基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

基于免疫粒子群优化算法的梯级水电厂间负荷优化分配

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及疫苗接种原理,改进了粒子群优化算法的全局寻优能力,提高了收敛速度。在分析梯级水电厂间负荷分配的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的负荷优化分配方法,建立了数学模型,给出了具体求解步骤。经实例验证,IA-PSO算法得出的负荷分配方案优于PSO算法的计算结果,且算法后期收敛速度快,从而为梯级水电厂间负荷优化分配问题提供了一条新的求解途径,可应用于更广泛的优化问题。     

基于自适应免疫粒子群优化算法的配电网状态估计

针对配电网中分布式发电机等设备的非线性特性和配电网量测配置特点,结合粒子群优化算法(PSO)的特点.提出了采用自适应免疫PSO算法进行配电网状态估计的思路.该算法引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子的粒子群算法.解决了配电网状态估计中的非线性问题,克服了基本PSO算法容易陷入局部最优解的缺点,不仅增强了全局搜索能力,而且获得了理想的收敛速度和精度.算例证实了该算法的有效性,与基本粒子群算法的比较,显示了其优越性.     

基于免疫二进制粒子群优化算法的配电网故障 定位方法研究

针对二进制粒子群算法在复杂规模化配电网故障定位时收敛速度慢、易陷入局部最优解的缺陷,提出一种基于免疫二进制粒子群优化算法的配电网故障定位方法。首先,应用免疫系统信息处理机制对粒子群算法进行改进,在算法进化过程中建立记忆细胞单元存储优质抗体,避免抗体种群更新后的群体退化。其次,引入抗体浓度调节机制与免疫选择操作保持抗体种群多样性,强化算法全局搜索能力,防止算法早熟。在此基础上,构建亲和度评价函数将改进后的算法应用于配电网故障定位。仿真结果表明,基于免疫二进制粒子群优化算法的配电网故障定位方法能够有效提升算法收敛速度与故障定位准确率,且在故障信息畸变情况下具有良好的容错性能。     

基于模拟退火——二进制粒子群优化算法的配电网重构

提出了将模拟退火算法与二进制粒子群算法相结合的用于配电网重构的优化算法。该算法既发挥了粒子群算法收敛速度快的特点,又因为引入的模拟退火算法具有的较强的跳出局部最优解能力,因此有效地避免了粒子群算法易陷入局部极值点的缺点,提高了进化后期算法的收敛速度和精度,并应用IEEE16节点系统的算例,验证了模拟退火-二进制粒子群混合算法在配电网重构中的可行性和有效性。     

基于种群替代的量子粒子群算法的含风电网无功优化

针对量子粒子群算法后期收敛速度慢,且易陷入局部最优解等问题,将粒子种群全局最优替代的思想和多种群并行搜索策略相结合,设计了一种基于含局部种群变异的多种群并行搜索替代的量子粒子群算法。该算法采用种群并行搜索替代的方式引入变异,增加了种群的多样性,同时在局部种群中利用全局最优替代平均最优,加快收敛速度。分别应用基本粒子群、量子粒子群和种群替代的量子粒子群算法对某含风电网进行仿真,验证了种群替代的量子粒子群算法在含风电网无功优化中的有效性和实用性。     

基于自适应免疫粒子群优化算法的配电网状态估计

考虑了配电网中的一些设备如分布式发电机的非线性特性和配电网的量测配置特点,结合粒子群优化算法(PSO)的特点,提出了采用自适应免疫PSO算法来进行配电网状态估计。该算法解决了配电网状态估计中的非线性特性,引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子的粒子群算法,克服了基本PSO算法容易陷入局部最优解的缺点,增强了全局搜索能力,而且收敛速度和精度都很理想。算例证实了算法的有效性,并通过和基本粒子群算法比较显示其优越性。     

基于自适应免疫粒子群优化算法的配电网状态估计

考虑了配电网中的一些设备如分布式发电机的非线性特性和配电网的量测配置特点,结合粒子群优化算法(PSO)的特点,提出了采用自适应免疫PSO算法来进行配电网状态估计.该算法解决了配电网状态估计中的非线性特性,引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子的粒子群算法,克服了基本PSO算法容易陷入局部最优解的缺点,增强了全局搜索能力,而且收敛速度和精度都很理想.算例证实了算法的有效性,并通过和基本粒子群算法比较显示其优越性.     

