基于混沌粒子群优化方法的电力系统无功最优潮流

针对电力系统无功最优潮流问题，提出一种混沌粒子群优化（CPSO）方法，以克服粒子群优化(PSO)方法容易早熟而陷入局部最优解的缺点。该方法结合混沌变量良好的遍历特性及混沌优化的特点，对即将重合而引起搜索能力下降的粒子赋予混沌状态搜索，其余粒子仍以常规PSO方法搜索，从而提高PSO方法的寻优性能。通过对IEEE 6,IEEE 14,IEEE 30和IEEE 118测试系统无功最优潮流问题的计算及分析，表明CPSO方法具有很高的搜索效率和诱人的应用前景。     

电力系统机组组合问题的闭环粒子群算法

针对标准粒子群优化（PSO）算法易陷入局部最优解的缺点,提出了闭环PSO（CLPSO）算法。算法引入经典控制理论中的反馈机制和闭环控制概念,将每个粒子视为被控对象,根据每一步得到的适应值通过PID控制器动态调整惯性权重,以满足搜索过程中粒子时时变化的需求。该策略极大地保证了粒子多样性,提高了算法的全局搜索能力。将CLPSO算法应用到机组组合问题中,同时结合新的策略以降低问题维数和保证寻优过程中粒子的可行性。仿真结果验证了所提出的算法在解决机组组合问题上的有效性。     

基于改进鲶鱼效应粒子群算法的电站优化调度

为提高梯级电站的综合效益、获得较优的调度方案,建立了基于改进鲶鱼效应粒子群算法(CE-PSO)的梯级电站优化调度模型。针对鲶鱼效应粒子群算法在制作鲶鱼粒子时容易陷入局部加速的局限性,考虑到鲶鱼粒子的空间分布位置对改善粒子的多样性具有重要影响,尝试通过一定的途径将鲶鱼粒子均匀分布于整个搜索空间,提高种群的搜索效率,弥补CE-PSO算法容易陷入局部加速的局限性。将改进后的算法应用于某河流梯级电站的优化调度,结果表明,改进后的鲶鱼效应粒子群优化算法与标准PSO和CE-PSO相比,在全局搜索能力和收敛速度方面均有改善。     

基于改进粒子群算法的水库优化调度研究

在分析以往水库优化调度模型优缺点的基础上,提出了基于动态调节惯性权重的粒子群优化方法的水库优化调度模型,对基本粒子群算法进行了改进。改进的算法通过时变权重的设置来实现,从而克服了PSO搜索精度不高,易陷入局部最优的缺点,并通过引入罚函数解决强约束问题。以某综合利用水库优化调度为实例进行研究,并与动态规划模型计算结果进行对比分析,实例计算表明:改进PSO算法原理简单,易于编程实现,而且占用计算机内存小,收敛速度快,搜索效率高,能以较快的速度收敛到全局最优解,是一种有效的搜索算法。     

混合粒子群算法在水库中长期发电优化调度中的应用

针对传统粒子群算法(PSO)早熟收敛、局部搜索能力不足等问题,提出一种混合粒子群算法(HPSO)求解水库优化调度问题。该算法引入混沌思想的遍历性特点生成初始解,提高初始种群质量;采用自适应惯性权重法平衡个体搜索行为,避免陷入局部最优。百色水库中长期发电优化调度实例研究表明,HPSO比PSO有更好的收敛性和优化结果,同时计算时间较传统动态规划方法大幅缩减,且优化结果相近,是一种水库优化调度可供选择的计算方法。     

基于PSO与DE混合算法的水资源优化配置

基于公平性原则构建水资源优化配置模型,针对模型的特点,将模型的可行解进行粒子化处理。利用基于粒子群(PSO)和差分进化(DE)的混合算法(PSODE)对模型进行求解。该算法通过双种群间的信息共享机制,大大降低了求解陷入局部最优的风险。此外,还采用了一种粒子变异机制进一步提高PSODE算法的性能,并通过漳河流域四大灌区水资源配置实例表明PSODE算法比PSO和DE算法收敛速度更快、准确度更高。     

改进粒子群优化算法在水电站群优化调度中的应用研究

针对常规粒子群优化算法易早熟，后期收敛慢且易陷入局部最优解的不足，提出一种新的惯性权重系数更新策略—自适应指数惯性权重系数（SEIWC）代替线性递减惯性权重系数（LDIWC），同时，将遗传算法中的染色体交叉、变异思想引入粒子的更新策略，提高粒子的多样性，增强算法的全局搜索能力。使用Rosenbrock函数和Schaffer函数验证了改进粒子群优化算法的有效性。以福建电网闽江流域水电站群优化调度为例，建立基于改进粒子群优化算法的库群长期优化调度模型，计算结果表明，该模型的调度结果显著优于常规粒子群优化算法，与逐步优化算法获得的结果达到相当水平。     

