CN115375204B - 一种车载智能微电网性能评估方法 - Google Patents

一种车载智能微电网性能评估方法 Download PDF

Info

Publication number
CN115375204B
CN115375204B CN202211306323.4A CN202211306323A CN115375204B CN 115375204 B CN115375204 B CN 115375204B CN 202211306323 A CN202211306323 A CN 202211306323A CN 115375204 B CN115375204 B CN 115375204B
Authority
CN
China
Prior art keywords
search
vehicle
search agent
mounted intelligent
intelligent micro
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211306323.4A
Other languages
English (en)
Other versions
CN115375204A (zh
Inventor
马晓军
陈克伟
魏曙光
袁东
张嘉曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN202211306323.4A priority Critical patent/CN115375204B/zh
Publication of CN115375204A publication Critical patent/CN115375204A/zh
Application granted granted Critical
Publication of CN115375204B publication Critical patent/CN115375204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种车载智能微电网性能评估方法，包括以下步骤：根据车载智能微电网性能的评估指标和原始数据构建车载智能微电网性能评估的数据集；利用数据集计算SVM的分类准确率，将5折交叉验证SVM的分类准确率作为目标函数，并确定惩罚因子C和RBF核函数参数g的上下限；根据目标函数，通过改进瞬态搜索优化算法对惩罚因子C和RBF核函数参数g进行搜索，获得最优参数；将最优的惩罚因子C和RBF核函数参数g作为SVM参数建立车载智能微电网性能评估模型；将待评估的车载智能微电网原始数据，输入到训练后的车载智能微电网性能评估模型，获得评估结果；该方法克服了瞬态搜索优化算法存在的几点不足，能够显著提升车载智能微电网性能评估的效果。

