基于改进PSO算法的FESS的PI参数优化

提出了一种改进粒子群优化（IPSO）算法用于FESS的PI控制器的参数优化设计。IPSO算法通过混沌初始化、迭代中加入混沌扰动和自适应调整惯性权重系数来克服传统PSO算法效率低、易陷入局部极值和算法早熟等缺陷。基于IPSO算法，以ITAE指标最小为目标函数对FESS的PI控制器参数进行优化，并以FESS接入四机系统为例，通过非线性仿真验证了优化结果的有效性，并通过与其他优化方法比较，得出IPSO具有更好的优化性能的结论。     

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K-means聚类粒子群算法的多点PV-DG日前分配计划

针对光伏分布式电源(PV-DG)将大量接入配电网的场景,提出了基于K-means聚类粒子群算法(PSO)的PV-DG日前出力优化算法。该算法通过K-means聚类法根据PV-DG依次接入不同配电网的节点每小时网损的分析对节点进行分类,结合设计的分配公式初始化并网节点的PV-DG出力,将此出力作为初始化粒子引入粒子群优化算中。将分时系数自回归滑动平均(ARMA)模型预测方法与常规ARMA预测方法进行了比较,仿真结果表明分时系数ARMA模型预测方法提高了预测精度;并将K-means聚类的粒子群算法与粒子群算法及模糊粒子群算法分别进行了比较,对比结果说明提出的优化方法进一步降低了网损。     

基于K-means聚类粒子群算法的多点PV-DG日前分配计划EI北大核心CSCD

针对光伏分布式电源(PV-DG)将大量接入配电网的场景,提出了基于K-means聚类粒子群算法(PSO)的PV-DG日前出力优化算法。该算法通过K-means聚类法根据PV-DG依次接入不同配电网的节点每小时网损的分析对节点进行分类,结合设计的分配公式初始化并网节点的PV-DG出力,将此出力作为初始化粒子引入粒子群优化算中。将分时系数自回归滑动平均(ARMA)模型预测方法与常规ARMA预测方法进行了比较,仿真结果表明分时系数ARMA模型预测方法提高了预测精度;并将K-means聚类的粒子群算法与粒子群算法及模糊粒子群算法分别进行了比较,对比结果说明提出的优化方法进一步降低了网损。     

基于改进PSO算法的FESS的PI参数优化

提出了一种改进粒子群优化(IPSO)算法用于FESS的PI控制器的参数优化设计.IPSO算法通过混沌初始化、迭代中加入混沌扰动和自适应调整惯性权重系数来克服传统PSO算法效率低、易陷入局部极值和算法早熟等缺陷.基于IPSO算法,以ITAE指标最小为目标函数对FESS的PI控制器参数进行优化,并以FESS接入四机系统为例,通过非线性仿真验证了优化结果的有效性,并通过与其他优化方法比较,得出IPSO具有更好的优化性能的结论.     

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。     

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。     

基于改进PSO优化模糊神经网络的配电网故障选线研究

针对小电流接地系统中单相接地故障选线这一未彻底解决的难题,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化模糊神经网络(Fuzzy Neural Networks,FNN)的配电网故障选线方法:通过调整粒子群的适应度函数和自适应惯性权值,利用改进PSO先对网络初始参数、权值进行一次优化,后使用BP算法进行二次优化。讨论模糊神经网络、传统PSO优化的模糊神经网络及不同网络结构对网络性能的影响。研究结果表明改进PSO优化模糊神经网络的选线效果明显优于模糊神经网络和传统PSO优化模糊神经网络,能够快速、准确、可靠的选取故障线路。     

水电站水库优化调度的改进粒子群算法

粒子群优化算法是通过粒子记忆、追随当前最优粒子,并不断更新自己的位置和速度来寻找问题的最优解。为了克服标准粒子群算法存在着早熟收敛、难以处理问题约束条件等缺点,本研究对递减惯性权值进行了改进,将其表示为粒子群进化速度与群体平均适应度方差的函数;给出了适合PSO算法的约束处理机制,提出了一种改进自适应粒子群算法,并将其应用于水库优化调度中。实例计算并与经典方法相比,表明该方法原理简单、易编程实现,能以较快的速度收敛于全局最优解。     

基于扩展粒子群优化算法的同步发电机参数辨识

提出一种新的扩展粒子群优化(EPSO)算法并应用于同步发电机参数辨识。在粒子群优化(PSO)算法的基础上，EPSO算法采用更多粒子的位置值信息进行变异操作，并且提出根据各粒子的适应值大小确定算法控制参数的方法，保证了扩展后算法的收敛性，EPSO算法模型更具有通用性。仿真算例结果表明了在系统受到较大干扰的情况下，EPSO算法比EP算法和PSO算法具有更精确的参数综合辨识能力，并且EPSO算法比EP算法具有更高的收敛效率。     

遗传粒子群混合算法在电厂机组负荷组合优化中的应用

粒子群优化算法应用于火电厂机组组合问题中存在早熟收敛等现象,提出3方面改进的遗传粒子群混合算法:改进粒子群初始化方法,提出粒子初始化机组运行状态组合合理性判据,并初始化一定比例的粒子使其机组负荷随机在对应机组负荷上限附近赋值;采用部分解除约束结合惩罚函数的约束处理方法,对粒子进行机组负荷平衡操作,使大部分粒子满足约束条件;通过引入遗传算法中的交叉和变异操作增加了粒子的多样性,减小了算法陷入局部极值的可能性。采用改进的遗传粒子群混合算法对3机及5机火电厂机组负荷组合进行优化,仿真结果表明,优化成功率能达到100%。     

基于混合优化算法的最优潮流计算

应用粒子群(PSO)与人工鱼群(ASFA)混合优化算法求解最优潮流(OPF)问题[1];该算法利用ASFA良好的全局收敛性与PSO的局部快速收敛性等优点,结合动态调整罚函数,将最优潮流问题转化为一个无约束求极值问题.最后,应用此算法对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法、ASFA算法进行比较,结果表...     

