基于随机聚焦粒子群算法的多机系统PSS参数优化

随机聚焦粒子群算法（SFPSO）是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法。通过采用SFPSO算法,对多机系统的PSS参数进行优化。该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS 参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力。通过仿真测试以及不同算法优化结果的对比,表明基于SFPSO算法优化的PSS在不同的干扰下都具有良好的性能,能够抑制低频振荡,并保持系统稳定,同时证明了SFPSO算法的有效性和优越性。     

电力系统稳定器参数优化的研究

电力系统稳定器(PSS)的性能受其参数影响很大,如何对其参数进行协调优化是一个值得深入研究的问题.基于单机无穷大系统和4机2区域系统模型,通过采用 SFPSO算法对电力系统稳定器进行参数的协调优化,以抑制低频振荡.随机聚焦粒子群算法SFPSO(Stochastic focusing particle swarm optimization)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的改进粒子群算法(PSO).通过仿真测试以及不同算法优化结果的对比,结果表明,利用该方法设计的PSS,在不同的干扰下都具有良好的性能,对系统的稳定性提升有较大帮助.     

电力系统稳定器参数优化的研究

电力系统稳定器(PSS)的性能受其参数影响很大,如何对其参数进行协调优化是一个值得深入研究的问题。基于单机无穷大系统和4机2区域系统模型,通过采用 SFPSO算法对电力系统稳定器进行参数的协调优化,以抑制低频振荡。随机聚焦粒子群算法SFPSO（Stochastic focusing particle swarm optimization）是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的改进粒子群算法（PSO）。通过仿真测试以及不同算法优化结果的对比,结果表明,利用该方法设计的PSS,在不同的干扰下都具有良好的性能,对系统的稳定性提升有较大帮助。     

基于粒子群优化算法的PSS参数优化

粒子群算法(PSO-ω)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法.基于单机无穷大系统模型,通过采用PSO-ω算法对电力系统稳定器(PSS)进行参数优化,以抑制低频振荡.该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力(ITAE准则).用Matlab软件进行仿真,结果表明,利用该方法设计的PSS,它的稳定性有了较大的提高.     

基于非线性规划方法的PSS参数优化设计

在多机系统中,电力系统稳定器的参数配置是一个复杂的非线性优化问题,可以应用先进的现代内点算法求解该优化问题.本文以Anderson3机9节点系统为例,应用现代内点算法来进行PSS参数优化.通过发电机在不同运行方式下(正常、负荷高峰、负荷低谷)的动态性能仿真结果表明:用现代内点算法进行参数优化后的PSS动态性能优于常规方法设计的PSS,具有一定的鲁棒性.     

基于增强连续禁忌算法的PSS参数优化

多机系统中,电力系统稳定器PSS(Power System Stabilizer)的参数配置是一个复杂的非线性优化问题。描述了电力系统模型、PSS模型及参数优化目标函数和约束条件。介绍了增强连续禁忌算法ECTS(Enhanced Continuous Tabu Search)的主要组成部分及算法流程图。并以WSCC3机9节点系统为例进行PSS参数优化,通过发电机在不同方式下(正常、负荷高峰、负荷低谷)的动态性能仿真,结果表明：用ECTS算法参数优化后的PSS动态性能优于常规方法设计的PSS,具有一定的鲁棒性。     

相量测量装置（PMU）动态测量精度在线检验

粒子群算法(PSO-ω)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法。基于单机无穷大系统模型,通过采用PSO-ω算法对电力系统稳定器(PSS)进行参数优化,以抑制低频振荡。该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS 参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力（ITAE准则）。用Matlab软件进行仿真,结果表明,利用该方法设计的PSS,它的稳定性有了较大的提高。     

基于灰狼优化算法的多机电力系统稳定器参数最优设计

灰狼优化(grey wolf optimizer,GWO)算法作为一种新的、高效的群体智能优化算法,可应用于电力系统优化问题。提出了采用GWO算法的多机电力系统稳定器参数优化设计方案。将传统超前-滞后型电力系统稳定器(PSS)的参数设计建模为基于特征值的二次性能目标优化问题,通过向左半复平面移动机电振荡特征值实现对不同运行状态下机电模态阻尼系数的最大化进行寻优。GWO算法具有对初始取值不敏感,优化效率较高和全局寻优性能好等特点,因此被用来迭代搜索最优PSS参数值。通过IEEE New England 39节点算例的特征值分析和非线性时域仿真,验证了基于GWO算法优化整定的电力系统PSS在各种系统运行状态下抑制系统机电振荡的有效性和鲁棒性,并通过与传统相位补偿方法设计的PSS阻尼性能对比,表明所提GWO算法优化PSS参数具有明显优越性。进一步的算法性能分析表明,GWO算法具有对初值不敏感和稳健性强等优点。     

基于Prony和改进PSO算法的多机PSS参数优化

针对多机电力系统稳定器(PSS)的参数优化问题,提出了采用Prony算法辨识互联电力系统低频振荡的机电模式,利用基于T-S模型模糊自适应的改进微粒群优化(T-SPSO)算法协调PSS参数的控制策略.先采用基于Prony分析的留数法确定PSS的最优安装位置,然后通过对采样数据的Prony分析辨识系统振荡模式的特征值,最后利用所提T-SPSO算法协调优化多机PSS参数.T-SPSO算法根据当前种群最优适应值和惯性权重,自适应更新惯性权重取值,解决了PSO算法的早熟问题.针对IEEE 4机系统的仿真分析表明,基于T-SPSO算法优化后的多机PSS控制器,在2种典型运行方式下都具有更好的控制性能.     