基于文化基因算法的梯级电站负荷分配研究

为了解决传统基于种群进化的搜索算法求解电站负荷分配中搜索精度低、易陷入局部最优的问题,结合文化基因算法的框架,以粒子群算法(PSO)作为全局搜索策略,分别引入爬山算法(HP)与模拟退火算法(SA)作为局部搜索策略,形成HPMA、SPMA两种文化基因算法。设计了相应的局部搜索激活机制,并针对负荷分配问题初始可行解生成效率低的问题提出了一种初始种群快速生成方法。实例计算表明,两种文化基因算法较单独使用SA、PSO等算法具有更好的求解精度,同时SPMA算法优于HPMA算法,SPMA算法有利于提高了梯级水电站负荷分配问题的求解质量。     

基于改进PSO算法的水轮机PID调速器的参数设计

为了提高水轮机PID调速器的控制质量,引入PSO算法优化PID控制器的部分参数,针对传统粒子群算法的不足,引入自适应惯性权重调整因子对粒子速率更新策略进行改进,同时结合微分进化算子提高种群多样性,扩大PSO算法搜索解空间的能力,仿真实例表明,改进后的PSO算法收敛速度快,稳定性好,复杂程度低,具有良好的全局搜索能力。经过该算法优化过的PID调速器对负荷扰动具有较强的鲁棒性。     

基于改进粒子群算法的重力坝断面优化研究

将粒子群算法与罚函数相结合,把非线性约束优化问题转化为无约束优化问题,解决工程上多约束优化问题。为了防止粒子群算法陷入局部最优,引入退火算法帮助粒子跳出局部最优解,从而避免粒子后期单一方向进化问题,改善粒子全局搜索能力,同时考虑到最优解一般在边界附近取得,故引入动态罚函数加强粒子对可行域边界搜索,加快最值的搜索速度。将上述方法应用于实际重力坝断面优化设计,结果表明:改进的粒子群优化算法不仅保持了良好的收敛性,而且动态罚函数还具有构造简单实用,同时退火算法减少了粒子群优化算法对大量粒子的依赖程度,验证了改进算法的有效性和可行性。     

基于粒子群仿生算法的混凝土坝变形预报模型

将粒子群算法引入大坝安全监控领域,并结合多元回归统计模型,建立基于粒子群算法的混凝土坝变形预报模型。利用粒子群算法的全局寻优能力以及该算法具有正反馈信息的仿生特点,通过优化迭代计算,确定坝体变形统计模型中各回归系数。工程实际应用表明,基于该模型的预报结果与传统的最小二乘法相比,可显著提高混凝土坝变形的预报精度,所以该模型的预报应用是可行的。     

飞蛾火焰优化算法在承压含水层参数反演中的应用

通过10个典型低维函数对一种新型群体智能仿生算法——飞蛾火焰优化(MFO)算法进行仿真验证,并与粒子群优化(PSO)算法的寻优结果进行对比。以无界井流问题及直线隔水边界附近井流问题的解析解为基础,将MFO算法应用于分析抽水试验数据,进行反演承压含水层参数,并以2个实例对MFO算法进行验证。结果表明:MFO算法在低维函数极值寻优问题上具有较好的收敛精度和全局寻优能力,寻优精度较PSO算法提高了7个数量级以上。MFO算法对2个实例的反演精度较文献改进SA算法等提高了56.5%以上,具有较好的稳健性能、收敛速度和全局寻优能力。利用MFO算法对承压含水层参数进行反演,可获得比相关文献更高的反演精度,不但为精确估计承压含水层参数提供了有效方法,而且拓展了MFO算法在地下水模型参数反演中的应用,具有良好的应用价值和前景。     

基于粒子群算法的水文模型参数多目标优化研究

在改进的粒子群算法基础上通过引入存档群体和拥挤距离机制,建立了基于粒子群算法的多目标算法,并将该算法应用于新安江模型参数多目标优化计算中,得到了最优解的Pareto集合.通过多目标距离函数法从Pareto集中求出一组单一解.将多目标优选的结果与单目标优化结果进行比较分析.结果表明,多目标参数优选方法综合考虑了水文过程的各种要素,比单目标优选结果具有更高的模拟精度.     

基于C-PSO算法的混凝土面板堆石坝断面优化设计

针对基本粒子群算法(PSO)寻优过程中存在收敛速度慢、易陷入局部最优和计算精度差等缺陷,采用分簇思想和碰撞策略,提出了一种改进的粒子群算法(C-PSO),在该算法中,粒子通过分簇并行搜索,有效避免了群体过度集中现象,极大地增强粒子全局搜索能力。将C-PSO算法应用于混凝土面板堆石坝断面优化设计中,优化结果表明,该算法对解决复杂的多变量多约束非线性问题具有较好的适应性,为复杂的混凝土面板堆石坝断面优化设计问题提供了新的解决思路。     