基于粒子群优化算法和动态调整罚函数的最优潮流计算

在电力市场环境下,诸多问题(例如实时电价,网络阻塞等)都需要最优潮流作为理想的工具.本文应用了一种简单有效、且收敛性很好的演化计算算法--粒子群优化算法(PSO)进行最优潮流问题的求解.在求解过程中,根据约束条件的越界量大小,动态的调节其罚函数,避免其收敛到局部最小点.应用此算法对IEEE 30 节点系统进行最优潮流计算,并且与线性规划和遗传算法进行了比较,结果表明该算法能够更好的获得全局最优解,具有实用意义.     

基于改进粒子群优化算法的最优潮流计算

提出应用粒子群优化算法（PSO）求解最优潮流问题（OPF），并结合动态调整罚函数法将最优潮流问题转化成一个无约束求极值问题，有效提高了PSO算法的全局收敛能力和计算精度。应用此算法对标准IEEE30节点系统进行潮流计算，并与线性规划算法和遗传算法进行了比较，结果表明，该算法能够更好地获得全局最优解，具有实用意义。     

基于人工鱼群算法的最优潮流计算

提出了基于人工鱼群优化算法(AFSA)的最优潮流(OPF)计算方法;算法结合动态调整罚函数的方式,将最优潮流问题转化为一个无约束求极值问题,有效提高了算法的全局收敛能力和计算精度.应用此算法对标准IEEE30节点的电力系统进行最优潮流计算,并与粒子群算法和遗传算法进行了比较,仿真结果表明,该算法能够更好地获得全局最优解,具有实用意义.     

基于粒子群算法的燃水比控制器参数优化研究

提出了一种采用粒子群算法优化多模型控制器参数的直流炉燃水比解耦控制方法。在种群初始化、惯性权值和变异率引入方面对基本粒子群算法进行了改进,以提高算法的收敛精度和速度。对解耦后的系统,分别用改进粒子群算法、基本粒子群算法和工程整定法得到了控制器参数,完成了燃水比控制的仿真试验。结果表明,使用基于改进粒子群算法的控制策略的系统较传统控制策略下的系统动、静态特性更好,更能适应深度调峰的需要。     

基于改进PSO算法在含风电场的电力系统无功优化控制

含风电场的电力系统无功优化是一种具有多状态、多约束条件的非线性规划问题.针对其存在易陷入局部最优解的缺点,提出了改进的PSO算法.该算法改变了初始化方法和粒子更新方法,并在算法后期引入变异因子.在放射状配电网络系统的仿真计算中,改进PSO算法与遗传算法相比较,结果表明,改进PSO算法可在较短时间内取得更好的优化效果.     

基于局优分支优化的粒子群收敛保证算法及其在电网规划中的应用

总结了粒子群（PSO）算法的一些改进方法;分析并指出了PSO算法收敛困难的关键原因;提出了局优分支优化技术.该技术由5要素组成：①局部最优区域的确定;②局部最优区域的闭锁;③局部最优区域的深度搜索;④全局搜索的粒子补充;⑤迭代终止判据.还结合电网规划的特点提出了采用启发式逐步倒推模型对局部最优子群进行深度搜索的技术.在电网规划中的应用表明,该2项技术克服了PSO算法的收敛困难,提高了PSO算法的搜索效率,保证了PSO算法的全局搜索性能和局部搜索性能.同时,也为其它算法提供了新的优化思路.     

基于双适应度微粒群优化算法的最优潮流计算

在分析最优潮流(0PF)理论及其算法的基础上,引入微粒群优化算法(PSO).考虑到传统PSO算法应用罚函数处理OPF约束条件时容易造成对优良个体的湮灭,提出双适应度概念对微粒进行评估.利用双适应度PSO算法对算例进行分析并与其他算法比较,结果表明双适应度微粒群优化算法可较好处理最优潮流约束条件,在处理最优潮流问题上具有一定的有效性和优越性.     

基于微粒群优化算法的阻塞管理

根据机组和电网安全运行的约束提出了适用于实际POOL模式的电力市场阻塞管理模型.针对该模型的复杂性和非线性,引入了微粒群优化算法,提出了双适应度概念对微粒优劣进行评估,先后比较约束函数的约束型适应度和优化目标函数的优化目标适应度来确定微粒的优劣程度,避免了罚函数处理约束条件时造成的优良个体的湮灭.通过IEEE30节点算例分析,该文研究了微粒群优化算法中参数对结果的影响,表明微粒群算法在解决阻塞模型时均可稳定收敛.最后通过与内点法和遗传算法的对比证明该算法的有效性和优越性.