火电机组启停机经济调度新算法

合理的开停机方案能带来经济效益，提出一种混合模拟退火－遗传算法模型进行火电机组的优化启停计划调度，采用十进制编码，无需解码，可减少计算误差的时间，由于引入了模拟退火算法，使得这种算法能接受新特性，不仅改进了忆部收敛性且能加速寻优过程，最终可得到近于全局最优的解，经算例验算表明，该算法可以满足安全可靠的多种约束条件下，较好地改善机组启停计划的经济性，是安排火电机组启停机计划的一种可行方法。     

基于改进遗传模拟退火算法的PMU优化配置

分析了遗传算法和模拟退火算法的优缺点,将具有较好全局寻优性能的遗传算法和具有较强局部搜索能力的模拟退火算法结合,形成的遗传模拟退火MGASA算法用于解决以电力系统状态完全可观测和PMU配置数目最小为目标的PMU优化配置问题.在寻优过程中,先将每一代群体进行遗传操作,再对产生的新群体中各个体进行模拟退火操作,同时在选择、交叉、变异和复制操作过程中实施最优保留策略,复制策略采用Metropolis判别准则.通过采用IEEE14和IEEE39节点系统对该算法进行验证表明,MGASA算法在解决PMU优化配置问题上具有较高的寻优性能和搜索效率.     

遗传模拟退火算法在圆筒型直线感应电机优化设计中的应用

本文采用遗传模拟退火算法对圆筒型直线感应电机进行优化设计。该优化算法把模拟退火算法结合进遗传算法中,这样在保证获得较好的全局搜索能力的同时,又加快了遗传算法在峰值附近的收敛,提高了遗传算法的效率。     

遗传模拟退火算法在圆筒型直线感应电机优化设计中的应用

本文采用遗传模拟退火算法对圆筒型直线感应电机进行优化设计。该优化算法把模拟退火算法结合进遗传算法中，这样在保证获得较好的全局搜索能力的同时，又加快了遗传算法在峰值附近的收敛，提高了遗传算法的效率。     

采用改进混合粒子群算法的热工过程模型参数辨识

针对基本粒子群算法在求解过程中容易陷入局部最优解的问题,提出了一种基于遗传算法和模拟退火算法而改进的粒子群算法。引入遗传算法中的选择、杂交和变异,以及模拟退火机制的粒子群算法,在保持群体多样性的同时,提高全局搜索速度,并将改进的算法应用到热工过程模型参数的辨识,试验结果显示改进效果良好。     

遗传—模拟退火混合算法 在配电网检修优化中的应用

从配电网设备检修计划编制的实际需要出发,在考虑多种约束条件的基础上,建立了以配电网经济性最好为目标的优化模型.针对该模型的特点,采用1种新型混合遗传-模拟退火算法(HGSA)对配电网检修计划进行优化调整.该算法综合了遗传算法和模拟退火算法的优点,使其既具有遗传算法的全局性和并行性,又具有模拟退火算法的局部搜索能力和退火特征.通过遗传算法、模拟退火算法对实际检修计划优化结果的比较,证明了所提出HGSA算法的有效性.     

基于二层规划的无功优化模型及其混合算法

建立了电力系统无功优化的二层规划数学模型.基于二层规划模型和遗传算法、模拟退火算法的特点,构造了求解该模型的混合算法,即上层采用遗传算法求解,下层采用模拟退火法求解.对IEEE-6节点和IEEE-30节点系统进行的仿真计算表明所建立的模型和算法有效可行,对于大系统而言,该算法与上下层均采用遗传算法相比能大大提高计算速度.     

改进的粒子群优化算法在分布式电源选址和定容中的应用

分析了分布式电源接入配电网前后对网络损耗的影响,在此基础上提出采用混合模拟退火算法的改进粒子群优化算法进行分布式电源选址和定容的计算,其目的是使配电系统网络损耗进一步减少.最后通过两个算例将本文提出的算法与采用遗传算法、模拟退火算法的计算结果进行对比分析,验证了所提出的改进算法在分布式电源选址和定容问题求解中具有很强的全局搜索能力和快速的收敛速度,为进一步开展分布式电源规划拓展思路.     

