基于改进离散粒子群算法的电力系统机组组合问题

提出一种新的离散粒子群算法。结合改进的自学习策略优化粒子群算法适用于求解电力系统中的机组组合（unit commitment,UC）问题。算法将UC问题分解为具有整型变量和连续变量的2个优化子问题,采用离散粒子群优化和原对偶内点法相结合的双层嵌套方法对外层机组启、停状态变量和内层机组功率经济分配子问题进行交替迭代优化求...     

混合PSO算法在AGC机组调配中的应用

针对自动发电控制(ACC)机组的调配问题,提出将基本粒子群算法与离散粒子群算法相结合混合建模来求解,从而将电力系统机组调配组合这一整数规划问题分解为具有连续变量和离散变量的2个优化子问题.该方法兼顾了AGC机组的性能和价格因素,具有收敛速度快求解精度高等特点.通过对12机系统的算例分析和与其他算法的结果对比,验证了该方法的可行性和有效性.     

含风电场的电力系统机组组合问题随机模拟粒子群算法

由于风电具有随机性,含有风电场的机组组合问题不再是一个常规意义下的确定性问题。利用传统的方法也难获得既经济又有较高可靠性的解。本文建立了基于机会约束规划的含风电场的电力系统机组组合的数学模型,以概率的形式描述相关约束条件,并把组合问题分为内外两层优化子问题求解。外层为机组的启停状态优化,用离散粒子群算法求解,并引入启发式搜索策略,有效提高了机组状态优化效率;内层为负荷经济分配,考虑到风电的不可靠性,利用随机模拟的改进粒子群算法求解,防止种群过早收敛于局部最优解,并确保发电计划的可行性。通过10机系统的算例计算,并与其他文献方法比较,结果表明该算法对解决含有风电场的电力系统机组组合的问题是行之有效的。     

基于搜索+调整的两阶段萤火虫算法求解机组组合问题

提出了一种新颖的基于搜索+调整的两阶段萤火虫算法求解机组组合问题。算法将机组组合求解流程分解为具有离散变量和连续变量的两个优化问题,通过二进制编码的萤火虫算法求解含离散变量的机组启停主问题,利用改进的实数编码萤火虫算法解决连续变量的负荷经济分配子问题,采用调整策略校核和修复约束,实现主子问题的交替迭代求解。算法通过启发式的约束调整策略,以及两种编码方式实现了离散变量和连续变量的分解优化,提高了机组组合问题求解的效率和精度。通过对6个不同规模算例的计算及与其他经典算法的对比,验证了所提算法的有效性和优越性。     

求解机组组合问题的改进离散粒子群算法

电力系统机组组合问题是一个高维数、离散、非线性的大规模复杂工程优化问题.文中提出了一种基于改进离散粒子群优化算法求解机组组合问题的新方法.首先采用新的策略生成粒子,以保证所有生成的粒子均为满足基本约束条件的可行解,使整个算法只在可行解区域进行优化搜索;然后引入优化窗口的概念和启发式的规则以缩短计算时间和提高优化精度.仿真结果表明所提出的算法具有解的质量高、收敛速度快的特点,充分证明了它能很好地解决机组组合问题.     

基于改进飞蛾扑火算法的单时刻参数可变机组组合优化

机组组合属于高维、离散、非凸的混合整数非线性规划问题,具有NPhard特点。提出结合二进制粒子群算法与混沌飞蛾扑火算法的单时刻参数可变机组组合优化方法,将总时刻机组组合问题依次、逐一分解为单时刻启停状态主问题与单时刻经济分配子问题,对主、子问题分别运用二进制粒子群算法与改进飞蛾扑火算法进行交替迭代求解以提升求解速率。运用参数可变策略与优先次序法概率调整策略对算法参数及候选解进行修正,以提升算法运行效率及候选解质量。测试结果表明,本文所提方法具有良好的运算速率及收敛精度,能有效求解大规模机组组合问题。     

基于改进二进制粒子群算法的电力系统机组组合

提出了1种改进的BPSO(二进制粒子群)方法求解机组组合问题.首先,利用优先顺序法确定初始的机组组合,根据这个结果,确定优化窗口的范围,在此范围内利用BPSO进行求解.在每次迭代过程中,通过启发式的调整策略使每代中的粒子都满足约束条件.在经济负荷分配问题上,采用经典的拉格朗日乘子法结合二分法进行求解,大大提高了求解效率.最后将所得结果与其他算法所得结果进行比较,证明所提方法有较强的优越性和实用性.     

