典型文献
基于AEO-MRFO的固体氧化物燃料电池参数辨识
文献摘要：
提出一种基于人工生态系统优化(artificial ecosystem-based optimization,AEO)算法与蝠鲼觅食优化(manta ray foraging optimization,MRFO)算法的协调优化算法,即AEO-MRFO协调优化器(AEO-MRFO coordinating optimizer,EMCO),用于各种固体氧化物燃料电池(solid oxide fuel cell,SOFC)的参数辨识.为提高SOFC参数辨识的精确度与稳定性,EMCO舍弃MRFO气旋觅食算子中随机性过强的搜索操作,并随迭代过程动态协调AEO分解算子和经过改进的MRFO翻滚觅食算子,合理平衡局部探索(local exploitation)和全局搜索(global exploration).通过4个算例对EMCO的SOFC参数辨识性能进行研究,即荷兰能源研究中心和波兰CEREL公司各自生产的2种SOFC单体电池测试数据和蒙大拿州立大学的5kW SOFC电池堆栈在2个不同运行条件下的实验数据.此外,还研究了SOFC堆栈温度及压强变化对参数辨识精度的影响.仿真结果表明,与蚁群优化(ant colony optimization,ALO)算法、均衡优化器(equilibrium optimizer,EO)、灰狼优化(grey wolf optimization,GWO)算法、堆栅优化器(heap-based optimizer,HBO)、粒子群优化(particle swarm optimization,PSO)算法、AEO算法和MRFO算法相比,EMCO均能快速、精确、稳定地实现SOFC参数辨识.
文献关键词：
固体氧化物燃料电池;参数辨识;人工生态系统优化算法;蝠鲼觅食优化算法;启发式算法
中图分类号：
作者姓名：
陈义军;杨博;郭正勋;束洪春;曹璞璘
作者机构：
昆明理工大学 电力工程学院,云南省 昆明市 650500
文献出处：
引用格式：
[1]陈义军;杨博;郭正勋;束洪春;曹璞璘-.基于AEO-MRFO的固体氧化物燃料电池参数辨识)[J].电网技术,2022(04):1382-1390,中插20
A类：
CEREL,人工生态系统优化算法
B类：
AEO,MRFO,固体氧化物燃料电池,参数辨识,artificial,ecosystem,optimization,manta,ray,foraging,协调优化,优化器,coordinating,optimizer,EMCO,solid,oxide,fuel,cell,SOFC,舍弃,气旋,随机性,动态协调,翻滚,local,exploitation,全局搜索,global,exploration,荷兰,波兰,自生,单体电池,测试数据,蒙大拿州,州立大学,5kW,电池堆,堆栈,运行条件,压强变化,辨识精度,蚁群优化,colony,ALO,均衡优化,equilibrium,灰狼优化,grey,wolf,GWO,heap,HBO,粒子群优化,particle,swarm,PSO,蝠鲼觅食优化算法,启发式算法
AB值：
0.38609
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
