针对灰狼优化算法(Grey Wolf Optimization,GWO)在收敛性研究上的不足,首先,通过定义灰狼群状态转移序列,建立了GWO算法的马尔科夫(Markov)链模型,通过分析Markov链的性质,证明它是有限齐次Markov链;其次,通过分析灰狼群状态序列最终转...针对灰狼优化算法(Grey Wolf Optimization,GWO)在收敛性研究上的不足,首先,通过定义灰狼群状态转移序列,建立了GWO算法的马尔科夫(Markov)链模型,通过分析Markov链的性质,证明它是有限齐次Markov链;其次,通过分析灰狼群状态序列最终转移状态,结合随机搜索算法的收敛准则,验证了GWO算法的全局收敛性;最后,对典型测试函数、偏移函数及旋转函数进行仿真实验,并与多种群体智能算法进行对比分析.实验结果表明,GWO算法具有全局收敛性强、计算耗时短和寻优精度高等优势.展开更多
为有效提高风电功率预测的精度,提出一种基于特征选择及误差修正的风电功率预测方法。综合分析风速、温/湿度、风向等特征对风电出力的影响,提出了正交化最大信息系数(orthogonalization maximal information coefficient,OMIC)结合预...为有效提高风电功率预测的精度,提出一种基于特征选择及误差修正的风电功率预测方法。综合分析风速、温/湿度、风向等特征对风电出力的影响,提出了正交化最大信息系数(orthogonalization maximal information coefficient,OMIC)结合预测模型的特征选择方法,可优选出适配于预测模型的特征维数。针对预测模型训练中会产生的固有误差,提出用动态模态分解(dynamic mode decomposition,DMD)来跟踪误差数据的时空模态,DMD最大的优点在于其数据驱动性质,不依赖于任何参数设定以及先验假设,可以实现更快捷、简便的误差预测。通过特征选择、误差修正来优化预测模型,以取得更精确的预测结果。基于北方某风电场单台风机实际数据,将所提方法与深度学习模型结合进行预测,并对比了相关预测指标,仿真结果表明本文所提方法能够有效提升预测精度。展开更多
文摘针对灰狼优化算法(Grey Wolf Optimization,GWO)在收敛性研究上的不足,首先,通过定义灰狼群状态转移序列,建立了GWO算法的马尔科夫(Markov)链模型,通过分析Markov链的性质,证明它是有限齐次Markov链;其次,通过分析灰狼群状态序列最终转移状态,结合随机搜索算法的收敛准则,验证了GWO算法的全局收敛性;最后,对典型测试函数、偏移函数及旋转函数进行仿真实验,并与多种群体智能算法进行对比分析.实验结果表明,GWO算法具有全局收敛性强、计算耗时短和寻优精度高等优势.
