基于改进粒子群优化算法的灰色神经网络模型

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.     

物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法（PSO）的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。     

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。     

基于永磁操动机构的同步合闸时间预测方法研究

为了提高相控开关动作时间预测精度,抑制电容器投切产生的过电压和涌流,文章建立了以控制电压和环境温度为输入的前馈网络预测模型;为了提高模型预测精度,提出基于遗传算法(genetic algorithm,GA)和粒子群算法优化神经网络的补偿方法,并对算法优化前、后网络预测性能进行比较。研究结果表明,经过遗传算法和粒子群优化后的前向神经网络模型比没有优化的有更好的预测精度。     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

基于改进灰狼优化的开关磁阻风力发电最大功率点跟踪控制策略

以中小型开关磁阻风力发电机为研究对象，针对发电过程中，在不同风速条件下最大功率点跟踪控制快速性和准确性的需求，提出一种基于自适应加权灰狼优化PID算法的最大功率点跟踪控制策略。当外界风速发生变化时，根据实时风速计算出风力机最佳转速，其与实际转速的差值作为加权自适应灰狼优化PID控制算法的输入，作为转速闭环的PID控制参数，从而输出电压脉宽调制的最优占空比，实现变风速下的最大功率点跟踪控制。仿真结果表明，与传统PID控制相比，自适应加权灰狼优化PID算法能够在风速变化情况下，更加快速准确地实现最大功率点跟踪控制。     

双馈风力发电机组仿真装置研究

以某风电场2 MW风力发电机组为仿真对象,对风力发电机进行结构分析,并采用模块化建模方法分别建立风速模型、风机模型、传动模型、电机模型和控制模型,给出了相应的数学模型.在南京工程学院JSCC仿真支撑系统下,用Fortran语言编写了仿真算法并建立全范围风力发电机组仿真模型.根据该风电场典型工况进行模拟计算,模拟风速从8 m/s至20 m/s变化时风电机组系统的变化动态特性,模拟结果表明所建立仿真模型能够反应实际机组的动态特性,系统能够满足风电场运行人员培训及风电系统优化等要求.     

基于干扰观测器的含风电互联电网频率稳定控制

为解决含风电互联电网中风功率预测与实际风功率之间存在的风功率偏差,以及负荷突增所造成的电网负荷频率波动的问题,研究并比较了现有解决方案,提出了一种干扰观测器与反馈控制器复合控制算法.该算法将风功率偏差以及负荷突增等视为集总干扰,设计干扰观测器估计集总干扰,并通过反馈控制器的设计抵消集总干扰的影响,并基于分离原理与线性矩阵不等式求取了观测器以及控制器设计参数,提出了算法定理并验证了稳定性.将所提算法与常用的比例积分微分(proportion intergration differentiation,PID)控制算法进行仿真比较,负荷控制算法对风功率偏差与负荷突增构成的集总干扰有着较强的抑制作用,且收敛速度更快,表现出较强的控制性能与鲁棒性.最后通过半物理实验进一步验证了所提算法的有效性与实用性.     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

基于自适应遗传-粒子群优化算法的风电场微观选址优化

为了减小尾流效应对风电场发电量的影响,提高风能利用率,提出了一种自适应权重的遗传-粒子群优化算法(genetic-particle swarm optimization algorithm, GA-PSO)。首先,以风电场单位发电成本为目标函数,风机坐标为优化变量,通过在优化变量的速度更新中加入惯性权重,以改变算法的寻优速度;其次,在WASP软件选址的基础上,对风电机组进行布局优化;进而,将计算结果与遗传算法(genetic algorithm, GA)、萤火虫算法(firefly algorithm, FA)和粒子群(particle swarm algorithm, PSO)优化算法进行对比。结果表明：运用PGOA算法优化后的风电场单位发电成本为2 016元/GWh,减少了232元/GWh,年发电量为82.633 GWh,比优化前提高了8.538 GWh,同时尾流损失减小了1.12%。可见研究结论对未来的风电场微观选址具有一定指导意义。     

基于花朵授粉算法的组合式风速预测

针对风速的波动性导致风电功率不稳定,严重影响电力系统的安全、稳定运行等问题,提出一种基于风速数据分解的组合式模型,该模型首先利用集合经验模态分解法将风速序列分解为频率不同的若干个分量,降低了风速序列的非平稳性。然后利用花朵授粉算法优化BP(back propagation)神经网络构建预测模型,预测各个分量的变化趋势。最后将各个分量的预测值进行叠加组合得出最终的风速预测值。仿真结果表明,所提出的组合式模型平均绝对误差控制在0.2 m·s~(-1)以内,在风速预测方面有较高的预测精度,具有广阔的实际应用前景。     

基于改进熵权法和SECEEMD的短期风电功率预测

为实现短期风电功率的高精度预测，综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响，提出了一种基于改进熵权法和SECEEMD的短期风电功率组合预测方法。首先，提出了一种综合相关性分析模型，结合多种特征选择方法对多维气象特征实现综合评价，准确筛选与风电功率相关性较高的气象特征，提高预测精度。其次，针对CEEMD(Complementary Ensemble Empirical Mode Decomposition,互补集合经验模型模态分解)存在的分解分量过多，模态混叠程度加剧的问题，提出了SECEEMD分解算法，在降低分量数量，降低模态混叠程度的同时，提高模型的训练速度。然后，分别建立NWP-LSTM和SECEEMD-BP预测模型，并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构；最后，通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古某风电场的风电功率数据和气象数据为实验数据，经验证，本文所提预测模型，能较大程度提高预测精度，相较于一般预测模型，R2-Score分别提高了4%和0.6%，MAE分别降低了44%和1.1%，证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度，更加适合进行风电功率预测。     

改进型PID风电场功率控制系统的设计

现有风电场功率控制系统存在响应速度慢与控制误差大的缺点,提出一种改进型PID算法用于风电场功率控制,从现有实际运行的风电场SCADA系统中采集大量数据,利用辨识工具做模型辨识,根据最小二乘解算法得出传递函数,在Matlab中构建试验模型,采用比例、微分先行控制,积分后行,得出理想性能PID控制器.将仿真参数实际应用到风电场功率控制系统中.结果表明,该系统响应速度快,控制精度高,具有较强实际应用价值.     

基于权系数法的功率和载荷协同控制策略

针对大型风机在高风速区由风剪切效应引起的输出功率波动和叶轮不平衡载荷，从功率和载荷两个维度出发，以NREL公司的5MW陆基风机为对象，提出一种基于权系数法的功率和载荷双目标协同的独立变桨控制策略。首先，以遗传算法优化的PID作为主控制器，通过风轮转速反馈得到统一变桨距角；其次，根据方位角反馈得到各桨叶的动态权系数，以此调整各桨叶的桨距角；最后，将叶根挥舞力矩反馈给模糊PID控制器得到载荷影响下的桨距角微调量，并对桨距角进行修正。通过FAST和Matlab/Simulink平台联合仿真，将所提控制策略与统一变桨距控制和独立变桨PI控制对比分析。结果表明，所提控制策略能有效地将输出功率稳定在额定功率附近，并且对于降低风轮不平衡载荷具有显著效果。     

基于DDPG算法的风力发电机变桨距控制研究

风电机组模型的不确定性以及风速等外部干扰严重影响风电机组输出功率的稳定性,基于准确风机参数的传统控制策略难以满足系统控制需求。因此,本文提出一种基于DDPG算法的风机变桨距控制器。借助强化学习仅需与环境交互无需建模的优势,以风机模型为训练环境,功率为奖励目标,变桨角度为输出,采用深度神经网络搭建Actor-Critic单元,训练最优变桨策略。采用阶跃、低湍流、高湍流三种典型风况对算法进行检测。仿真结果表明,不同风况下基于DDPG算法控制器的控制精度、超调量、调节时间等性能均优于传统比例-积分-微分控制器效果。