简介：能量解析在分解综合负荷及提高设备的能量效率方面起到重要作用。当前,能量解析方法主要存在较低准确性和效率问题。论文提出一种基于低频监控数据的多输出极限学习的能源解析方法。该方法的特征映射函数可一次随机生成且无需调整其参数,与支持向量机方法相比,其优化目标函数具有较少的优化约束条件且更易实现。用实际记录的房屋能量数据进行仿真,仿真结果表明：与支持向量机相比,本文方法具有更高的训练速度和分类精度、更少的计算时间和更强的泛化能力。

简介：粒子群优化（PSO）算法是智能算法的一种，有较好的全局搜索能力，已经被应用于局部阴影条件下的最大功率跟踪（MPPT）当中。但PSO算法的搜素速度慢，收敛不稳定。本文通过分析局部阴影条件下光伏阵列的输出特性曲线提出了改进型粒子群优化算法（IPSO），以变换器的占空比为粒子，初始化时将粒子均匀分散在可能的功率峰值点处，依据迭代次数线性调整惯性权重、学习因子，并通过引入反正切函数，对传统PSO算法的速度更新进行修改，以减小追踪过程的振荡，更快地找到最大功率点，提高收敛速度。最后通过仿真验证了与常规的PSO算法相比，改进的PSO算法具有跟踪速度快、动态响应波动小等特点。

简介：为了提高风电功率预测精度，针对支持向量机（SVM）模型在风电功率预测中存在的参数选取问题，提出用人工鱼群算法（AFSA）寻找SVM模型的最优核函数参数和错误惩罚因子的优化方法。建立AFSA—SVM模型，结合聚类分析后的数值天气预报（NWP）数据对风电功率进行预测。经仿真实验并与BP、粒子群优化的支持向量机模型对比，AFSA-SVM优化模型在短期风电功率预测中有更好的预测效果。