应用粒子群优化算法求解市场环境下的电力系统动态经济调度问题

在竞争性的电力市场环境下,为了获得最大化的社会利润,提出了基于竞价机制的动态经济调度模型,该模型综合考虑了发电机组的爬坡约束、输电线路的容量约束和污染气体排放量的约束.针对该模型,提出了一种新的求解方法:粒子群优化算法(PSO).算例的结果表明,PSO算法能够有效地得到一个高性能的优化调度结果.     

基于局部随机搜索粒子群优化算法的电站短期发电优化调度

为提高粒子群优化(PSO)算法搜索精度、加快后期收敛速度,提出一种新的PSO算法,即局部随机搜索PSO算法。该算法用于求解电力系统的短期发电优化调度问题时,不仅要求满足电站实际运行中的系统负荷平衡约束,而且要考虑机组爬坡约束、出力限制区约束等非线性约束。给出了局部随机搜索PSO算法的步骤及短期发电优化调度问题求解方法。通过应用所提出的算法和其他文献提出的PSO算法、改进快速进化规划(IFEP)算法对15机系统的优化调度计算相比,证明所提出的算法最优解的发电费用最低,分别减少了3.8%和1%。     

水电站水库优化调度几种求解方法的比较研究

针对水电站水库优化调度模型的求解,比较了常用的动态规划法、逐欢优化法(POA)和粒子群优化算法(PSO)3种求解方法.给出了3种算法的实现过程及约束处理方法,尤其针对粒子群优化算法,纠正了常见的约束处理和算法不结合问题.结论认为PSO水库优化调度模型和解法融合了模拟调度的思想,更容易为调度人员所接受,且能有效避免动态规划"维数灾"问题.但存在计算时间长,实时性差等问题,在实效要求较低情况下可以应用.     

育种粒子群算法在梯级水电站优化调度中的应用

为了提高粒子群优化(Particle Swarm Optimization,PSO)算法的计算精度和计算效率,避免"早熟",提出了育种粒子群优化算法(Breeding-based Particle Swarm Optimization,BBPSO).该算法模型将育种算法和PSO算法有机结合,构建双群体搜索机制,既利用PSO算法的快速演化能力,又利用育种算法模型中的繁殖操作增加群体多样性.将该算法模型应用于梯级水电站发电最优调度中,仿真结果表明,和标准PSO算法相比,BBPSO具有更好的全局寻优能力和较快的收敛速度,能有效应用于梯级电站发电联合优化调度中.     

基于改进PSO调度模型的水电站发电量分析

鉴于以往水库优化调度的求解精度受制于离散的密度的不足，引入可连续域寻优的粒子群算法，建立基于PSO水库优化调度模型，并针对粒子群算法易出现的收敛性差和处理约束问题困难等问题，提出了改进措施，并应用到水电站的发电量分析中。     

计及阀点效应负荷经济分配的SCE-UA算法

针对水火电能源丰枯、峰谷补偿特性,研究水火电力系统补偿调节机制,建立了基于SCE-UA算法解决水火电力系统短期联合优化调度模型,该模型以阀点效应下最小发电成本为目标函数,同时考虑了包括功率平衡、水量平衡、库容及发电机组功率限制等约束条件。本文用罚函数约束策略有效处理系统运行约束,实现对水火电联调系统运行区域的精确描述。为了说明SCE-UA算法的一致有效性,我们分别用SCE-UA和粒子群优化(PSO)两种算法对短期水火电优化调度问题进行求解。计算结果表明:粒子群算法(PSO)算法在求解过程中存在"早熟现象",无法寻找到全局最优解;而SCE-UA算法能在很少的迭代次数内收敛到较好的优化结果,同时满足水火电联调系统所有约束条件。因此,SCE-UA算法在求解以发电成本最小为目标函数的短期水火电优化调度问题上是非常有效的。     

基于粒子群优化算法的输变电设备检修优化

传统的检修优化模型中,设备的检修状态变量采用0、1二元变量表示,无法用粒子群优化算法(PSO)求解。提出了一种新的输变电设备检修优化模型。该模型用整数表示检修状态变量,使得检修约束得以简化,有利于PSO的求解。仿真结果表明,与遗传算法(GA)相比,在该模型下PSO收敛速度更快,获得更优的解。     

自适应多策略粒子群算法在水库群优化调度中的应用

根据梯级水电站优化调度特点,建立粒子群算法求解多阶段最优化问题数学模型.针对基本粒子群算法(PSO)在早期存在精度较低、易发散等缺点,后期出现"趋同性"和"早熟"等现象,提出了自适应多策略粒子群算法.并将该算法与基本PSO、改进型PSO、杂交PSO和收敛因子PSO分别在雅砻江梯级水库群优化调度中应用,通过对其优化结果的比较,验证了改进算法在加快收敛速度和提高算法精度方面的有效性.     

引入可调度空间约束的电力系统优化调度模型

传统电力系统优化模型通常以火电机组固有技术出力作为该机组的出力约束,而实际运行中,机组调度出力范围还受净负荷值及机组上一时段出力的影响,出力约束存在较大的优化空间。为有效缩减机组出力变量的可行域范围,提出净负荷增量指标,应用该指标及机组上一时段的出力状态优化各机组可调度空间范围。进一步以可调度空间范围作为约束,建立改进电力系统优化调度模型。运用标准粒子群与模拟退火算法相结合的混合粒子群算法求解。算例结果表明,混合粒子群算法能够有效改进标准粒子群算法陷入局部最优的缺点,提高模型求解精度;此外,引入可调度空间值约束的电力系统优化调度模型与传统优化调度模型相比,在确保求解精度的同时大大减少了计算量,且不易陷入局部最优。该改进的思路与方法也可应用于其它能源系统的优化调度模型中。     

