市场环境下中长期发输电协调检修计划优化

根据电力市场环境中检修计划的特点,建立了协调市场各方利益的发输电一体化检修计划优化的数学模型,该模型综合考虑电力系统安全经济性和电力市场公平性,并考虑机组检修和输电设备检修之间的相互关联关系.针对该优化模型的求解,利用遗传算法(GA)和粒子群优化(PSO)算法相似的优化框架和优化流程,提出一种充分结合GA和PSO算法各自优点的混合智能算法,该算法将群体分成2个子群,分别采用GA和PSO算法进行演化,并充分交换2种算法所获取的优化信息,形成一个紧密耦合的、新型的遗传粒子群优化算法.算例证明,该算法在求解发电、输电设备检修协调优化这样的大规模复杂优化问题时,在全局搜索和局部搜索方面都表现出了良好的均衡性.     

发电机组检修计划优化模型的蚁群-粒子群混合算法

针对检修计划的多目标、多约束特性,以系统运行总费用最小为目标建立经济性模型,并利用蚁群-粒子群混合算法进行求解。对于蚁群算法(ant colony algorithm,ACA)运行参数的选取问题,利用粒子群优化(particle swarm optimization,PSO)算法对蚁群系统参数α和β进行训练优化选择,同时引入状态表记忆机制和惩罚因子,从而提高ACA求解速度和解的质量。算例仿真结果证明,该模型具有很好的经济性和实用性。     

基于改进HPSO算法的风电场内部无功优化研究

双馈风电机组(DFIG)是当前风电场的主流机型之一,具有有功功率和无功功率可解耦控制的优点。将风电场中每一台DIFG机组作为单独的连续无功源,以每台DIFG机组无功出力为控制变量,把双馈风电场内部有功网损设为目标函数建立无功优化模型。为了减少风电场内部有功网损并稳定节点电压,在基本粒子群(PSO)算法的基础上引入了自适应权重和遗传算法中的杂交概念,提出了一种混合PSO算法,并将该方法应用于风电场内部无功优化模型求解。以华北地区某风电场为例,在MATLAB软件中采用改进HPSO算法对所建立的无功优化模型进行了求解,求解结果与基本PSO算法和线性递减权重的PSO算法相比,改进HPSO算法收敛速度更快且结果更优,验证了文中模型和算法的正确性。     

基于改进粒子群优化算法的输电系统多阶段协调规划

提出了一种输电系统多阶段协调规划模型,模型中计入了以N-1静态安全条件表示的可靠性约束,并对采用粒子群优化算法PSO(Partic le Swarm Optim ization)来求解该模型进行了研究,引入新的变异策略对基本PSO算法进行了改进,改进后的算法可以处理多维的离散变量,有可能使粒子摆脱局部最优,提高搜索效率。仿真算例表明该方法用于输电系统的多阶段协调规划是可行的。     

基于改进粒子群优化算法的输电系统多阶段协调规划

提出了一种输电系统多阶段协调规划模型,模型中计入了以N-1静态安全条件表示的可靠性约束,并对采用粒子群优化算法PSO(Particle Swarm Optimization)来求解该模型进行了研究,引入新的变异策略对基本PSO算法进行了改进,改进后的算法可以处理多维的离散变量,有可能使粒子摆脱局部最优,提高搜索效率.仿真算例表明该方法用于输电系统的多阶段协调规划是可行的.     

粒子群优化算法在配电网网架优化规划中的应用

粒子群优化(PSO)算法已经成功地用于求解连续域问题,但是对于离散域问题的求解研究还很少。文中使用模糊离散粒子群优化算法,用于求解配电网网架优化问题。采用模糊矩阵表示粒子的位置和速度。为了处理配电网辐射性结构的约束条件,引入了图论中的最小生成树问题。最后对算例进行测试,检验该方法的有效性及应用效果。     

自适应粒子群优化算法在电力系统无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。IEEE30节点无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

粒子群优化算法在配电网网架优化规划中的应用

粒子群优化(PSO)算法已经成功地用于求解连续域问题,但是对于离散域问题的求解研究还很少.文中使用模糊离散粒子群优化算法,用于求解配电网网架优化问题.采用模糊矩阵表示粒子的位置和速度.为了处理配电网辐射性结构的约束条件,引入了图论中的最小生成树问题.最后对算例进行测试,检验该方法的有效性及应用效果.     

配电网检修计划优化模型设计

从中国配电网的实际情况和配电网设备检修工作的实际需要出发,挖掘和提炼了电网企业最关心的检修计划优化目标以及制定计划中所要考虑的各种影响因素和约束条件,建立了在保证配电网安全运行的前提下,以最大限度提高配电网的供电可靠性、降低设备检修造成的网损为目标的优化模型,并针对该模型探讨了相应的求解方法.     

配电网可靠性优化的研究

采用优化方法分析了配电网可靠性与经济性之间的关系，优化的目标函数为停电损失函数，状态变量为负荷点的强迫停运率和强迫停运时间，利用非线性规划计算状态变量的优化值，作为进行配电网规划，供电设备检修的依据，结果表明，该方法有效可行，优于传统的技术经济多方案的比较方法。     

基于改进PSO算法的短期发电计划研究

介绍了粒子群优化算法PSO(Panicle Swarm Optimization),并针对短期发电计划中的优化问题提出了一种改进PSO算法,将表示机组开停机状态的离散变量转换为0～1范围内的连续变量．与机组出力一起进行PSO优化搜索,然后再利用就近取整函数“mund”将其转换成整数变量。详细描述了应用改进PSO算法求解机组优化启停问题的具体步骤。将该方法应用于10机系统,实验结果表明该改进PSO算法用于短期发电计划是可行的。     

