期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
电力系统无功优化的反向优化差分进化算法 被引量:11
1
作者 马立新 王守征 +1 位作者 吕新慧 屈娜娜 《控制工程》 CSCD 北大核心 2010年第6期803-806,810,共5页
电力系统无功优化问题是一个复杂的多目标、多约束、非线性的混合整数优化问题,针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,首次引入反向优化差分进化算法应用于解决电力系统无功优化问题。反向优化差分进化算法利用基于... 电力系统无功优化问题是一个复杂的多目标、多约束、非线性的混合整数优化问题,针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,首次引入反向优化差分进化算法应用于解决电力系统无功优化问题。反向优化差分进化算法利用基于反向的优化对种群进行初始化,可以获得适应度更优的个体,从而加快了收敛速度;根据一定的跳变率,对种群逐代进行动态跳变,增加了种群的多样性,可以避免算法陷入局部最优解。以系统的有功网损最小为目标函数同时兼顾电压的合理分布,对IEEE-14节点系统进行了无功优化仿真计算,并与其他优化算法进行了比较,结果表明该算法具有较强的全局寻优能力,且收敛速率较快,收敛精度高,鲁棒性好,可较好地解决电力系统无功优化问题。 展开更多
关键词 电力系统 无功优化 反向优化差分进化算法
在线阅读 下载PDF
基于改进鲸鱼算法的微网复合储能系统容量优化配置 被引量:35
2
作者 李玲玲 王鑫 +2 位作者 郎永波 贾立凯 王昕 《电测与仪表》 北大核心 2019年第16期104-110,共7页
针对微电网中分布式电源存在的随机性与间歇性等特征,提出了一种微网复合储能容量优化配置的方法,以保证微电网经济可靠运行。该方法以复合储能系统全寿命周期成本最低、平滑可再生能源功率波动效果最好以及微网联络线利用率最高为目标... 针对微电网中分布式电源存在的随机性与间歇性等特征,提出了一种微网复合储能容量优化配置的方法,以保证微电网经济可靠运行。该方法以复合储能系统全寿命周期成本最低、平滑可再生能源功率波动效果最好以及微网联络线利用率最高为目标,建立复合储能容量优化配置模型。在此模型的基础上,采用文章改进的差分进化鲸鱼算法求解得到复合储能系统容量最优配置。最后,通过算例将改进的算法结果与基本的鲸鱼算法、粒子群算法进行对比,验证了差分进化鲸鱼算法可以更合理地配置复合储能容量,使风光功率波动得到更有效的平抑,同时微网联络线利用率也得到了提高,实现了资源的合理利用。 展开更多
关键词 复合储能 容量配置 多目标优化 差分进化鲸鱼优化算法
在线阅读 下载PDF
V2G模式下基于SaDE-BBO算法的有源配电网优化 被引量:6
3
作者 李伟豪 杨伟 +1 位作者 左逸凡 李娇 《电力工程技术》 北大核心 2023年第4期41-49,共9页
为了解决大规模电动汽车入网难以实现个体调度以及集群调度存在“维数灾”的问题,建立基于车辆到电网(vehicle-to-grid,V2G)模式的有源配电网分层分区优化运行模型。其中,上层优化模型对电动汽车集控中心(electric vehicle agent,EVA)... 为了解决大规模电动汽车入网难以实现个体调度以及集群调度存在“维数灾”的问题,建立基于车辆到电网(vehicle-to-grid,V2G)模式的有源配电网分层分区优化运行模型。其中,上层优化模型对电动汽车集控中心(electric vehicle agent,EVA)进行调度,优化各区域EVA的充放电功率并作为下层优化模型的输入;下层优化模型调整各调压方式。在优化算法方面,提出一种自适应差分进化-生物地理学优化(self-adaptive differential evolution-biogeography-based optimization,SaDE-BBO)算法,并在改进的IEEE 33节点配电系统中进行仿真分析。结果表明:在不同充电控制策略下,V2G模式与各调压方式的协调互动在降低各区域EVA运营成本、平抑负荷波动以及保证有源配电网的安全和经济运行方面优势显著,与其他优化算法相比,SaDE-BBO算法具有更优质的解和更好的收敛性。 展开更多
关键词 车辆到电网(V2G) 分布式电源 有源配电网 分层分区 优化运行 自适应差分进化-生物地理学优化(SaDE-BBO)算法
在线阅读 下载PDF
基于LMD和DE-PNN的高压断路器机械故障识别方法 被引量:5
4
作者 陈佳豪 吴浩 +2 位作者 胡潇涛 顾小平 宋弘 《计算机应用与软件》 北大核心 2023年第6期57-62,165,共7页
为了克服基于声音信号的断路器机械故障难以诊断的问题,提出一种基于局域均值分解(LMD)和差分进化算法(DE)优化后的概率神经网络(PNN)的断路器故障诊断方法。通过模拟故障发生条件采集传动机构卡涩、基座螺丝松动、合闸弹簧储能不足、... 为了克服基于声音信号的断路器机械故障难以诊断的问题,提出一种基于局域均值分解(LMD)和差分进化算法(DE)优化后的概率神经网络(PNN)的断路器故障诊断方法。通过模拟故障发生条件采集传动机构卡涩、基座螺丝松动、合闸弹簧储能不足、正常合闸四种状态的声音数据,对采集到的数据进行LMD分解并利用皮尔逊相关系数法进行信号重构,计算重构信号的分段能量熵构成故障诊断特征向量。利用差分进化算法优化的概率神经网络对训练集进行训练,将测试集输入模型进行测试,实现断路器机械故障诊断。实验结果表明,基于LMD-DE-PNN的高压断路器机械故障诊断方法相较于传统断路器故障诊断方法能快速有效地识别断路器机械故障。 展开更多
关键词 机械故障诊断 声音信号 局域均值分解 差分进化优化算法 概率神经网络
在线阅读 下载PDF
Design and optimization in multiphase homing trajectory of parafoil system 被引量:3
5
作者 高海涛 陶金 +1 位作者 孙青林 陈增强 《Journal of Central South University》 SCIE EI CAS CSCD 2016年第6期1416-1426,共11页
In order to realize safe and accurate homing of parafoil system,a multiphase homing trajectory planning scheme is proposed according to the maneuverability and basic flight characteristics of the vehicle.In this scena... In order to realize safe and accurate homing of parafoil system,a multiphase homing trajectory planning scheme is proposed according to the maneuverability and basic flight characteristics of the vehicle.In this scenario,on the basis of geometric relationship of each phase trajectory,the problem of trajectory planning is transformed to parameter optimizing,and then auxiliary population-based quantum differential evolution algorithm(AP-QDEA)is applied as a tool to optimize the objective function,and the design parameters of the whole homing trajectory are obtained.The proposed AP-QDEA combines the strengths of differential evolution algorithm(DEA)and quantum evolution algorithm(QEA),and the notion of auxiliary population is introduced into the proposed algorithm to improve the searching precision and speed.The simulation results show that the proposed AP-QDEA is proven its superior in both effectiveness and efficiency by solving a set of benchmark problems,and the multiphase homing scheme can fulfill the requirement of fixed-points and upwind landing in the process of homing which is simple in control and facile in practice as well. 展开更多
关键词 parafoil system multiphase homing trajectory design and optimization differential evolution algorithm (DEA) quantum evolution algorithm (QEA) auxiliary population
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部