基于随机聚焦粒子群算法的电力系统无功优化

随机聚焦粒子群优化算法(stochastic focusing particle swarm optimization,SFPSO)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法。该方法以最优控制原理为基础,以网损最小为目标函数。在IEEE30节点系统上进行了测试,仿真结果表明SFPSO算法在计算精度、收敛稳定性、寻优时间等方面都具有优势,能有效地应用于电力系统无功优化。     

混合粒子群算法在PSS参数优化中的应用

通过采用一种新的混合粒子群算法对多机系统的电力系统稳定器(PSS)进行参数优化,以达到更好的低频振荡抑制效果.引入交叉操作的混合粒子群优化算法是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的改进粒子群算法(PSO).用Matlab软件进行仿真,结果表明,该方法设计的PSS稳定性有较大提高.     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法(AFPSO)是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法.通过采用AFPSO算法,对电力系统进行无功优化.该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性.     

基于鲸鱼优化算法的无功优化调度

针对目前电力系统中的无功优化问题尚缺乏一种能兼顾求解的高效性与全局搜索最优性的方法,本文将一种新的启发式算法--鲸鱼优化算法(WOA)运用到电网无功优化调度中,以系统有功功率损耗最低为目标函数,通过引入惩罚函数建立无功优化模型,对IEEE-14节点系统与IEEE-30节点系统进行仿真,并利用单因素方差分析法(One-way ANOVA)将所得结果与之前的粒子群优化算法(PSO)及引入加速度系数的时变粒子群优化(PSO-TVAC)进行比较,研究表明WOA算法在迭代次数、搜索能力及收敛问题上的潜力,并证明了在解决电力系统无功优化问题上的鲁棒性和有效性,同时也为解决非线性约束问题提供了新途径。     

基于群搜索算法的电力系统无功优化

为了提高电力系统的运行效率和经济性能,用群搜索优化算法(Group Search Optimizer)对电力系统各控制变量进行合理配置,以此减少电力系统无功损耗。群搜索优化算法是一种新兴的群智能优化算法,该算法把群成员分为发现者、追随者和游荡者三种,其中游荡者的位置随机选定,这有效地避免了其他算法容易陷入局部最小值问题。选定电力系统中无功投入量、电压变比、发电机端电压等作为控制变量,通过群搜索优化算法对控制变量进行迭代计算和潮流计算,最终计算出最小的网络损耗及其对应的控制变量值。最后用Matlab7.6对IEEE-14、30节点系统进行仿真,并与其他群智能优化算法进行对比,结果显示,群搜索算法的收敛较快且稳定,最终证明了群搜索算法对无功优化的优越性。     

自适应混沌粒子群算法在PSS设计中的应用

该文采用一种改进的粒子群算法PSO———自适应混沌粒子群算法ACPSO,对多机电力系统稳定器参数进行优化设计,以抑制系统低频振荡。该算法通过混沌初始化粒子群,在迭代计算过程中根据粒子的适应值自适应地调整算法惯性系数,从而可以获得更好的全局搜索能力和收敛速度。选取系统机电振荡模式最小阻尼比最大化为目标函数,将PSS参数优化转换为带不等式约束的非线性优化问题。以3机9节点系统为例,特征值和非线性仿真结果表明,运用该方法设计的PSS能够有效地抑制外界扰动引起的低频振荡。     

Chaotic ant swarm optimization for fuzzy-based tuning of power system stabilizer

In this paper, chaotic ant swarm optimization (CASO) is utilized to tune the parameters of both single-input and dual-input power system stabilizers (PSSs). This algorithm explores the chaotic and self-organization behavior of ants in the foraging process. A novel concept, like craziness, is introduced in the CASO to achieve improved performance of the algorithm. While comparing CASO with either particle swarm optimization or genetic algorithm, it is revealed that CASO is more effective than the others in finding the optimal transient performance of a PSS and automatic voltage regulator equipped single-machine-infinite-bus system. Conventional PSS (CPSS) and the three dual-input IEEE PSSs (PSS2B, PSS3B, and PSS4B) are optimally tuned to obtain the optimal transient performances. It is revealed that the transient performance of dual-input PSS is better than single-input PSS. It is, further, explored that among dual-input PSSs, PSS3B offers superior transient performance. Takagi Sugeno fuzzy logic (SFL) based approach is adopted for on-line, off-nominal operating conditions. On real time measurements of system operating conditions, SFL adaptively and very fast yields on-line, off-nominal optimal stabilizer variables.     

电力系统经济负荷分配的量子粒子群算法

本文首次将量子粒子群算法用于电力系统经济负荷分配中。该算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解。同时该算法的进化方程中不需要速度向量,而且进化方程的形式更简单,参数较少且容易控制。对两个算例进行仿真测试,证实该算法可有效解决经济负荷分配问题;性能对比显示,该算法求得的解优于已有的改进粒子群算法及其它优化算法所求得的解。本文为量子粒子群算法用于经济负荷分配的实用化研究奠定了必要的理论基础。