基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration, ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm, GA)和粒子群优化算法(particle swarm optimization, PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果...     

基于光伏发电量预测的含氢储能微网分段优化调度

针对多储能微网如何高效、经济运行,搭建了基于光伏发电的含氢储能、蓄电池储能的微网系统,采用一种日前预测调度与日内实时调度相结合的分段调度策略。在日前预测调度阶段,采用基于麻雀搜索算法优化支持向量机模型提高对日前的光伏发电量和负荷预测的精度,以微网最小使用成本为目标,考虑系统运行的可靠性,采用改进粒子群算法制定微网的日前最优调度策略。在日内调度阶段,考虑氢储能系统的响应延迟特性,以蓄电池为灵活补充元件,制定实时调整微网运行策略,消除预测误差带来的影响。最后,结合实际算例分析,验证了分段优化调度的可行性。结果表明,提出的方法能够有效预测数据,减少微网调度的响应时间,提高系统运行的经济性和稳定性。     

基于MST-改进PSO的电-气-热综合能源系统负荷恢复策略

以往故障恢复的研究大多集中在配电网方面且恢复目标仅为单一的负荷恢复量,未考虑资源成本以及能源消耗的 环境保护成本等。对此,本文提出了一种多侧协调优化的多目标负荷恢复策略,该方法不仅实现了网络的重构、较高等级负荷的优先恢复,还实现了系统运行成本最优。在系统发生故障后,分两阶段进行恢复：首先,使用最小生成树对系统结构进行改造,实现系统网络的重构,形成可恢复负荷的最终区域;然后,综合考虑源侧资源购买成本、用户侧切负荷补偿成本以及碳排放环保成本等,构建优化目标函数,使用改进粒子群算法对其进行求解,得到最终恢复方案。通过33节点配电网、14节点气网和6节点热网测试系统仿真,验证了该负荷恢复策略的有效性。     

平面黏弹性力学问题的插值型重构核粒子法

插值型重构核粒子法的形函数结合了包含Kronecker delta特性的简单函数和由基函数向量采用重构条件构造的增强函数,并且具有点插值特性和不低于核函数的高阶光滑性.该方法可直接施加本质边界条件,同时也保证了较高的计算精度.基于插值型重构核粒子法,文章提出了一种求解平面黏弹性力学问题的新方法.采用弹性-黏弹性对应原理和Laplace变换,将黏弹性问题转化为Laplace域内的准弹性问题,并采用插值型重构核粒子法进行求解,然后借助Laplace数值逆变换求得黏弹性问题的解.数值算例验证了本文所提方法的有效性.     

停机位分配的多商品网络流模型及离散粒子群算法

本文建立了停机位分配的多商品网络流模型,并以航空器总场面运行时间最小为目标,建立数学模型。将机场场面分为若干区域,建立区域—机位两级分配策略,以降低问题规模。设置机位外等待时间,以省去区域容量相关约束。在传统粒子群算法的基础上,设计离散粒子群算法,对模型进行求解。选取乌鲁木齐机场某日240架航班和109个机位进行实验,证明了与现有研究中的典型模型相比,多商品网络流模型能使运算时间减少10.1%,并能达到与典型模型相同的精度。全空域和机场模型(total airspace and airport modeller, TAAM)仿真结果表明,和现行机位分配方案相比,多商品网络流模型的机位分配结果能使航空器的场面调配运行时间减少7.49%,延误时间减少8.87%。算例结果进一步表明,提高机场场面运行效率的关键在于均衡航班的进离港滑行距离,同时避免停机位密集分布。     

基于粒子群优化的升降机驱动装置控制策略

针对由于施工升降机驱动装置存在非线性因素,导致吊笼驱动装置运动精度低和响应慢的问题,提出了一种基于粒子群优化的比例、积分和微分(proportional integral derivative, PID)控制策略。首先,建立异步电机的矢量变频控制模型,基于MATLAB/Simulink通过偏差耦合控制策略实现三电机同步控制模型搭建,并设计了粒子群PID控制器以及模糊PID控制器;然后在ADAMS软件中建立驱动装置的虚拟样机,通过ADAMS的Controls接口模块与MATLAB实现机电联合仿真;最后根据施工升降机实际运行工况进行联合仿真验证并分析控制策略可行性。研究结果表明：粒子群PID控制器提升了吊笼位置控制精度与响应速度,粒子群优化PID系统响应时间相较于PID控制系统提升38%,相比模糊PID提升6%,系统稳态误差分别提升62%、98%,满足实际运行需求。     

基于改进的变权缓冲灰色模型在沉降预测中的应用

针对灰色模型在中后期沉降预测中的精度问题,提出了单、双权幂函数弱化缓冲算子,并结合变权背景值建立改进的变权缓冲GM(1,1)模型。证明了新算子能提高光滑性、缩小级比偏差,实现对原始沉降数据的预处理。对于模型中的权值采用以还原值与原始值平均相对误差最小为目标的粒子群优化算法确定。最后,以高填方机场地表沉降数据预测为例,验证所提改进模型的有效性。结果表明：新算子能够有效弱化沉降序列受到的冲击扰动影响,结合变权背景值能显著提高灰色模型在中后期沉降预测中的精度。此外,对新算子的权值进行限定后,可得到两种不同的变权弱化缓冲算子。     

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Kriging算法与PSO算法的桁架机器人横梁模块智能优化设计方法

桁架机器人搬运能力强、操作方便、定位精度高,在制造业中具有极其重要的作用。 针对桁架机器人自重大而导致的运行稳定性较差和材料冗余等问题进行结构优化设计研究。目前桁架机器人的结构优化设计研究有限元仿真有限元仿真调用次数多,时间损耗大,优化效率低。针对此问题,在分析了桁架机器人横梁部件尺寸、负载与应力、形变之间的关系后,提出了一种基于Kriging模型与粒子群算法的结构优化设计方法,可以有效减少有限元仿真的调用次数,节约时间,提高优化设计效率。