含风储混合系统的多目标机组组合优化模型及求解

风储混合系统能改善风电出力的随机性,使得风电出力具有一定的可控性,因此将风储混合系统引入电力系统中,并添加系统总能源利用率目标函数,建立含风储混合系统的多目标机组组合优化模型。新模型约束条件计及了储能系统控制模式和风储系统约束条件,并采用模糊处理技术和改进组合粒子群优化算法进行求解,给出机组启停和出力计划。讨论目标函数变化、风储系统引入、控制模式不同以及预测误差对结果的影响。算例分析表明所提模型和算法正确可行。     

基于改进粒子群算法的分布式电源接入规划

建立了含分布式电源的配电网规划经济性模型,以折算到每年的分布式电源的投资及运行费用和线路有功网损运行费用最小为目标函数,并应用改进粒子群优化算法进行配电网分布式电源(DG)规划,从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度。对69节点和33节点配电测试系统进行仿真计算,结果表明了论文采用的DG规划模型和改进粒子群优化算法的正确性和适用性。     

基于变置信度机会约束规划的风电并网优化调度

风电的波动性和不稳定性给电网的调度增加了难度,为了兼顾系统运行的经济性和可靠性,提出一种变置信度机会约束模型,并将该模型引入机组旋转备用约束中。首先,建立考虑到系统经济性和可靠性的多目标函数,并在可靠性目标函数中引入风电预测误差置信度β,其值等于旋转备用机会约束置信度。其次,通过模糊隶属度方法将两目标函数变为无量纲的单目标函数,再通过基于线性递减惯性权值(LDIW)策略的改进粒子群优化算法求解各时刻最优置信度β,进而确定各机组最优出力与最优旋转备用容量。最后,利用IEEE-RTS96系统进行验证,其结果证明了文中所提方法均优于传统机会约束方法与现阶段常用的风电并网优化调度方法,既保证了经济性又确保了系统的可靠性,利用LDIW策略的改进粒子群算法也加快了算法的运算速度,保证了模型及算法的有效性。     

基于改进粒子群的正交轴系三维激光扫描设备的几何参数标定研究

本文针对研发的正交轴系三维激光扫描设备几何参数标定问题，提出一种基于改进粒子群的标定算法，以解决设备装配几何误差带来的测量精度降低问题。首先，基于三维扫描设备的改进DH参数模型构建待优化几何误差参数并利用粒子群算法在约束范围内进行迭代优化以确定标定值；然后，在传统粒子群算法基础上进行了动态参数(惯性权重、学习因子的动态调整和基于整体最小二乘算法动态平面拟合的适应度函数改进)的优化以解决算法陷入局部最优的问题；最后，采用3种不同方法进行基于标准棋盘标定板的标定实验。实验结果对比分析表明：本文提出的动态平面拟合-参数改进PSO算法大幅提高了标定算法的收敛速度以及适应度计算可靠性，可以对设备进行快速标定，采用该方法标定后的设备其测量的精度也大幅提高。该标定方法为其它正交轴系的测量设备的几何参数标定提供了一种参考。     

电力系统无功补偿点的确定及其容量优化

电力系统无功优化是一个复杂的非线性组合优化问题,针对该问题提出一种基于奇异值分解理论和改进的粒子群优化算法的无功优化方法。首先对系统潮流计算中雅可比矩阵进行奇异值分解,由奇异值分解理论可以得出矩阵的右奇异向量指标,依据该指标判断电压稳定弱节点,以此作为候选的无功补偿点;然后以有功网损最小为目标函数,构建无功优化数学模型,并提出改进的粒子群优化算法,在算法中引入二次插值算子,增强了算法的局部搜索能力,避免早熟,提高其寻优能力和收敛速度。最后,对IEEE30节点系统进行仿真计算,验证了该方法的有效性。     

机组组合在含风电系统的备用协调优化

针对风电出力、负荷预测偏差,发电机组故障停运等不确定因素,在传统模型的基础上,增加负荷跟踪时间和快速旋转备用的限制,建立兼顾系统运行效益和备用效益的机组组合模型。以快速旋转备用来平抑风电功率和负荷的波动,以系统的发电成本和备用成本之和最小为目标函数,采用改进的遗传—粒子群算法优化求解。算例仿真验证了模型和算法的有效性。     

基于改进粒子群算法的配电网故障自愈算法

首先根据配电故障自愈系统的基本功能及配电网的供电要求,建立了以计算最大自适应度值为计算目标的配电网故障自愈目标函数及其相关参数的约束条件;随后介绍了基于浓度的改进粒子群寻优算法的工作原理及其实现步骤;最后结合配电网故障自愈目标函数和改进粒子群算法,提出了基于改进粒子群算法的配电网故障自愈控制算法,并给出了算法的实现流程图和仿真结果。仿真结果表明,所提配电网故障自愈控制算法具有较好的收敛性。     

基于粒子群无功优化的网损降低技术研究

在传统无功优化模型上,建立了以网损最小和电压稳定裕度最大为目标函数的多目标优化模型,通过对目标函数加权建立妥协模型,使多目标函数问题转化为单目标函数问题,并采用粒子群算法求解无功优化问题,通过对IEEE30节点系统的算例分析,表明了采用多目标无功优化模型和粒子群算法能够在保证各节点电压不越限的情况下,有效地降低系统网损...     