Description

一种车载智能微电网性能评估方法
技术领域
本发明涉及车载智能微电网技术领域，具体涉及一种车载智能微电网性能评估方法。
背景技术
车载智能微电网技术是陆战平台制胜的关键技术之一。综合考虑军事需求、应用环境、车辆底盘结构、系统的可移植性和可扩展性等诸多要素的前提下，深入研究车载智能微电网技术特点、评估其性能是进一步开展车载智能微电网设计与优化的基础工作。
支持向量机(Support vector machine，SVM) 作为机器学习的研究内容之一，是在电力领域等性能评估中应用非常广泛的一种方法。例如，陈卫东等人研究了一种基于模糊最小二乘支持向量机的微电网群状态评估方法（陈卫东,梁朔,肖园园,郭敏.基于模糊最小二乘支持向量机的微电网群状态评估方法[J].电力系统自动化,2019,43(02):76-82.）；尹晓敏等人发明了一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法（尹晓敏,杨延勇,王华莹,许强,朱辉,赵飞桃,董丽丽,雷霞,丁吉,吴卓聪.一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法[P].山东省：CN109165819B,2021-09-14.）；陈金水等人发明了一种基于DEA和SVM的电网运维效率评价方法（陈金水,王帅威,林巍,杨秦敏,卢建刚. 一种基于DEA和SVM的电网运维效率评价方法[P]. 浙江：CN108009750A,2018-05-08.）；智勇等人发明了一种基于交叉熵理论优化支持向量机的电力系统风险评估方法（智勇,拜润卿,郑伟,祁莹,郝如海,刑延东,龚庆武,方金涛,刘栋,高磊,刘文飞,陈仕彬,史玉杰,张彦凯,张海龙,崔力心,陈力. 基于交叉熵理论优化支持向量机的电力系统风险评估方法[P]. 甘肃省：CN109214708B,2022-04-29.）。
在SVM训练过程中，SVM的惩罚因子C和RBF核函数参数g的选择质量，直接影响最终的微电网性能评估结果的精度。智能优化算法是一种有效SVM模型参数优化方法。瞬态搜索优化算法（Transient search optimization algorithm，TSOA）是一种模拟包含电感和电容等存储元件的开关电路瞬态行为的新型智能优化算法，同样可以应用于车载智能微电网性能评估问题。但是，瞬态搜索优化算法存仍然存在有一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行车载智能微电网性能评估时，往往达不到理想的评估效果。
发明内容
为解决上述问题，本发明提供一种车载智能微电网性能评估方法，克服了瞬态搜索优化算法存在的几点不足，能够显著提升车载智能微电网性能评估的效果。
为实现上述目的，本发明提供了如下的技术方案。
一种车载智能微电网性能评估方法，包括以下步骤：
根据车载智能微电网性能的评估指标和原始数据构建车载智能微电网性能评估的数据集；利用数据集计算SVM的分类准确率，将5折交叉验证SVM的分类准确率作为目标函数，并确定惩罚因子C和RBF核函数参数g的上下限；
根据目标函数，通过改进瞬态搜索优化算法对惩罚因子C和RBF核函数参数g进行搜索，获得最优参数；
将最优的惩罚因子C和RBF核函数参数g作为SVM参数建立车载智能微电网性能评估模型；
将待评估的车载智能微电网原始数据，输入到训练后的车载智能微电网性能评估模型，获得评估结果；
其中，所述改进瞬态搜索优化算法引入高斯映射进行搜索代理种群位置的初始化，并引入交流学习机制和预警机制优化原搜索代理的位置更新方式；所述改进瞬态搜索优化算法还包括，将最优搜索代理通过双向sine混沌映射进行变异。
优选地，所述数据集包括训练数据集和测试数据集；通过训练数据集和测试数据集对车载智能微电网性能评估模型进行训练，获得训练后的车载智能微电网性能评估模型。
优选地，所述高斯映射进行搜索代理种群位置的初始化，包括以下步骤：
通过高斯映射产生随机数x t ：
Figure 114051DEST_PATH_IMAGE001
利用产生的高斯随机数x t 初始化搜索代理位置：
Figure 936514DEST_PATH_IMAGE002
式中，mod(·)为求余函数，LB为搜索代理寻优下边界；UB为搜索代理寻优上边界；X(0)是初始搜索代理的位置。
优选地，所述引入交流学习机制和预警机制优化原搜索代理的位置更新方式，包括以下步骤：
引入交流学习机制，改进后的搜索代理位置更新公式如下：
Figure 141230DEST_PATH_IMAGE003
其中：
Figure 340130DEST_PATH_IMAGE004
Figure 9009DEST_PATH_IMAGE005
Figure 189324DEST_PATH_IMAGE006
式中，
Figure 943653DEST_PATH_IMAGE007
和