多目标无功优化的向量评价自适应免疫粒子群算法

为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。     

基于共享免疫粒子群算法的电力系统无功优化

针对电力系统无功优化中的粒子群算法计算效率较低,而且易陷入局部最优解等问题,将共享免疫粒子群算法应用到无功优化中,该算法在进行初始化时,运用正交的思想,使得粒子分布均匀;并用记忆粒子和克隆选择来更新粒子,这样可以很好地保持优化过程中粒子群的多样性。经过算例计算证明,共享免疫粒子群算法与其他算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

并行自适应粒子群算法在电力系统无功优化中的应用

针对传统粒子群优化算法"早熟"与后期收敛速度慢的缺点,提出了一种基于并行自适应粒子群优化算法的电力系统无功优化方法。该方法首先将初始种群随机划分成N个子群,然后分别在各子群中以所提方法寻优,从而实现了算法的并行计算。为避免各子群陷入局部最优解,采用二值交叉算子使各子群间的信息共享并更新相关粒子位置,保证了算法的全局搜索能力并维持了种群的多样性。同时,各子群寻优过程中,根据利己、利他及自主3个方向对当前搜索方向自适应更新,提高了算法的收敛速度。将所提出算法在IEEE 30节点系统上进行了仿真验证,结果证明了并行自适应粒子群算法用于无功优化的可行性和有效性。     

基于改进PSO—BP算法的变压器故障诊断

提出一种利用改进粒子群算法和反向传播算法相结合的混合算法训练神经网络进行电力变压器故障诊断的方法.在改进的粒子群算法中考虑了邻居粒子中最优粒子信息,修正个体行动策略,增强粒子群的社会学习功能,保证全局搜索的有效性;引入随机粒子群机制,利用粒子群进化过程中的种群变异机制提高算法的寻优性能.变压器故障实例仿真和分析表明,该算法在收敛速度、计算精度和平均收敛性能方面都有较大改进,可有效诊断电力变压器故障.     

改进PSO算法在电力系统无功优化中的应用

将改进后的粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法运算过程繁琐、收敛精度不高、易陷入局部最优的缺点。该优化方法对粒子群算法进行了如下改进:采用简化粒子群优化方程和添加极值扰动算子两种策略,提出了简化粒子群优化(简称SPSO)算法、带极值扰动粒子群优化(简称DPSO)算法,将二者结合起来提出了带极值扰动的简化粒子群优化(简称DSPSO)算法。DSPSO以更小的种群数和进化代数获得了非常好的优化效果,使PSO算法更加实用化。对IEEE 6节点进行无功优化计算,并与其它算法进行了比较,表明该算法具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法。     

基于改进PSO算法的电力系统无功优化

粒子群优化PSO(Particle Swarm Optimization)算法是一种简便易行、收敛快速的演化计算方法,但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和变异算子,提出了一种新的改进粒子群优化MPSO(Modified Particle Swarm Optimization)算法,并将其应用于电力系统无功优化,建立了相应的优化模型。对IEEE-14节点系统及某地区70节点实际电力系统进行了仿真计算,并与PSO算法作了比较,结果表明MPSO优化算法能有效地应用于电力系统无功优化．其全局收敛性能及收敛精度均较PSO算法有了一定程度的提高。     

一种适合于电力系统机组组合问题的混合粒子群优化算法

该文针对机组组合问题，提出了一种新的混合粒子群优化算法。该算法包含3个重要的方面：通过在算法迭代过程中对松弛后的0、1变量与机组有功出力变量并行地进行优化，避免了由于决策变量过多造成的维数灾难题；引入变动阈值，解决了在寻优过程中粒子的值出现振荡时可能会丢失机组有效启停状态的问题：在粒子群优化算法中引入启发式变异技术，有效地处理了机组启、停时间的约束并提高了粒子群优化算法的全局收敛能力。文中通过对2个算例的计算及与其他算法进行的比较结果，验证了所提出的混合粒子群优化算法具有更好的全局收敛性。     

中长期电力负荷预测的改进免疫粒子群算法

针对免疫粒子群算法收敛速度慢,精确度相对较低的缺点,采用平衡理论和自适应调整两项策略加以改进,提出改进的免疫粒子群算法.一方面在新的粒子种群产生过程中引入扰动变量,使粒子群在遵守秩序和随机行为之间达到平衡;另一方面在粒子搜索复杂解空间过程中,通过计算个体适应值划分粒子的优劣等级,提出粒子速度自适应可调机制.实例证明,将...     

混沌粒子群优化算法在配电网无功优化中的应用

针对电力系统无功优化的特点,提出了一种基于传统粒子群优化(PSO)算法的改进型智能算法——混沌粒子群优化(CPSO)算法。CPSO算法采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值,利用该算法分别对IEEE14和IEEE30节点系统进行仿真测试。仿真结果表明,CPSO算法相对于PSO算法,优化效果理想,收敛速度快。     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法

光伏阵列在局部阴影时的P-U曲线呈现多峰特性,需要设计光伏多峰最大功率点跟踪方法,以实现光伏发电最大功率输出,提高光伏发电效率。相比粒子群优化算法,量子粒子群优化算法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索;根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压;并根据量子粒子群优化算法收敛时粒子自身最优位置的特点,提出了更适合光伏多峰最大功率点跟踪的收敛判据。仿真测试表明,提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪,收敛速度更快,避免了不收敛的问题,且具有应对光照情况变化的能力,提高了局部阴影时光伏发电的效率。