一种求解机组组合问题的新型改进粒子群方法

将电力系统中机组组合这一复杂的多约束混合整数规划问题分解为具有整型变量和连续变量的两个优化子问题，提出采用改进离散二进制粒子群算法和标准粒子群算法相结合的双层嵌套方法,分别对外层机组的启、停状态变量和内层功率经济分配进行交替迭代优化求解。同时在算法中引入基于机组优先顺序的变异技术和修补策略，能有效地处理机组最短启、停时间约束，并提高算法的全局寻优能力和计算效率。通过对10机系统的算例计算，并同其他算法的结果进行比较分析，仿真结果表明新方法求解精度高、收敛速度快，从而验证了新方法的可行性和有效性。     

一种求解机组组合问题的新型改进粒子群方法

将电力系统中机组组合这一复杂的多约束混合整数规划问题分解为具有整型变量和连续变量的两个优化子问题,提出采用改进离散二进制粒子群算法和标准粒子群算法相结合的双层嵌套方法,分别对外层机组的启、停状态变量和内层功率经济分配进行交替迭代优化求解。同时在算法中引入基于机组优先顺序的变异技术和修补策略,能有效地处理机组最短启、停时间约束,并提高算法的全局寻优能力和计算效率。通过对10机系统的算例计算,并同其他算法的结果进行比较分析,仿真结果表明新方法求解精度高、收敛速度快,从而验证了新方法的可行性和有效性。     

基于场景树和机会约束规划的含风电场电力系统机组组合

为了解决风电的随机波动性给含大规模风电场电力系统机组组合问题求解带来的影响,采用马尔科夫链原理描述风速变化的规律,并将它与场景树技术相结合,对风电的不确定性进行数学建模。同时基于机会约束规划建立了含风电场机组组合问题的随机数学模型,包含外层机组启停状态优化和内层机组间负荷经济分配两层优化子问题。在求解模型时,将离散粒子群算法(DPSO)与等微增率准则相结合,对两层优化问题进行交替迭代求解;同时提出开停机调整策略改善解的特性。对一个含风电场的10常规机组系统进行算例分析,验证了所提出数学模型和求解方法的合理性和有效性。     

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.     

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。     

Unit commitment using Lagrangian relaxation and particle swarm optimization

Unit commitment (UC) is a NP-hard nonlinear mixed-integer optimization problem. This paper proposes ELRPSO, an algorithm to solve the UC problem using Lagrangian relaxation (LR) and particle swarm optimization (PSO). ELRPSO employs a state-of-the-art powerful PSO variant called comprehensive learning PSO to find a feasible near-optimal UC schedule. Each particle represents Lagrangian multipliers. The PSO uses a low level LR procedure, a reserve repairing heuristic, a unit decommitment heuristic, and an economic dispatch heuristic to obtain a feasible UC schedule for each particle. The reserve repairing heuristic addresses the spinning reserve and minimum up/down time constraints simultaneously. Moreover, the reserve repairing and unit decommitment heuristics consider committing/decommitting a unit for a consecutive period of hours at a time in order to reduce the total startup cost. Each particle is initialized using the Lagrangian multipliers obtained from a LR that iteratively updates the multipliers through an adaptive subgradient heuristic, because the multipliers obtained from the LR tend to be close to the optimal multipliers and have a high potential to lead to a feasible near-optimal UC schedule. Numerical results on test thermal power systems of 10, 20, 40, 60, 80, and 100 units demonstrate that ELRPSO is able to find a low-cost UC schedule in a short time and is robust in performance.     

基于PSO-GA算法的电力系统机组组合研究

机组组合优化问题是一个大规模、多约束、非线性的混合整数规划问题,因此求解非常困难。粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO算法的优势在于操作简单,可调参数少易于实现而又功能强大。该文采用二进制粒子群优化方法解决机组状态组合问题,用遗传算法结合启发式技术解决经济分配问题,并对最小开停机时间及启停费用进行了处理,使得运算速度大大加快。方法的可行性在10台机组系统中检验。模拟结果表明文章所提出的算法具有收敛速度快及解的质量高等优点。     

基于内点法和改进粒子群算法的无功优化混合策略

基于内点法与粒子群算法,提出了一种混合策略来求解电力系统无功优化问题。根据优化变量的不同性质将无功优化问题分解为离散优化和连续优化两个子问题,采用改进的粒子群优化算法和内点法交替求解,使两者的优化结果互为基础,提高了混合策略的整体寻优效率;根据粒子运动趋势及目标函数中网损与节点电压无功的相关性,对基本粒子群算法进行改进,自适应调整惯性权重和罚因子;以IEEE30节点系统和某实际地区电网作为试验系统,验证了该算法的正确性和有效性。     

智能配电网中微电网的多目标优化配置

微电网在配电网中的优化布置与定容问题是智能电网发展面临的重要问题,为此同时考虑了有功网损和电压改善程度2个重要指标,将微电网接入智能配电网的配置问题转化为同时含有连续变量(微电网的接入容量)和离散变量(微电网的接入位置)的多目标非线性优化问题,并结合具有量子行为的粒子群优化算法和二进制粒子群优化算法进行求解.算例结果验证了该方法的有效性,可对微电网在规划阶段的选址和定容提供参考.     

混合型无线传感器网络覆盖空洞修复算法

针对无线传感器执行器网络运行过程中节点必要的移动或者失效导致的感知空洞,提出了一种基于混合粒子群优化算法的空洞修复方案,该方案首先提出一种基于网格的网络覆盖率,并以此为优化目标将空洞修复问题转化为无约束优化问题,然后使用融合了模拟退火思想的粒子群优化算法对优化问题进行求解,最后仿真证明模拟退火算法的概率突跳特性弥补了粒子群优化算法容易陷入早熟收敛的缺陷,该混合算法可以对空洞修复问题进行有效地求解。