Figure 680665DEST_PATH_IMAGE008
为随机学习权重，能够调节搜索代理的向最优搜索代理学习和向种群内部其他搜索代理学习的影响，总和为1；
Figure 204050DEST_PATH_IMAGE009
表示从搜索代理种群内部挑选的其他搜索代理；
Figure 571577DEST_PATH_IMAGE010
为第t+1次迭代的搜索代理的位置；
Figure 813203DEST_PATH_IMAGE011
表示第t次迭代的搜索代理的最佳位置；
Figure 88326DEST_PATH_IMAGE012
为当前第t次迭代的搜索代理的位置；
Figure 731797DEST_PATH_IMAGE013
和T为随机的热阻系数；
Figure 66964DEST_PATH_IMAGE014
为衰减系数，随着迭代次数从2逐渐减小为0；
Figure 982836DEST_PATH_IMAGE015
为常数（k=0,1,2…)；
Figure 61651DEST_PATH_IMAGE016
、
Figure 559628DEST_PATH_IMAGE017
和
Figure 331275DEST_PATH_IMAGE018
为[0,1]内的随机数；Miter为预设迭代次数；
引入预警机制，假设可以意识到危险的搜索代理占总搜索代理数量的10%到20%，这些搜索代理的初始位置是在种群中随机产生的，则意识到危险的搜索代理的位置公式如下：
Figure 219596DEST_PATH_IMAGE019
式中，
Figure 102102DEST_PATH_IMAGE020
为第t+1次迭代第i个搜索代理位置
Figure 454586DEST_PATH_IMAGE021
的第j维；
Figure 397134DEST_PATH_IMAGE022
为当前第t次迭代第i个搜索代理位置
Figure 835069DEST_PATH_IMAGE023
的第j维；
Figure 442636DEST_PATH_IMAGE024
表示第t次迭代的最优位置
Figure 915206DEST_PATH_IMAGE025
的第j维；
Figure 28655DEST_PATH_IMAGE026
表示第t次迭代的最差位置
Figure 953886DEST_PATH_IMAGE027
的第j维；
Figure 115877DEST_PATH_IMAGE028
是步长控制参数，服从均值为0、方差为1的正态分布的随机数；
Figure 177374DEST_PATH_IMAGE029
为[0,1]内的随机数，表示搜索代理的移动方向，同时也是步长控制参数；
Figure 461725DEST_PATH_IMAGE030
为当前搜索代理的适应度值；
Figure 874252DEST_PATH_IMAGE031
和
Figure 902251DEST_PATH_IMAGE032
分别为当前全局最大和最小适应度值；
Figure 270784DEST_PATH_IMAGE033
为常数，以避免分母出现零；
其中，当
Figure 460457DEST_PATH_IMAGE034
时，表示搜索代理正处于种群的外围，极其容易受到攻击；当
Figure 360280DEST_PATH_IMAGE035
时，表示处于种群中间的搜索代理意识到了危险，需要向其他搜索代理移动以减低风险；
计算适应度值：
Figure 926390DEST_PATH_IMAGE036
式中，
Figure 165742DEST_PATH_IMAGE037
为计算适应度值时的适应度函数；
记录当次迭代中最优搜索代理和最优适应度函数。
优选地，所述将最优搜索代理通过双向sine混沌映射进行变异，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
Figure 526316DEST_PATH_IMAGE038
Figure 913435DEST_PATH_IMAGE039
式中，rand为0到1的随机数；x 0为迭代序列值；
对最优位置进行变异扰动：
Figure 283236DEST_PATH_IMAGE040
式中：
Figure 173832DEST_PATH_IMAGE041
表示第t+1次迭代的最优位置
Figure 157837DEST_PATH_IMAGE042
的第j维；
贪婪更新：
Figure 766673DEST_PATH_IMAGE043
式中，
Figure 940166DEST_PATH_IMAGE044
为计算适应度值时的适应度函数；
每个维度都进行变异后，停止变异。
本发明的有益效果：