基于模拟退火混合遗传算法的电力系统相量测量装置优化配置

针对确定配置同步相量测量单元(phasor measurement units,PMU)的最小数和最佳位置以达到最大网络结构可观测性的PMU最优配置问题,提出了模拟退火遗传算法。该算法对常规遗传算法会出现早熟现象、局部寻优能力较差等缺点,在遗传算法中融入模拟退火算法算子,实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的结合。将该算法应用于优化PMU安装地点选择,实现了安装点最少,而整个系统可观的目标。IEEE14节点系统和新英格兰39节点算例系统对所提方法进行了验证。     

基于模糊自适应模拟退火遗传算法的配电网故障定位

对于配电网故障定位系统的不足与遗传算法存在易早熟、收敛速度慢等问题,结合模糊推理和自适应模拟退火遗传算法,提出一种模糊自适应模拟退火遗传算法(FASAGA)。该算法对评价函数做了容错性改进,在遗传选择时采用自适应机制与最佳个体保留策略,并结合模糊推理与自适应机制求取模糊自适应交叉算子、模糊自适应变异算子,引入模拟退火算法提高收敛速度与局部搜索能力。仿真结果说明该算法应用在配电网故障定位中的准确性、快速性与高容错性。     

基于同伦神经网络的短期负荷预测研究

将同伦方法引入到神经网络的学习训练中,提高了神经网络的学习效率,较好地解决了BP神经网络收敛速度慢和局部极小值等问题.同伦神经网络具有稳定性强,收敛性好的特点,用这种神经网络进行了电力系统短期负荷预测,算例表明了网络收敛快、预测精度高的优越性.     

基于分类识别深度置信网络的电力负荷预测算法

针对传统神经网络负荷预测方法收敛速度慢、预测误差大的问题,提出一种基于分类识别的深度置信网络的负荷预测算法。对输入的历史负荷数据进行归一化预处理,并对深度置信网络采用层次无监督贪婪预训练方法分层预训练,将得到的结果作为监督学习训练概率模型的初始值。其深度置信网络由多层受限玻尔兹曼机构成,并采用分类识别机制和对比散度的方法训练预权值,来改善分类识别深度置信网络的学习性能。仿真结果显示,在基于200次负荷训练和温度训练的基础上,该负荷预测算法比自组织模糊神经网络和BP神经网络的收敛速度更快,预测精度更高。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

基于BP与RBF级联神经网络的日负荷预测

在采用分段预测方法的基础上,利用小规模BP(back propagation)神经网络学习时间短和径向基函数(radial basis function,RBF)神经网络自身训练速度快的优点,提出了基于BP和RBF网络的级联神经网络日负荷预测模型,将影响日负荷变化的非负荷因素(气象、日类型等)与历史负荷因素分别加入BP和RBF网络中分开考虑,进一步简化了预测模型。计算实例表明,该模型较一般级联神经网络模型收敛更快速、高效,预测精度有了很大提高。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

神经网络的同伦算法与电力系统状态估计

本文将同伦算法引入到神经网络的学习训练中，提高了神经网络的学习效率，该方法具有稳定性强，收敛性好的优点，用这种神经网络进行了电力系统的状态估计，算例表明了该方法的有效性。     

基于串行式GA-BP的短期负荷预测方法

针对短期电力负荷预测问题,提出一种基于串行式遗传算法-反向传播神经网络模型的预测方法。首先,由关联分析法确定负荷主要影响因素。然后,确定反向传播神经网络1的输入量为负荷主要影响因素,输出量为相应负荷值,实现多因素回归预测。最后,将反向传播神经网络2串行式融入,并确定其训练数据集为反向传播神经网络1的预测值集,继而实现时间序列预测。两个反向传播神经网络在训练前均采用遗传算法进行初始权值阈值的优化,该方法实现了多因素回归预测与时间序列预测的融合。仿真结果表明,本文所提方法较其他同类型负荷预测方法具有更高的预测精度,可较好地应用于负荷预测工作。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法。仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。