改进粒子群优化算法在水电站群优化调度中的应用研究

为克服常规粒子群优化算法易早熟、后期收敛慢且易陷入局部最优解的缺点,本文提出一种新的惯性权重系数更新策略——自适应指数惯性权重系数(SEIWC)代替线性递减惯性权重系数(LDIWC),同时,将遗传算法中的染色体交叉、变异思想引入粒子的更新策略,提高粒子的多样性,增强算法的全局搜索能力。使用Rosenbrock函数和Schaffer函数验证了改进粒子群优化算法的有效性。以福建电网闽江流域水电站群优化调度为例,建立基于改进粒子群优化算法的库群长期优化调度模型。计算结果表明,该模型的调度结果显著优于常规粒子群优化算法,与逐步优化算法结果水平相当。     

基于文化粒子群算法的水库防洪优化调度

针对水库防洪调度具有多约束、高维、非线性和不易求解的特点,在粒子群算法(PSO)的进化机制中引入文化算法(CA),利用文化算法的信仰空间对粒子群的进化进行指导,建立了文化粒子群算法(PSO-CA)。该算法在种群空间中采用PSO算法,在信仰空间中利用从种群空间中提炼出来的群体经验所形成的形势知识对群体的"早熟"现象进行监视,利用规范化知识对粒子加以限定,提高了算法计算效率。实例验证,该算法能较好地克服粒子群算法易陷入局部最优的缺点,并加快其收敛速度,可以有效解决水库防洪调度问题。     

基于微粒群算法的重力坝坝基多滑面稳定可靠度分析

以往混凝土重力坝坝基抗滑稳定可靠度分析大多只研究单滑面或双滑面的情形,但通常的地质条件下,基岩内可能存在多滑面失稳,目前关于重力坝多滑面抗滑稳定可靠度的研究成果相对较少。本文在刚体极限平衡等安全系数法的基础上,提出了基于微粒群算法的重力坝坝基深层多滑面抗滑稳定可靠度计算方法,该方法能够处理非线性隐式功能函数的可靠指标计算问题,即根据可靠指标的几何涵义,将可靠度计算转化为约束优化问题,从而实现智能优化计算。3个算例分析表明,该方法计算工作量少,精度和计算效率高,算法适用性广,能够应用到复杂的坝基多滑面抗滑稳定可靠度计算中。工程实例分析表明,该方法具有较高的实用价值,可为重力坝稳定安全评价方法的深入研究与重力坝结构设计提供新的思路和技术支撑。     

基于杂交粒子群响应面的边坡稳定可靠性算法

针对可靠度指标β数学优化模型的理论不足,以及常规数学优化方法易陷入于局部最优解的问题,提出了基于杂交粒子群响应面的边坡可靠性算法。新方法以β的几何意义为基础,在对正值物理量、非正态、非独立随机变量预处理的基础上,补齐了附加约束条件,完整地给出了可靠性求解的数学优化模型,并澄清了β的正负取值问题。采用二次响应面法构造极限状态方程,并基于杂交粒子群算法搜索β的全局最优解。3个代表性案例结果证明:完善后的可靠性数学优化模型理论正确,对从数学优化角度求解可靠性问题进行了有效补充;基于杂交粒子群响应面的可靠性算法具有较好的全局搜索能力和较高的精度,与蒙特卡洛法的计算结果接近,但迭代次数明显减少,计算效率更高。     

灰色模型结合微粒群算法的城市用水量预测

为了提高城市用水量的预测精度,基于灰色GM(2,1)模型,采用参数ρ进行数乘变换,利用参数λ修正其背景值,引入微粒群算法(PSO)寻求参数λ、ρ的最优解,构建PSO-GM(2,1,λ,ρ)模型,对某市1990—2001年用水量进行预测,并与灰色神经网络(GNNM)算法预测结果进行对比。结果表明:引入PSO算法,利用其全局搜索、局部搜索相结合的搜索模式确定λ、ρ,可以提高灰色模型的预测精度;参数λ、ρ的随机性、灵活性加上PSO算法的搜索性、寻优高效性使PSO-GM(2,1,λ,ρ)模型比GNNM模型预测精度更高。     

Improved particle swarm optimization algorithm for multi-reservoir system operation

In this paper, a hybrid improved particle swarm optimization (IPSO) algorithm isproposed for the optimization of hydroelectric power scheduling in multi-reservoir systems. The conventional particle swarm optimization (PSO) algorithm is improved in two ways: (1) The linearly decreasing inertia weight coefficient (LDIWC) is replaced by a self-adaptive exponential inertia weight coefficient (SEIWC), which could make the PSO algorithm more balanceable and more effective in both global and local searches. (2) The crossover and mutation idea inspired by the genetic algorithm (GA) is imported into the particle updating method to enhance the diversity of populations. The potential ability of IPSO in nonlinear numerical function optimization was first tested with three classical benchmark functions. Then, a long-term multi-reservoir system operation model based on IPSO was designed and a case study was carried out in the Minjiang Basin in China,where there is a power system consisting of 26 hydroelectric power plants. The scheduling results of the IPSO algorithm were found to outperform PSO and to be comparable with the results of the dynamic programming successive approximation (DPSA) algorithm.