本发明提出一种车载智能微电网性能评估方法，该方法通过引入高斯映射进行搜索代理种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强；该方法对搜索代理的位置更新方式进行了改进，引入交流学习机制和预警机制，综合考虑了本次迭代搜索代理最优位置，随机选择种群内部的其他搜索代理位置、预警搜索代理等因素，并依据不同条件产生新解，实现了算法搜索范围的增大，算法的适应性得以增强；该方法对最优搜索代理利用双向sine混沌映射变异，实现了算法在后期跳出局部最优解的能力。
附图说明
图1是本发明实施例的一种车载智能微电网性能评估方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的一种车载智能微电网性能评估方法，针对TSOA存在的几个问题，提出改进型瞬态搜索优化算法（Improve Transient search optimization algorithm，ITSOA）并用于车载智能微电网性能评估，车载智能微电网性能评估方法的流程如图1所示，具体步骤如下：
S1：根据车载智能微电网性能的评估指标和原始数据，评估指标如网络拓扑结构参数、发电机容量、负载优先级参数、支路容量、最小负载失电量、最小开关操作数等；依此构建车载智能微电网性能评估的数据集，将数据集分为训练数据集和测试数据集。
S2：建立基于改进瞬态搜索优化算法的车载智能微电网性能评估的目标函数funtion。因为是利用训练数据集计算SVM的分类准确率，所以可以将训练数据集的5 折交叉验证SVM的分类准确率作为目标函数，即适应度函数；同时设置相应的约束条件：SVM的惩罚因子C和RBF核函数参数g的上下限。
S3：进行参数设置，主要包括：搜索代理种群的大小（即搜索代理个体的数量）N；迭代的最大次数（即迭代停止的条件）Miter；搜索代理寻优下边界LB；搜索代理寻优上边界UB。
S4：利用高斯映射初始化搜索代理种群位置。
通过高斯映射产生随机数x t ：
Figure 950847DEST_PATH_IMAGE001
利用产生的高斯随机数初始化搜索代理位置：
Figure 856486DEST_PATH_IMAGE002
式中，mod(·)为求余函数，LB为搜索代理寻优下边界；UB为搜索代理寻优上边界；X(0)是初始搜索代理的位置。
S5：搜索代理的位置更新。
原始瞬态搜索优化算法中，只利用最优搜索代理位置进行引导，来更新搜索代理位置，为了更加有效的提高搜索代理的全局搜索能力，引入交流学习机制和预警机制，综合考虑了搜索代理的最优位置、随机选择种群内部的其他搜索代理位置、预警机制等因素，避免每次迭代中出现局部最优，进而提高瞬态搜索优化算法的全局搜索能力。
引入交流学习机制，改进后的搜索代理位置更新公式如下：
Figure 952618DEST_PATH_IMAGE003
其中：
Figure 664222DEST_PATH_IMAGE004
Figure 529410DEST_PATH_IMAGE005
Figure 855218DEST_PATH_IMAGE006
式中，
Figure 438646DEST_PATH_IMAGE007
和
Figure 688362DEST_PATH_IMAGE008
为随机学习权重，能够调节搜索代理的向最优搜索代理学习和向种群内部其他搜索代理学习的影响，总和为1；
Figure 673635DEST_PATH_IMAGE009
表示从搜索代理种群内部挑选的其他搜索代理；
Figure 983394DEST_PATH_IMAGE010
为第t+1次迭代的搜索代理的位置；
Figure 991801DEST_PATH_IMAGE011
表示第t次迭代的搜索代理的最佳位置；
Figure 45208DEST_PATH_IMAGE012
为当前第t次迭代的搜索代理的位置；
Figure 884988DEST_PATH_IMAGE013
和T为随机的热阻系数；
Figure 365648DEST_PATH_IMAGE014
为衰减系数，随着迭代次数从2逐渐减小为0；
Figure 845039DEST_PATH_IMAGE015
为常数（k=0,1,2…)；
Figure 702137DEST_PATH_IMAGE016
、
Figure 396424DEST_PATH_IMAGE017
和
Figure 47985DEST_PATH_IMAGE018
为[0,1]内的随机数；Miter为预设迭代次数；
引入预警机制，假设可以意识到危险的搜索代理占总搜索代理数量的10%到20%，这些搜索代理的初始位置是在种群中随机产生的，则意识到危险的搜索代理的位置公式如下：
Figure 30984DEST_PATH_IMAGE019
式中，
Figure 426193DEST_PATH_IMAGE020
为第t+1次迭代第i个搜索代理位置
Figure 974986DEST_PATH_IMAGE021
的第j维；
Figure 63028DEST_PATH_IMAGE022
为当前第t次迭代第i个搜索代理位置
Figure 517012DEST_PATH_IMAGE023
的第j维；