考虑时序特性和环境成本的并网型分布式电源选址定容规划

基于分布式电源出力和负荷的典型时序特性,建立考虑环境成本的并网型分布式电源选址定容规划模型,以配电网建设费用、损耗费用、购电费用和分布式电源运行费用最小为目标函数,采用可处理PV节点的前推回代潮流计算方法判断规划方案是否满足潮流约束及计算网络损耗。同时,为克服粒子群算法的"早熟"问题,提出了一种将联系数与粒子群算法相结合的改进粒子群算法,并用改进算法对模型进行优化。IEEE13节点系统仿真结果验证了模型的合理性和算法的有效性。     

基于改进粒子群优化算法的电力市场下的无功优化

在厂网分开、竞价上网的市场模式下综合考虑电力系统安全约束，建立了以有功网损和无功费用最小为目标函数并包含各种运行约束条件的电力系统无功优化数学模型。应用改进粒子群优化算法求解该无功优化模型，并结合动态调整罚函数法将无功优化问题转化成无约束求极值问题，从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度，使电网公司取得了最大经济效益。以IEEE30节点系统为例进行了仿真计算，结果表明了本文采用的无功优化模型和算法的正确性、适用性和较好的经济性。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

基于IPSO-WNN的综合能源系统短期负荷预测

针对传统小波神经网络(WNN)综合能源系统负荷预测模型存在收敛速度、易陷入局部最优等缺点而导致预测精度不高的问题,文中提出了一种基于改进粒子群(IPSO)的WNN综合能源系统短期负荷预测方法。利用Pearson系数对各影响因素进行分析,选择合适的因素作为综合能源负荷预测的输入量;对传统粒子群算法进行改进,在PSO中引入混沌算法并根据粒子适应度采用不同的粒子惯性权重选择策略;基于IPSO建立了WNN综合能源系统短期负荷预测模型。通过案例验证,基于IPSO的WNN预测模型相比于传统WNN预测模型,预测精度明显提升。     

工业园区微网调度研究与仿真

为提高新能源消纳能力和供电经济性、可靠性,研究了含风光柴储、生活负荷、具有有限可控能力工业负荷的工业园区微电网,提出了一种基于日前和日内相结合的优化调度方案。为保证日前优化调度的经济性,提出了一种分段变异优化的改进粒子群算法求解调度模型。改进算法相较于传统粒子群算法收敛性速度更快,同时提高了经济性,减少了园区的运行成本。日内运行时,为了校正日前预测偏差,采用源网荷储共同参与调整,保证尽可能跟随日前经济结果,提高微网系统的可靠性。日内调整建立详细化的仿真模型,采用实时仿真技术。利用实时仿真软件RT-LAB和实时仿真机OP4510构建的实时仿真平台,解决模型仿真用时较长、求解困难的问题,验证了工业园区微网调度策略的可行性。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于小波变换和季节性Holt-Winters模型的 短期负荷预测方法

精准的负荷预测对售电公司在电力市场中的运行起着十分重要的作用,而企业用户的负荷受多种因素的影响具有不平稳的特性,对此,提出了基于离散小波分解和粒子群优化的季节性Holt-Winters模型的短期负荷预测方法.针对原始负荷序列周期性不平稳的特性,利用离散小波变换对原始负荷序列进行分解,并采用季节性Holt-Winters模型进行预测,同时借助小波去噪和粒子群算法进一步提高预测模型的准确性.小波去噪在过滤原始数据中潜在的噪声的同时,对数据进行平滑处理,而粒子群算法能让Holt-Winters模型在训练过程找到最优参数.采用该模型来预测具有不同变化趋势的日负荷曲线,结果表明所提出的模型具有较高的预测精度,可适用于不同用电类型的用户负荷短期预测.     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于改进型SVR的电网短期负荷预测

常规的支持向量回归预测模型（SVR）预测算法采用人工经验的方法对RBF核函数参数、不敏感系数和惩罚系数等参数进行选取,其性能会因随机选取的参数而变得随机和不确定。人工鱼群算法的初始参数会对整个算法的优化性能产生较大影响,将粒子群优化算法和混沌机制引入常规人工鱼群算法,对其进行改进,可以提高种群多样性和全局寻优能力,避免优化算法陷入局部最优解。通过实验方法对改进型人工鱼群优化SVR预测模型的性能进行分析。结果表明,所研究的短期负荷预测精度较高,具有较好的工程应用价值。     

基于特征相关分析修正的GPSO-LSTM短期负荷预测

针对多因素互影响造成负荷预测精度低的问题,提出一种基于特征相关分析修正与全局粒子群优化(GPSO)的长短期记忆循环神经网络(LSTM)短期负荷预测新方法.该方法首先对负荷相关序列进行探索性数据分析(EDA)及预处理,找寻特征内在机理与相关联系并加以修正,保证输入特征的强相关性和完整性.针对传统前馈神经网络无法处理序列关联信息和普通循环神经网络无法记忆久远关键信息的缺陷,构建基于LSTM负荷预测模型进行深度学习.由于LSTM网络权值的随机初始化,使得目标函数在训练过程中易陷入局部最优,利用改进粒子群算法优化预测模型的网络权值,提升模型整体预测能力.与反向传播神经网络(BPNN)和递归神经网络(El-man)的基准模型相比,所提模型方法的预测精度提高显著.     

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...     

基于改进二进制粒子群优化算法的负荷均衡化配电网重构

提出了基于改进的二进制粒子群优化算法、以均衡负荷为目标的配电网重构方法。将配电网重构问题表示为以负荷均衡指标最小为目标函数的非线性优化问题,针对配电网开环运行的结构特点对配电网拓扑结构模型进行了简化,并对二进制粒子群优化算法加以改进,以保证配电网的辐射状结构,同时大大减少迭代次数。算例分析结果表明,该方法能够有效解决负荷均衡化的配电网重构问题,计算速度快,收敛性好。