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.     

基于精英反向学习粒子群算法的光伏电池参数辨识

快速准确辨识光伏电池参数对于电池输出功率预测及电池故障诊断模型的研究具有重要意义.针对传统智能算法应用于光伏电池参数辨识时存在准确性低、易陷入早熟的问题,提出一种精英反向粒子群算法(EOPSO),在算法进化过程中,对当前种群中的优秀个体根据概率进行精英反向学习,生成精英反向种群,并将精英反向种群与当前种群进行竞争,当算...     

基于粒子群算法的风电场参数辨识研究

大规模的风电并网使得电力系统的安全运行受到了挑战,建立高精度风电场模型有利于维护电网的稳定运行。本研究以河西地区马鬃山和酒泉风电场为研究对象,基于粒子群算法,结合马鬃山和酒泉风速数据对威布尔模型中的形状系数和尺度系数进行辨识。以实际值与辨识值误差的平方和最小为目标函数,得到了较高精度的风电场参数值。通过与穷举算法的辨识结果进行对比,本研究的粒子群算法能够获得更高精度的风电场模型。     

基于改进粒子群算法的轮胎模型参数两级辨识

为提高PAC89(Pacejka'89 tyre model)轮胎模型的辨识速度和辨识精度,采用加入自适应权重和自然选择性的粒子群算法,并将PAC89轮胎模型参数分为两级,依次进行辨识.以轮胎模型侧偏力曲线的辨识为例,轮胎模型中的刚度因子、形状因子、峰值因子、曲率因子、垂直和水平偏移率为一级参数,通过改进粒子群算法进行一级辨识得到;组成上述因子的特性参数为二级参数,通过改进粒子群算法进行二级辨识得到.一级辨识收敛时的迭代次数小于40,二级辨识收敛时的、迭代次数在100左右,通过实验数据与辨识模型的对比得出平均相对残差为1.6961％.辨识结果表明,采用改进粒子群算法分两级对PAC89轮胎模型进行辨识的方法,能够在保证模型精度的同时提高辨识速度,是一种有效的多参数辨识方法.     

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.     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

基于混沌粒子群算法的连铸传热模型参数辨识

针对连铸传热模型参数辨识问题中包含偏微分方程所带来的复杂性和非线性,提出采用混沌粒子群算法进行优化求解,依据不同位置射钉测量坯壳厚度和二冷外测量铸坯表面温度相结合,优化确定了二冷换热系数和有效导热系数相应参数.最后通过在线计算铸坯表面温度与二冷出口铸坯表面测温比较,结果偏差小于13℃,验证了辨识参数的可靠性.校验后的模型成功应用于连铸机的二冷配水优化和动态控制.     

一种光伏组件I-V特性曲线测试及参数辨识系统

提出一种光伏组件的I-V曲线扫描与参数识别系统.该系统采用功率MOS管作为电子负载,通过控制MOS管的导通程度改变电子负载以实现I-V特性曲线扫描;采用新型布谷鸟-NM单纯形混合算法实现快速、精确的I-V曲线拟合,以提取准确光伏模型参数.现场实验结果表明:该系统能够快速扫描光伏组件的I-V特性曲线,实现精确的模型参数辨识,具有较高的实际工程应用价值.     

基于粒子群优化算法的气动参数在线辨识方法

对再入式高超声速飞行器的气动参数在线辨识方法进行了分析研究,采用滤波器对动态方程进行静态化处理,以简化辨识方法,但同时引入了不确定的滤波器参数.为了减小辨识过程中由滤波器参数选择引起的辨识误差,设计了一种参数选择策略.在常规选择参数的基础上引入了智能优化算法——粒子群优化算法,用以确定合适的滤波器参数值.然后,利用基于带遗忘因子的最小二乘法对时变气动参数进行在线辨识.最后基于SX-2模型进行了相关仿真.结果表明:基于粒子群优化算法的气动参数在线辨识方法与未引入参数选择策略的气动参数在线辨识方法相比,辨识精度得到了一定程度的提高.     