Figure 715912DEST_PATH_IMAGE024
表示第t次迭代的最优位置
Figure 119212DEST_PATH_IMAGE025
的第j维；
Figure 378155DEST_PATH_IMAGE026
表示第t次迭代的最差位置
Figure 132484DEST_PATH_IMAGE027
的第j维；
Figure 807179DEST_PATH_IMAGE028
是步长控制参数，服从均值为0、方差为1的正态分布的随机数；
Figure 330564DEST_PATH_IMAGE029
为[0,1]内的随机数，表示搜索代理的移动方向，同时也是步长控制参数；
Figure 760409DEST_PATH_IMAGE030
为当前搜索代理的适应度值；
Figure 736455DEST_PATH_IMAGE031
和
Figure 464108DEST_PATH_IMAGE032
分别为当前全局最大和最小适应度值；
Figure 107579DEST_PATH_IMAGE033
为常数，以避免分母出现零；
其中，当
Figure 442746DEST_PATH_IMAGE034
时，表示搜索代理正处于种群的外围，极其容易受到攻击；当
Figure 171667DEST_PATH_IMAGE035
时，表示处于种群中间的搜索代理意识到了危险，需要向其他搜索代理移动以减低风险；
计算适应度值：
Figure 250482DEST_PATH_IMAGE036
式中，
Figure 686142DEST_PATH_IMAGE037
为计算适应度值时的适应度函数；
记录当次迭代中最优搜索代理和最优适应度函数。
S6：计算适应度值。
Figure 192210DEST_PATH_IMAGE036
式中，
Figure 408428DEST_PATH_IMAGE037
为计算适应度值时的适应度函数。
S7：记录信息。记录当次迭代中最优搜索代理。
S8：对最优搜索代理，进行逐维度双向sine变异。对于维度j。首先根据当前迭代次数计算sine混沌值。并等概率切换正负方向。
Figure 290933DEST_PATH_IMAGE038
Figure 830368DEST_PATH_IMAGE039
然后对最优位置进行变异扰动
Figure 772916DEST_PATH_IMAGE040
式中：
Figure 210851DEST_PATH_IMAGE041
表示第t+1次迭代的最优位置
Figure 631468DEST_PATH_IMAGE042
的第j维；
贪婪更新：
Figure 104037DEST_PATH_IMAGE045
式中，
Figure 889591DEST_PATH_IMAGE044
为计算适应度值时的适应度函数；
每个维度都进行变异后，停止变异。
S9：记录信息。记录当次迭代中最优搜索代理。
S10：重复执行步骤（5）~（10），达到最大迭代次数Miter后，算法停止，输出最优搜索代理，即得到SVM的最优参数。
S11：以输出的最优参数为SVM参数建立车载智能微电网性能评估模型，并将测试数据集输入该模型中，可以得到车载智能微电网性能的评估结果和评估准确率。
本实施例中：
选取车载智能微电网的 1000 组样本，并随机将其中800组作为训练样本，剩余200组为测试样本。分别采用TSOA-SVM和ITSOA-SVM对车载智能微电网进行性能评估。以MATLAB为仿真平台，TSOA算法中的参数为：N=100，Maxiter=500，C和g的搜索范围均是在0-100 之间，即LB = 0，UB=100；ITSOA算法中的参数为：N=100，Maxiter=500，C和g的搜索范围均是在0-100 之间，即LB = 0，UB=100。
TSOA-SVM模型和ITSOA-SVM模型的评价指标可选取：平均绝对误差（MAE）、平均相对误差（MRE）和均方根误差（RMSE）。如表1所示，与TSOA-SVM比较，ITSOA-SVM对车载智能微电网进行性能评估的准确率要高些，也就是说，ITSOA搜索得到的SVM参数要优于TSOA搜索得到的SVM参数。仿真结果表明，ITSOA算法比TSOA算法搜索能力更强，ITSOA-SVM比TSOA-SVM的评估准确率更高，验证了方法的有效性。
表1.评估方法比较
Figure 814821DEST_PATH_IMAGE046
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种车载智能微电网性能评估方法，其特征在于，包括以下步骤：
根据车载智能微电网性能的评估指标和原始数据构建车载智能微电网性能评估的数据集；利用数据集计算SVM的分类准确率，将5折交叉验证SVM的分类准确率作为目标函数，并确定惩罚因子C和RBF核函数参数g的上下限；
根据目标函数，通过改进瞬态搜索优化算法对惩罚因子C和RBF核函数参数g进行搜索，获得最优参数；
