基于自适应粒子群优化算法的光伏电池参数辨识

利用双二极管等效电路模型进行光伏电池输出特性仿真,基于光伏电池的U-I数据建立了目标寻优函数,采用自适应粒子群优化算法对光伏电池参数进行了反演计算.结果表明:U-I反演曲线与实际曲线基本吻合,自适应粒子群算法与单纯形方法的参数辨识结果均与理论值相符,权重因子策略和种群规模对自适应粒子群优化算法寻优结果具有显著影响,基于自适粒子群优化算法的光伏电池参数辨识方法具有更高的求解精度和寻优效率.     

改进多种群粒子群算法辨识光伏组件参数

针对光伏组件参数辨识问题,通过调整光伏单二极管超越方程重构低计算复杂度的目标函数,以预估计模型参数对搜索空间进行优化.然后,结合多种群粒子群算法与单纯形算法的优点,构造出N-MPSO混合新算法用于光伏组件模型参数的精确稳定辨识.最后,利用多种实际光伏组件测量数据对所提方法进行检验.结果表明:N-MPSO算法相较于传统算法能够更加准确、快速,且能稳定地辨识出任意环境条件下光伏组件的模型参数,对于光伏组件及光伏电站的设计、测试与诊断具有实际意义.     

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.     

基于改进多种群粒子群算法的光伏组件参数辨识

针对光伏组件参数辨识问题,本文首先通过调整光伏单二极管超越方程重构出低计算复杂度的目标函数,又预估计模型参数对搜索空间进行优化,再结合多种群粒子群算法与单纯形算法的优点,构造出N-MPSO混合新算法用于光伏组件模型参数的精确稳定辨识。最后利用多种实际光伏组件测量数据对所提方法进行检验。结果表明N-MPSO算法相较于传统算法能够更加准确、快速且稳定地辨识出任意环境条件下光伏组件的模型参数,对于光伏组件及光伏电站的设计、测试与诊断具有实际意义。     

基于三方竞争机制的反向多目标粒子群优化算法

针对传统多目标粒子群优化算法容易早熟的问题,提出一种基于三方竞争机制的反向多目标粒子群优化算法(MOPSO-TCOL).该算法利用当前种群在每一代中选择的三方竞争者来引导种群进化,这能够有效减少维护外部存档时的计算成本.在每次竞争中,MOPSO-TCOL从种群中随机挑选3个粒子进行比较,并基于不同的策略分别进行更新,这有利于保持种群的多样性.提出了一种基于反向学习策略的渐进式粒子更新方式,部分粒子进行反向学习以避免算法陷入局部最优,其他粒子通过向指定的更优粒子学习进行更新以加强收敛性.将所提出算法与8个多目标优化算法在14个标准测试函数上进行了性能比较试验.结果表明MOPSO-TCOL算法在多样性和收敛性上具有显著优势,且具有更快的收敛速度.     

基于组合三角变异差分进化算法的化工参数辨识

针对传统方法在解决化工参数辨识问题中易陷入局部最优、导致求解精度不足的问题,提出了一种组合三角变异差分进化(CTMDE)算法,融入了组合三角高斯变异策略和DE/current-to-pbest/1变异策略.其中,组合三角高斯变异策略引入了组合权重来适应性利用较优个体、一般个体、当前个体的信息,维持种群多样性;而DE/current-to-pbest/1变异策略能够利用种群中的较优个体来指导搜索,对解空间的开采能力较强.两者结合使得算法在加快收敛速度的同时降低陷入局部最优的可能性.在12个基准测试函数上,将CTMDE算法与其他新近DE算法进行比较,并将CTMDE算法应用于甲醇转化为烃类物质的参数辨识问题.实验结果表明:CTMDE算法具有较好的寻优性能,且在化工参数辨识问题上具有较好的求解效果.     

基于参数优化的光伏电池故障诊断

提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识,获取不同故障类型光伏电池特征参数数据集,建立概率神经网络故障诊断模型对光伏电池故障类型进行诊断.仿真结果表明,优化的人工蜂群算法能够对光伏电池特征参数进行快速、准确的辨识,故障诊断结果与故障特征一致,验证了基于参数优化光伏电池故障诊断方法的有效性.     

基于FNO-PSO算法火电机组煤耗模型的参数辨识

本文针对粒子群(PSO)算法存在的早熟和局部收敛问题,结合分数阶神经优化算法(fractional-neuro-optimizer,即FNO),提出一种新的混合PSO算法—FNO-PSO算法.该算法通过FNO算法对PSO算法中的惯性权重进行更新,以保证粒子在搜索空间运动的多样性,降低了PSO算法后期因种群过于密集而陷入局部最优的可能性.最后,通过这种算法辨识火电机组煤耗模型中的参数,并与PSO算法、IPSO算法进行对比,仿真结果显示该混合FNO-PSO算法能够更准确、更快速的辨识煤耗模型中的未知参数.     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm,GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题,面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题,提出一种能够快速缩小搜索空间,且有效避免陷入局部最优的在线快速搜索的优化辨识框架,实现电动汽车动力电池等效电路模型参数在线快速辨识,扩展全局搜索优化算法的应用范围.进一步,将此算法应用于电池剩余荷电状态(SOC)估算问题,提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较,结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.