基于改进粒子群算法光伏最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪（maximum power point tracking,MPPT）。粒子群优化算法（particle swarm optimization,PSO）在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为了解决以上的缺陷,本文提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索（cuckoo search,CS）混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,本算法有良好的响应速度和较高的优化精度。     

基于粒子群优化的结构系统识别

研究了使用粒子群优化(PSO)算法进行结构系统识别的方法,该方法的基本思想是将结构系统识别问题描述成一个多峰值非线性非凸的优化问题,通过PSO算法发现系统参数的最优估计.利用该方法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了识别,并与基于遗传算法(GA)的结构系统识别方法进行了比较.数值算例及比较结果表明:PSO方法易于实现且计算时占用资源低,并可以成功地对结构系统进行识别,识别效能十分优越.     

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。     

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。     

基于粒子群优化的快速KNN分类算法

提出了一种有效的快速ｋ近邻分类文本分类算法,即PSOKNN算法,该算法利用粒子群优化方法的随机搜索能力在训练文档集中进行有指导的全局随机搜索. 在搜索ｋ近邻的过程中,粒子群跳跃式移动,掠过大量不可能成为ｋ近邻的文档向量,从而可以快速找到测试样本的ｋ个近邻. 以Reuters 21578文档集分类为例验证算法的有效性,结果表明,保持ｋ近邻法分类精度,新算法比KNN算法降低分类时间70％.     

一种改进的粒子群优化算法

针对粒子群优化算法在迭代后期容易陷入局部最优、收敛速度变慢,精度降低、计算效率变差等缺点,提出了一种改进的粒子群优化算法.此算法通过引入惯性权重来调节粒子的速度变化,动态变化的学习因子来平衡粒子的社会学习能力和自我学习能力.通过测试函数检验,结果显示该算法能够有效摆脱局部最优,整个收敛速度明显变快,精度大幅提高.     

引入四元数理论的改进粒子群算法

为了解决传统粒子群算法存在早熟收敛、搜索空间受限、精度不高等问题,通过四元数理论和粒子群算法,提出了一种改进粒子群算法.该算法以树状拓扑结构为基础建立邻域结构,速度公式中分别使用粒子三部分的记忆值,即自身最佳、局部最佳及全局最佳,同时在"社会"部分加入以四元数为模型的三者之间关系项,这样既能记录三者单纯的比较结果,又可以记录三者之间的关联关系.最后,分别从理论证明、实验仿真和实际物理实验三个方面验证算法的收敛性及有效性.结果表明:提出的新算法在某些测试函数中可收敛于全局最优值,在其余的几种测试函数中,该方法的平均值也要比其他三种算法更接近于全局最优,同时在图像的对比度增强的应用上具有很明显的优势.     

基于改进粒子群算法的测试用例优先排序

针对标准粒子群算法优化过程中易早熟及后期收敛速度慢的缺点,提出了一种改进粒子群算法用于测试用例优先排序。首先,采用Tent映射初始化粒子种群,提高初始解质量;其次,给出了一种自适应调整因子公式,使调整因子与该粒子的适应度值大小相关,以更新粒子速度与位置信息;最后,对惰性粒子进行混沌搜索优化,提高种群的多样性,保证算法较好的收敛速度及寻优能力;实验结果表明,提出的改进方法在缺陷检测率、测试用例语句覆盖率和有效执行时间等方面均有优势。     

一种改进的粒子群优化算法

标准粒子群算法能够解决各类优化问题,得到了广泛的应用,也引起很多研究人员的关注.为了提高全局搜索能力,使其不易陷入局部最优,提出了一种新的优化策略.首先,采用了佳粒子的概念,每次更新时,对所有粒子进行排序;然后,在此基础上,对所有的粒子进行评估,衡量每个粒子是否可以保留;最后,删除那些不符合保留要求的粒子,同时生成相应数目的新的粒子,以保持种群的规模,从而提高种群的整体适应性能.实验数据表明,新算法提高了算法的性能,具有更好的全局性能.