将最优的惩罚因子C和RBF核函数参数g作为SVM参数建立基于SVM的车载智能微电网性能评估模型；
将待评估的车载智能微电网原始数据，输入到训练后的车载智能微电网性能评估模型，获得评估结果；
其中，所述改进瞬态搜索优化算法引入高斯映射进行搜索代理种群位置的初始化，并引入交流学习机制和预警机制优化原搜索代理的位置更新方式；所述改进瞬态搜索优化算法还包括，将最优搜索代理通过双向sine混沌映射进行变异；
所述引入交流学习机制和预警机制优化原搜索代理的位置更新方式，包括以下步骤：
引入交流学习机制，改进后的搜索代理位置更新公式如下：
Figure FDA0003994187770000011
其中：
C(t)＝k·z·λ3+1
T＝2·z·λ2-z
Figure FDA0003994187770000021
式中，α1和α2为随机学习权重，能够调节搜索代理的向最优搜索代理学习和向种群内部其他搜索代理学习的影响，总和为1；Xq(t)表示从搜索代理种群内部挑选的其他搜索代理；X(t+1)为第t+1次迭代的搜索代理的位置；Xbs(t)表示第t次迭代的搜索代理的最佳位置；X(t)为当前第t次迭代的搜索代理的位置；C(t)和T为随机的热阻系数；z为衰减系数，随着迭代次数从2逐渐减小为0；k为常数(k＝0,1,2…)；λ1、λ2和λ3为[0,1]内的随机数；Miter为预设迭代次数；
引入预警机制，假设可以意识到危险的搜索代理占总搜索代理数量的10％到20％，这些搜索代理的初始位置是在种群中随机产生的，则意识到危险的搜索代理的位置公式如下：
Figure FDA0003994187770000022
式中，Xi,j(t+1)为第t+1次迭代第i个搜索代理位置Xi(t+1)的第j维；Xi,j(t)为当前第t次迭代第i个搜索代理位置Xi(t)的第j维；Xbs(j)(t)表示第t次迭代的最优位置Xbs(t)的第j维；Xwt(j)(t)表示第t次迭代的最差位置Xwt(t)的第j维；β是步长控制参数，服从均值为0、方差为1的正态分布的随机数；η为[0,1]内的随机数，表示搜索代理的移动方向，同时也是步长控制参数；Fi为当前搜索代理的适应度值；Fg和Fw分别为当前全局最大和最小适应度值；ε为常数，以避免分母出现零；
其中，当Fi＞Fg时，表示搜索代理正处于种群的外围，极其容易受到攻击；当Fi＝Fg时，表示处于种群中间的搜索代理意识到了危险，需要向其他搜索代理移动以减低风险；
计算适应度值；
fitness(t)＝F(X(t+1))
式中，F(·)为计算适应度值时的适应度函数；
记录当次迭代中最优搜索代理和最优适应度函数。
2.根据权利要求1所述的一种车载智能微电网性能评估方法，其特征在于，所述数据集包括训练数据集和测试数据集；通过训练数据集和测试数据集对车载智能微电网性能评估模型进行训练，获得训练后的车载智能微电网性能评估模型。
3.根据权利要求1所述的一种车载智能微电网性能评估方法，其特征在于，所述高斯映射进行搜索代理种群位置的初始化，包括以下步骤：
通过高斯映射产生随机数xt：
Figure FDA0003994187770000031
利用产生的高斯随机数xt初始化搜索代理位置：
X(0)＝(UB-LB)×xt+LB
式中，mod(·)为求余函数，LB为搜索代理寻优下边界；UB为搜索代理寻优上边界；X(0)是初始搜索代理的位置。
4.根据权利要求1所述的一种车载智能微电网性能评估方法，其特征在于，所述将最优搜索代理通过双向sine混沌映射进行变异，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
SinValue＝sin(πx0)
Figure FDA0003994187770000041
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Xbs(j)(t+1)'＝Xbs(j)(t+1)+SinValue×Xbs(j)(t+1)
式中：Xbs(j)(t+1)表示第t+1次迭代的最优位置Xbs(t+1)的第j维；
贪婪更新：
Figure FDA0003994187770000042
每个维度都进行变异后，停止变异。
CN202211306323.4A 2022-10-25 2022-10-25 一种车载智能微电网性能评估方法 Active CN115375204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211306323.4A CN115375204B (zh) 2022-10-25 2022-10-25 一种车载智能微电网性能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211306323.4A CN115375204B (zh) 2022-10-25 2022-10-25 一种车载智能微电网性能评估方法