供电设备检修优化算法及其在地区电网中的应用

针对某地区电力局检修计划安排的实际情况,建立了满足地区电网要求的检修计划优化模型。该模型基于停电范围形成变量集,并以设备偏离到期检修时间最少和工作量分配最合理为目标函数。采用混沌粒子群优化(chaos particle swarm optimization,CPSO)算法来求解模型,该算法将所有粒子分成几个粒子簇。粒子向最优点靠拢的过程中,在解空间做混沌搜索,并更新粒子的历史最优值。通过某地区电网算例,对CPSO算法与遗传算法、标准PSO算法进行了比较,结果表明CPSO算法全局搜索能力和收敛性能优于后2种方法,具有良好的工程应用前景。     

计及隐性损失的输电线路检修计划优化方法

建立以经济性为目标函数的检修优化模型,提出了停电损失包含显性损失和隐性损失2个部分,采用可靠性价值指标变化量和风险指标变化量量度隐性损失,利用线路过负荷、节点电压越限和频率稳定等情况描述风险指标变化量,利用期望缺供电量变化描述可靠性价值指标变化量。将该隐性损失模型用于输电网络计划检修优化模型,利用Benders分解法将检修优化模型分解为多目标混合整数规划的主问题和基于可信性理论的子问题进行求解。将该优化模型应用于云南电网输电网络日、周和月计划检修优化,对比粒子群优化算法和遗传算法计算结果,验证了该方法的正确性。     

基于工作流的电网检修计划管理系统研究

为实现电网检修计划管理业务流程的网络化、自动化,利用微软的工作流新技术W indows W orkflowFoundation(WWF),提出了基于MS.NET平台的电网检修计划管理系统解决方案。利用Petri网对一个典型的电网检修计划业务流程建模并分析所建模型的正确性,给出了基于WWF模型驱动和面向组件实现所建电网检修计划工作流模型的可视化设计方法,能够较好地满足实际应用的需要,具有实现成本低、开发难度小,系统灵活性、可扩展性好等优点。     

基于混合粒子群算法并计及概率的梯级水电站短期优化调度

针对梯级水电站短期优化调度的不确定性问题,研究了不确定性因素的概率分布规律,并根据实际系统的运行要求,给出了概率分布密度函数的假设检验方法。探索发电用水量与各种随机因素的互动关系及影响机理,构建了一种新的计及概率的梯级水电站短期优化调度策略。把灾变理论、混沌优化思想和基本粒子群算法结合起来,形成一种混合粒子群算法。该算法扩大了种群的搜索空间,增加了种群的多样性,改善了基本粒子群算法摆脱局部极值点的能力,并能从理论上证明其依概率收敛至全局最优解。将混合粒子群算法嵌入蒙特卡罗随机模拟中对本文提出的模型进行求解,求解方法简单有效。仿真结果表明,该策略能较好地处理不确定性条件下梯级水电站的短期优化调度问题。     

基于虚拟机动态迁移的电力仿真云计算平台资源调度策略

针对目前电力系统仿真计算实时性与计算精度要求高、平台可扩展性差以及资源利用率低等特点,首先给出了一种基于开源基础设施平台OpenStack和并行处理框架Hadoop的电力仿真云计算平台架构,能够以较低成本实现动态扩展、高效计算和海量存储等功能。其次,结合电力系统仿真任务特点,给出了一种基于多目标粒子群优化(PSO)算法的虚拟机迁移策略,实现电力仿真云计算平台资源调度。虚拟机迁移过程采用指数平滑预测模型确定热点,选择虚拟机时综合考虑迁移速度和效果两个因素,利用多目标PSO算法搜索目标节点,使得电力系统仿真计算在保证服务质量的同时兼顾高资源利用率和低运行成本的优势。最后,通过CloudSim进行仿真实验,将所提算法与贪心迁移算法和顺序放置非迁移算法进行对比。实验表明,所提算法在服务等级协议(SLA)违背率、剩余资源率、能耗以及虚拟机迁移次数等指标上均优于其他算法,验证了基于虚拟机动态迁移的多目标PSO算法在电力仿真云计算平台资源调度中的优势和可行性。     

粒子群优化算法在电力系统中的应用综述

粒子群优化(PSO)算法是一种新兴的群体智能优化技术,其思想来源于人工生命和演化计算理论,PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。在大量参阅国内外相关文献的基础上,简要介绍了PSO算法的工作原理,较为全面地详述了粒子群优化方法在电力系统中的应用,如电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面,并对今后可能的应用指出了研究方向。     

改进粒子群算法在梯级水电站优化调度研究中的应用

针对梯级电站优化调度具有多阶段、非线性和组合性的特点,采用改进粒子群算法来求解。针对目前采用的基本粒子群算法在求解时存在易陷入局部最优和早熟的缺点,改进粒子群算法以混沌变量生成机制来增加种群的多样性,以逐步优化和随机生成相结合的方法生成初始种群,以增加粒子生成的有效性。实例计算结果表明,改进粒子群算法可以取得较好的效果,并为梯级电站优化调度提供了一种有效的方法。     

基于改进微粒群算法的水火电力系统短期发电计划优化

微粒群算法(PSO)来源于对社会模型的模拟,是一种随机全局优化技术。该算法简单,容易实现,且功能强大。中对PSO进行了改进,引入了“分群”和“灾变”思想,并应用于求解水火电力系统的短期有功负荷最优分配问题。通过具体算例验证了改进PSO算法的有效性,而且其收敛速度比遗传算法(GA)快,求解精度比普通的PSO和GA的高。