基于改进粒子群算法的电力系统无功优化研究

阐述了一种改进粒子群的无功优化方法.粒子群优化(PSO)算法是进化计算领域中的一个新的分支,其源于对鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,文章提出混沌粒子群算法,该算法可以较好地避免PSO算法过快收敛于局部最优解,有较快的收敛速度.文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的.     

改进粒子群算法在无功优化中的应用

建立了无功优化的数学模型,针对粒子群算法易陷入局部最优解、收敛精度差的缺点,将改进粒子群优化算法应用到电力系统无功优化中。对粒子群的速度公式进行了改进,并在算法中引入反正切惯性权重和阈值来增强搜索全局最优解的能力。通过对IEEE30节点的算例仿真,证明改进后的粒子群算法在电力系统无功优化问题上具有一定的可行性。与PSO的结果对比表明该算法在一定程度上提高了计算的精度。     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是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,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

改进粒子群算法在电力系统无功优化中的应用

针对传统粒子群算法易出现早熟收敛、易陷入局部最优、搜索精度低等问题,从惯性权重和加速常数两方面对其进行改进.将改进后的粒子群算法应用到电网无功优化中,加快了收敛速度和提高了搜索精度.仿真结果证明了改进的粒子群算法的正确性及有效性.     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

一种改进型粒子群优化算法在电力系统经济负荷分配中的应用

针对机组数不同的电力系统设计优化方案,提出将基于有效群体利用策略的粒子群算法应用到经济负荷分配问题的解决中。该改进算法通过有效改变粒子数目,并改进了速度位移方程,加快了算法的收敛速度,同时提高其收敛精度。为验证该算法的有效性,针对机组数不同的电力系统经济负荷分配进行了测试,并与其他优化算法进行了比对测试。结果证明了该算法可高效准确地找到最优解,有效避免了陷入局部最优的问题,并保证了较快的运行速度。     

基于改进云粒子群算法的电力系统无功优化研究

针对云粒子群算法(CPSO)在电力系统无功优化中易陷入局部极值,也存在早熟收敛问题,将基于云数字特征(期望值、熵值、超熵值)编码的云粒子群算法进行了改进:依据解空间的变换将局部搜索和全局搜索相结合,用正态云算子实现粒子的进化学习和交叉变异操作。改进的算法在时间、存储量性能上有了明显的提高,将改进后的算法应用到IEEE30节点标准测试系统和电网中进行仿真运算,与其它算法进行比较。结果表明,该方法在配电网无功优化中能取得更好的全局最优解,加快了收敛速度,提高了收敛精度。     

电力系统机组组合问题的改进粒子群优化算法

机组组合问题是一个大规模的非线性混合整数规划问题.文章首先对机组组合问题的0、1变量进行松弛,应用罚函数方法将此问题转化为一个非线性连续变量的规划问题,并应用改进粒子群优化算法求解.该算法在标准的粒子群优化算法的基础上,每个粒子速度和位置的更新不仅考虑自身个体极值和全局极值的信息,还考虑其它粒子所包含的信息.通过收敛性分析可知,若合适地选择算法的控制参数,该算法能较好地收敛到最优解.算例表明文章所提出的算法具有解的质量高、收敛速度快的优点.     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

基于改进PSO-BP神经网络的短期电力负荷预测研究

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解.该文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对短期电力负荷进行预测.实践结果表明:改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的预测精度.     

电力系统无功优化的多智能体粒子群优化算法

无功优化是电力系统实现电压和无功功率最优控制和调度的基础,提出了一种全新的优化算法一多智能体粒子群优化算法来求解此类优化问题。该算法结合multi-agent系统和粒子群优化技术,构造了一个格子环境,所有Agent都固定在格子环境中。每一个Agent相当于粒子群优化算法中的一个粒子,它们通过与其邻居的竞争、合作和自学习操作,并且吸收了粒子群优化算法的进化机理,能够更快地、更精确地收敛到全局最优解。在IEEE30节点系统上进行校验,并与其它方法比较,结果表明,提出的算法具有质量高的解、收敛特性好、运行速度快的突出优点。     

基于自适应权重PSO算法的分布式光伏并网极限容量计算

为了提高配电网接纳光伏的能力,保证配电网的安全运行和良好的电能质量,提出一种基于自适应权重粒子群优化(particle swarm optimization,PSO)算法的分布式光伏并网极限容量计算方法。综合考虑光伏接入容量、电压偏差、线路载流、谐波畸变率、不允许功率倒送的约束条件,建立分布式光伏并网极限容量计算模型;引入自适应惯性权重系数对传统PSO算法进行改进并对模型求解;在满足约束条件的前提下,计算不同规划方式下的分布式光伏并网极限容量,并分析接入后对配电网电能质量的影响。IEEE 69节点配电网模型的仿真结果表明:所提出的方法能够高效求解光伏并网极限容量问题,提高配电网对分布式光伏的接纳能力。     

电网规划综合评判决策系统的设计与应用

提出了一种求解电力系统负荷经济分配问题的改进粒子群优化算法.该算法考虑了机组的爬坡约束、出力限制区约束、非光滑费用函数曲线等非线性特性,用保留可行解的方法处理负荷平衡约束条件,用自适应罚函数法处理爬坡和出力限制区约束条件,加快了算法的收敛速度,对不活动粒子的处理使算法避免了"早熟"现象.仿真计算表明,改进粒子群优化算法是一种求解负荷经济分配问题的有效方法.     

基于MAPSO优化的智能配电网大面积断电供电恢复

当含分布式电源的智能配电网发生大规模停电事故时,必须尽快制定供电恢复计划,减少停电面积。在保证配电网安全运行的前提下,考虑以甩负荷最少及开关操作次数最少两方面因素建立含分布式电源的智能配电网供电恢复模型,提出采用多智能体粒子群优化算法快速恢复孤岛外非故障断电区域负荷供电。该算法在二进制粒子群优化算法基础上引入Multi-Agent概念,每一个Agent相当于一个粒子,通过粒子Agent之间的竞争与合作操作使其快速有效地收敛到全局最优解。算例结果证明了所提算法的可行性和有效性。     

Daily Hydrothermal Generation Scheduling by a new Modified Adaptive Particle Swarm Optimization technique

The fundamental requirement of power system hydrothermal scheduling is to determine the optimal amount of generated powers for the hydro and thermal units of the system in the scheduling horizon of 1 day or few days while satisfying the constraints of the hydroelectric system, thermal plants and electrical power system. Daily Hydrothermal Generation Scheduling (DHGS) is a complicated non-linear, non-convex and non-smooth optimization problem with discontinuous solution space. To deal with this complicated problem, a new Modified Adaptive Particle Swarm Optimization (MAPSO) is proposed in this paper. The inertia weight and acceleration coefficients of the PSO are adaptively changed in the MAPSO owning tree topology. We split-up the cognitive behavior of PSO into the best and not-best parts. The proposed not-best cognitive component, unlike recent methods, retains its dynamic behavior throughout the search process. Personal best position exchanging method is proposed to increase activities of particles to explore broad space. New velocity limiter is also proposed in this paper to enhance exploration capability and convergence behavior of the MAPSO. The proposed MAPSO is tested on six test systems and compared with some recent research works in the area.     

基于动态多种群粒子群算法的无功优化

提出了一种基于动态多种群策略的改进粒子群算法。该算法将传统粒子群优化算法(particle swarm optimization，PSO)中的种群划分成多个子群，每个子群相对独立地朝同一目标进化，仅通过一种轮形结构的弱联系进行交流。在进化过程中各种群不断分裂和聚类重组，动态调整种群规模以更好地适应进化。该算法可以较好地避免PSO算法过快收敛于局部最优解，并且有较快的收敛速度。文中将该算法应用于求解电力系统无功优化问题，并与标准PSO算法的性能进行了对比，仿真计算证明该算法是有效、可行的。     

自适应PSO-LADRC的永磁同步电机转速控制

为提升永磁同步电机（permanent magnet synchronous motor,PMSM）伺服系统的动态响应与抗扰动能力,提出一种基于自适应粒子群（APSO）的双闭环线性自抗扰控制（APSO-LADRC）策略。首先,通过分析PMSM转速与电流运动模型,构建级联形式的转速环、电流环LADRC控制器;其次,针对PSO易陷于局部寻优的缺陷,引入进化速度与聚合度因子构造惯性权值自适应律,从而实现粒子群迭代过程中惯性权重的动态调整以获得更优的寻优效果;最后,选取ITAE指标作为优化目标与约束条件,并以此实现双闭环LADRC控制参数的自主寻优。开展的系列仿真结果均表明,该方法能够有效提升PMSM伺服系统的控制品质,并解决人工参数整定困难的问题。     

基于微粒群单神经元的BLDCM调速算法研究

无刷直流电机(BLDCM)是一种多变量、非线性的系统,传统控制算法难以满足系统的控制要求,针对这一现状,提出了一种基于微粒群单神经元的自适应速度控制算法,该算法利用单神经元在线调整连接权值的能力实现自适应控制,以微粒群优化算法对单神经元的学习步长进行在线优化,提高了单神经元的自学习、自适应能力。仿真实验表明,系统超调量小、转速响应快、转速波动小,比传统PID速度控制具有更好的动静态特性和鲁棒性。研究结果为分析和设计BLDCM控制策略提供了有效的平台,具有一定的理论和工程实际意义。     

求解电力库模式下竞价管理问题的改进粒子群算法

提出了一种新的用于求解电力库模式下竞价管理问题的改进粒子群算法，改善了基本粒子群优化算法收敛精度不高且易陷入局部极值的缺点。每个粒子的速度和位置的更新不仅考虑了自身个体极值和全局极值的信息，还考虑了其他粒子所包含的信息，并通过改变惯性权重保持了群体的多样性。通过收敛性分析可知，该算法能较好地收敛到最优解。算例结果表明本文提出的算法比其他算法更具有优越性。     

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。