Publications (2)

Publication Number Publication Date
CN115375204A CN115375204A (zh) 2022-11-22
CN115375204B true CN115375204B (zh) 2023-02-03

Family

ID=84072539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211306323.4A Active CN115375204B (zh) 2022-10-25 2022-10-25 一种车载智能微电网性能评估方法

Country Status (1)

Country Link
CN (1) CN115375204B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663436B (zh) * 2023-08-02 2023-10-27 中国人民解放军陆军装甲兵学院 一种基于智能优化算法的车载电源系统参数匹配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598915A (zh) * 2019-08-23 2019-12-20 广东工业大学 一种热电联供的微电网经济优化方法
CN112329934A (zh) * 2020-11-17 2021-02-05 江苏科技大学 一种基于改进麻雀搜索算法的rbf神经网络优化算法
CN113867369A (zh) * 2021-12-03 2021-12-31 中国人民解放军陆军装甲兵学院 一种基于交流学习的海鸥算法的机器人路径规划方法
CN115204316A (zh) * 2022-09-07 2022-10-18 中国人民解放军陆军装甲兵学院 一种基于支持向量机的车载网络故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682682A (zh) * 2016-10-20 2017-05-17 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN115099673A (zh) * 2022-07-13 2022-09-23 北京石油化工学院 一种危险化学品库房火灾动态智能风险评估的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598915A (zh) * 2019-08-23 2019-12-20 广东工业大学 一种热电联供的微电网经济优化方法
CN112329934A (zh) * 2020-11-17 2021-02-05 江苏科技大学 一种基于改进麻雀搜索算法的rbf神经网络优化算法
CN113867369A (zh) * 2021-12-03 2021-12-31 中国人民解放军陆军装甲兵学院 一种基于交流学习的海鸥算法的机器人路径规划方法
CN115204316A (zh) * 2022-09-07 2022-10-18 中国人民解放军陆军装甲兵学院 一种基于支持向量机的车载网络故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Transient search optimization: a new meta-heuristic optimization algorithm;Mohammed H. Qais 等;《Applied Intelligence》;20201101;正文第2.2节 *
基于改进麻雀搜索算法的微电网优化运行;宁春源;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20220215;正文第4.3节 *

Also Published As

Publication number Publication date
CN115375204A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN112217202A (zh) 考虑灵活性投资的分布式新能源、储能与配电网规划方法
CN115375204B (zh) 一种车载智能微电网性能评估方法
CN111159922B (zh) 一种电力系统连锁故障的关键线路辨识方法和装置
Guo et al. Research on SOC fuzzy weighted algorithm based on GA‐BP neural network and ampere integral method
CN112990538B (zh) 一种山地光伏电站集电线路确定方法、装置及设备
CN103902814A (zh) 基于动态分区的电力系统运行状态检测方法
Mahdavi et al. Comparing efficiency of PSO with GA in transmission expansion planning considering network adequacy
Mahdavi et al. Transmission expansion planning considering network adequacy and investment cost limitation using genetic algorithm
Zhang et al. Deep reinforcement learning for load shedding against short-term voltage instability in large power systems
Burke et al. A Memetic Algorithm for the Maintenance Scheduling Problem.
Shayeghi et al. DCGA based-transmission network expansion planning considering network adequacy
Kim et al. PMU optimal placement algorithm using topological observability analysis
CN111242403A (zh) 一种充电站充电负荷预测方法、装置设备及存储介质
Rahmani et al. Evolutionary multi-move path-relinking for transmission network expansion planning
Yao et al. Adaptive VDCOL control strategy for the recovery of the UHVDC SPC system
CN118133658A (zh) 车载电磁脉冲装置性能评估方法
CN114219125A (zh) 一种高弹性城市电网多维智能分区方法
Mori et al. A tabu search based approach to (Nk) static contingency selection in power systems
Rahmani et al. A combinatorial approach for transmission expansion & reactive power planning
Matsumoto et al. Connection Phase Estimation of Pole Mounted Distribution Transformers by Integer Form of Population Based Incremental Learning Considering Measurement Errors and Outliers by Correntropy
Yang et al. Research on the optimisation strategy of short‐circuit current limitation based on quantum genetic algorithm
Zhao et al. Fault section location for distribution network containing DG based on IBQPSO
CN110365006A (zh) 一种基于nwbbo算法的电网分区方法
Labios et al. Hybrid multistarting GA‐Tabu search method for the placement of BtB converters for Korean metropolitan ring grid
CN117492371B (zh) 有源电力滤波器模型预测控制的优化方法、系统和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant