基于非线性系统的动态感知系数的自适应粒子群优化算法

在优化非线性复杂系统问题中,智能算法已成为一种重要手段.提出了一种基于动态感知系数的自适应粒子群优化(particle swarm optimization,PSO)算法(self-tuning PSO,SPSO),将PSO算法的感知系数与神经网络算法结合,并于在线学习训练过程中动态调整感知系数,改善了PSO算法的计算效率以及全局收敛效率.进一步将2个相互关联的神经网络——比例积分微分(proportion integration differentiation,PID)神经网络及SPSO神经网络结合起来,使其能有效解决非线性控制模型的问题.为了验证该算法,引入了4个仿真例及2种PSO优化算法——传统PSO(conventional PSO,CPSO)和修正PSO(modified PSO,MPSO),来比较SPSO算法在解决控制问题中的非线性复杂系统的高效性,结果显示SPSO算法有较好的全局收敛性能、收敛速度以及较强的鲁棒性.     

基于引力搜索和粒子群混合优化算法的T-S模型辨识

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.     

基于改进PSO算法在局部遮阴下光伏系统MPPT中的应用

在局部遮阴条件下，光伏阵列的功率输出曲线存在多个峰，为确保光伏系统能够更好地工作在最大功率点，提出一种改进粒子群(PSO)算法.自适应调整惯性权重和学习因子，并引入差分进化(DE)算法中的变异、交叉等操作来丰富粒子多样性，使算法不仅有更快的收敛速度，而且在遮阴条件下也能精准追踪到最大功率点.在Simulink中搭建系统仿真模型进行仿真试验.结果表明，改进粒子群算法能够明显提高追踪最大功率点的速度和精度.     

基于改进PSO算法在光伏阵列多峰MPPT的研究

针对传统的最大功率点跟踪算法在光伏阵列出现局部阴影时,其输出P-U特性曲线表现出的多峰现象,导致跟踪不能完成真正的最大功率点跟踪,从而造成系统的输出功率降低的问题;粒子群算法(PSO)在全局搜索具有很好的作用,把PSO应用在MPPT之中,但其收敛速度与精度方面具有一定的缺点,为了提高PSO算法的跟踪精度和收敛速度,提出了把非线性控制策略与PSO算法相结合;通过Matlab/Simulink进行仿真验证,结果表明:改进后的粒子群算法在有无阴影和环境发生变化的情况下均可快速且稳定准确地跟踪到最大功率点的有效性,提高了光伏系统的发电效率。     

基于改进的PSO和HMM的Web信息抽取算法

针对传统Web信息抽取的隐马尔可夫模型对初值十分敏感和在实际应用中模型参数极易陷入局部最优的问题,提出了一种基于改进的粒子群优化算法的隐马尔可夫模型参数优化模型,用于Web信息抽取.以似然概率值作为适应度函数,使用改进的粒子群优化算法结合Baum-Welch算法对HMM模型参数进行全局优化,实现了Web页面信息的抽取.实验结果表明,该算法在精确率和时间等指标上与现有算法相比具有更好的性能.     

基于混合优化算法的最大功率点追踪方法

针对部分阴影条件下粒子群优化（PSO）算法追踪最大功率点时间较长与功率波动大的问题,提出一种基于万有引力与粒子群混合优化(GPSHO)算法的最大功率点追踪（MPPT）方法。该方法将万有引力搜索算法引入粒子群算法,在迭代过程中通过调节PSO算法的惯性权重、认知因子和社会因子提高算法的收敛速度,实现追踪全局最大功率点。仿真与实验结果表明:该方法能够在不同光照情况下精准地追踪全局最大功率点,其搜索速度大约比基于自适应惯性权重粒子群(APSO)算法的MPPT方法快１倍,功率振荡亦更小。     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

一种改进PSO算法在经济调度中的应用研究

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.     

An optimized short-term wind power interval prediction method considering NWP accuracy

In recent years, the accuracy of the wind power prediction has been urgently studied and improved to satisfy the requirements of power system operation. In this paper, the relevance vector machine(RVM)-based models are established to predict the wind power and its interval for a given confidence level. An NWP improvement module is presented considering the characteristic of NWP error. Moreover, two parameter optimization algorithms are applied to further improve the prediction model and to compare each performance. To take three wind farms in China as examples, the performance of two RVM-based models optimized, respectively, by genetic algorithm(GA)and particle swarm optimization(PSO) are compared with predictions based on a genetic algorithm–artificial neural network(GA–ANN) and support vector machine. Results show that the proposed models have better prediction accuracy with GA–RVM model and more efficient calculation with PSO–RVM.     

基于改进粒子群算法的球磨机运行优化

为了降低制粉系统球磨机的能耗率,对球磨机进行了运行优化的研究.在运行优化过程中,为了获得运行优化的目标模型,运用支持向量回归机对制粉出力进行了软测量建模,实现了制粉出力的在线软计算,得到了制粉单耗的计算模型.在此基础上,将混沌遍历的思想引入粒子群优化算法,提出了一种新的混沌遍历粒子群算法,该改进粒子群算法具有较快的搜索速度及全局收敛的特点.将该改进粒子群算法用于球磨机运行目标的优化从而获得最佳运行参数值.研究结果表明,运用所建立的运行优化目标模型及改进的优化算法可以获得球磨机的最佳运行优化参数,该研究具有重要的工程应用价值.     

基于微粒群算法的分布式发电优化配置

利用混沌动力学的随机性和遍历设计群体运动模式,提出一种改进的微粒群算法.以运行成本和网络损耗为目标,对分布式发电的优化选址与定容问题加以求解,获取最优的分布式电源安装位置和容量,并针对标准测试系统进行了仿真计算与分析,仿真结果验证了所提方法的有效性.     

基于改进粒子群算法的大地电磁反演

粒子群算法是一种粒子群在全空间随机搜索的非线性反演方法，具有易于实现的优点，已在大地电磁（MT）反演得到了广泛应用，但其存在容易陷入局部最优解的缺点，在二维反演中应用较少且效果不好。本文提出了一种改进的优化粒子群算法，整个进化过程引入了局部进化，并且添加收缩因子和惯性权重参数，来改善该算法容易陷入局部最优解的缺点。最后将改进算法应用于二维MT反演，反演时加入核函数，结果表明改进粒子群算法在过早收敛问题上有明显改善，反演异常体位置也与实际模型吻合较好。因此，本文改进的粒子群优化算法提高了MT反演精度，为矿产资源勘探开发提供了理论基础。