国家教育部博士点基金(20120036120013)
- 作品数：6 被引量：195H指数：4
- 相关作者：王东风孟丽赵文杰牛成林黄金山更多>>
- 相关机构：华北电力大学神华国华(北京)电力研究院有限公司更多>>
- 发文基金：国家教育部博士点基金中央高校基本科研业务费专项资金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术电气工程理学更多>>
- 小波分解层数及其组合分量对短期风速多步预测的影响分析被引量：18
- 2014年
- 针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。
- 王东风王富强牛成林
- 关键词：风速预测小波分解RBF网络时间序列多步预测
- 粒子群优化算法的性能分析和参数选择被引量：114
- 2016年
- 惯性权重和加速因子是影响粒子群算法优化性能的重要参数.基于常用的12个测试函数,本文通过实验研究了不同参数组合下粒子的探索能力和算法的优化性能,在此基础上推荐了一组固定的参数组合.通过惯性权重和加速因子的不同变化策略组合对算法性能影响的实验分析,推荐了一种变化的参数设置方法.基于CEC2015发布的15个基准函数进一步验证了本文推荐的参数选取方法的有效性.最后讨论了粒子群优化(Particle swarm optimization,PSO)算法在连续优化和离散优化方面的应用问题.
- 王东风孟丽
- 关键词：粒子群优化参数选取
- 基于粒子群和辅助变量法的分数阶系统辨识被引量：7
- 2016年
- 针对噪声环境下分数阶系统的频域辨识问题,提出了一种结合粒子群优化算法和递推辅助变量法的辨识方法.首先将递推辅助变量法扩展到分数阶系统的频域辨识中,再将辅助变量法的抗噪声特性和粒子群算法的全局寻优能力相结合,采用粒子群算法辨识系统的阶次参数,并利用辅助变量法估计系统的分子分母多项式系数,完成了噪声环境下分数阶系统的阶次和分子分母多项式系数的整体辨识.仿真实验和对电网络阻抗的辨识实例表明了本文提出的辨识方法不仅适用于同元次分数阶系统,也适用于一般形式的分数阶系统.
- 王东风孟丽
- 关键词：分数阶系统频域辨识粒子群算法
- 基于二次优化的随机优化算法结果的改进被引量：2
- 2015年
- 统计研究发现,随机优化算法多次运行后的优化结果满足正态分布,且期望值更接近最优解.为此,提出一种基于统计学理论并结合牛顿法的二次优化方法来改进随机优化算法的求解结果,以克服将多次优化结果的平均值作为最优解时不能满足精度要求的缺陷.以遗传算法对4个经典测试函数的多次优化为例,分别运用平均法和二次优化法来综合其优化结果.多次实验表明,二次优化法在处理多次随机运行结果时,比平均法精度更高、稳定性更好.
- 王东风黄金山
- 关键词：遗传算法牛顿法
- 电站锅炉再热蒸汽温度的燃烧器摆角和喷水减温协调预测控制被引量：4
- 2018年
- 针对目前再热汽温控制系统中存在的局限性,从控制算法和切换逻辑2个方面对锅炉再热蒸汽温度控制进行改进,设计了一种使用燃烧器摆角和喷水减温作为再热蒸汽温度调节手段的协调预测控制方法,并将改进后的方法与常规预测控制和串级PID控制进行对比。结果表明:所提出的预测控制方法能实现燃烧器摆角和喷水减温控制的平滑无扰切换,提高了系统的调节性能和稳定性,大大减少了燃烧器摆角调节系统与喷水减温调节系统之间的来回切换次数。
- 王东风李玲王玉华
- 关键词：电站锅炉再热蒸汽温度喷水减温预测控制
- 基于自适应搜索中心的骨干粒子群算法被引量：50
- 2016年
- 该文在对标准粒子群算法(Particle Swarm Optimization,PSO)和骨干粒子群算法(Bare Bones Particle Swarm Optimization,BBPSO)中粒子位置的概率密度函数进行分析比较的基础上,对BBPSO进行了改进,并证明了改进算法以概率1收敛于全局最优解.在改进算法中,主要包括如下策略:(1)基于粒子间适应值的差异,提出一种对粒子位置高斯采样均值的自适应调整策略,分析了其作用机理,提出的搜索中心自适应调整策略增加了粒子分布中心的分散度,减缓粒子在中心的聚集趋势;(2)提出了一种"镜像墙"的越界粒子处理方法,该方法能够大幅度地提高算法找到最优解的概率;(3)粒子在不同的进化时期按不同的拓扑结构选取榜样粒子:算法前期主要采用随机结构以增加群体的多样性,算法后期主要采用全局结构以使得搜索更加精细.将该文提出的算法与多种形式的改进PSO,如GPSO(Global PSO)、LPSO(Local PSO)、FIPS(Fully Informed Particle Swarm)、CLPSO(Comprehensive Learning PSO)、HPSO-TVAC(Hierarchical PSO with Time-Varying Acceleration Coefficients)、APSO(Adaptive PSO)、DMS-PSO(Dynamic Multi-Swarm PSO)、OPSO(Orthogonal PSO)、OLPSO(Orthogonal Learning PSO)、ALC-PSO(PSO with an Aging Leader and Challengers)等,以及BBPSO的标准版本和改进版本,如BBJ2(BBPSO with Jumps)、ABPSO(Adaptive BBPSO)、SMA-BBPSO(BBPSO with Scale Matrix Adaptation)等,对CEC2013标准函数进行测试,对实验数据进行非参数检验,结果表明该文改进算法的综合表现要优于其他算法.
- 王东风孟丽赵文杰
- 关键词：粒子群算法概率密度