基于PSO-BBO混合优化算法的动态经济调度问题

动态经济调度(Dynamic Economic Dispatch,DED)问题是电力系统运行与控制领域比较经典的多变量、非线性、强约束优化问题。为解决该问题,提出了将粒子群优化算法(Particle Swarm Optimization,PSO)和基本生物地理学优化算法(Biogeography-Based Optimization,BBO)相结合的改进生物地理学优化算法,并将该改进方法应用于一天24时段10机39节点标准算例。在考虑网损与不考虑网损两种情况下分别进行仿真分析,并将仿真结果与PSO和基本BBO算法以及参考文献中提出的六种智能算法进行对比,验证了该改进算法的有效性及在寻优能力上的提高。     

基于随机模拟粒子群算法的含风电场电力系统经济调度

由于风电具有随机性,目前尚无法较准确预测其出力,因此含有风电的电力系统经济调度不再是-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经济调度数学模型,以概率的形式描述相关约束条件,考虑了机组的爬坡约束、出力限制,线路潮流限制、备用约束及负荷平衡等约束条件,利用基于随机模拟的粒子群算法求解该问题.通过IEEE30节点系统的算例验证,表明该模型与算法的有效性.     

基于粒子群优化算法的AGC机组调配研究

电力市场下AGC机组的调配问题是辅助服务领域中的一个重要研究内容。提出了一种基于粒子群优化算法的AGC机组调配方案。该方法基于AGC机组调配的数学模型,考虑了机组调节容量,调节速率等约束条件。介绍了算法的基本原理,并分析了参数的不同取值对算法收敛性的影响。实际系统的算例表明,利用粒子群优化算法,不仅可以克服整数规划法可能得不到最优解的缺点,而且与遗传算法比较具有收敛性好,收敛速度快的优点,从而为AGC机组的调配问题提供了一种新的有效算法。     

基于实时电价的微网PSO最优潮流算法研究

针对含多种DER的中压微网系统,提出基于实时电价的微网PSO最优潮流算法。首先推导了包含可中断负荷且与大电网可双向潮流交换的微网经济成本方程及包含能量流失的蓄电池运行约束方程。考虑了目前备受关注的PM10对健康的影响,综合经济、环境、健康成本及多种约束,以微网24小时运行费用最小为目标,建立了微网综合经济运行的优化模型。之后,提出基于牛顿-拉夫逊最优潮流算法的混沌PSO算法,结合某电力市场的实时电价和通过负荷预测获取的负荷曲线,在满足负荷需求的前提下,实现可中断负荷、蓄电池、DER与大电网功率的经济共享。最后,在Matlab环境下编程实现了该混沌PSO最优潮流算法。通过对某中压微网系统4种运行状态下的经济性分析,验证了该方法的正确性和有效性。     

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.     

一种用于机组组合问题的改进双重粒子群算法

为了更经济快速地解决机组组合问题,提出一种改进双重粒子群优化(particle swarm optimization,PSO)算法,包含离散部分和连续部分。离散PSO分时段优化机组的启停状态,在种群更新时加入了临界算子,改进了可行解的判别条件,各机组出力最低值的和要在一定程度上低于负荷需求值,并考虑机组启停时间的向前继承和向后约束。连续PSO用于启停状态确定过程中和确定后的负荷分配,考虑功率平衡约束、热备用约束和机组的出力上下限约束。求解经济负荷分配时,利用罚函数的方法满足机组的爬坡速率约束,最后得到煤耗最小值。采用2个24时段的算例进行仿真,实验结果表明新算法减少了搜索量,提高了收敛速度,并为机组组合问题提出了新思路。     

空间耦合粒子群优化算法及峰谷电价下IES-CCHP区域联合调度

综合能源系统中电力、天然气和热力系统之间的交互影响具有一定的相关性。考虑能源间转换关系以及系统对分时电价的响应,以最小化购售电计划交易成本、燃料成本和排放污染气体所产生的环境成本为目标,建立峰谷电价下冷热电联供(CCHP)系统区域联合环保经济调度模型。为解决粒子群优化算法求解模型时存在的优化效率低、易陷入局部最优、计算结果随机性强等问题,提出一种空间耦合粒子群优化算法。在粒子寻优多维参数空间上,通过引入耦合协调数学模型将各维参数有效耦合,从而使所有参数从总体上同时趋向最优解。仿真结果表明,相比经典粒子群优化算法和改进粒子群优化算法,空间耦合粒子群优化算法有较强的全局搜索能力和更可靠的优化计算结果;所提CCHP系统的联合调度模型能有效促进能源的高效利用、电力的经济调度和节能减排。     

空间耦合粒子群优化算法及峰谷电价下IES-CCHP区域联合调度

综合能源系统中电力、天然气和热力系统之间的交互影响具有一定的相关性。考虑能源间转换关系以及系统对分时电价的响应,以最小化购售电计划交易成本、燃料成本和排放污染气体所产生的环境成本为目标,建立峰谷电价下冷热电联供(CCHP)系统区域联合环保经济调度模型。为解决粒子群优化算法求解模型时存在的优化效率低、易陷入局部最优、计算结果随机性强等问题,提出一种空间耦合粒子群优化算法。在粒子寻优多维参数空间上,通过引入耦合协调数学模型将各维参数有效耦合,从而使所有参数从总体上同时趋向最优解。仿真结果表明,相比经典粒子群优化算法和改进粒子群优化算法,空间耦合粒子群优化算法有较强的全局搜索能力和更可靠的优化计算结果; 所提CCHP系统的联合调度模型能有效促进能源的高效利用、电力的经济调度和节能减排。     

Solution of optimal reactive power dispatch of power systems using hybrid particle swarm optimization and imperialist competitive algorithms

Management of reactive power resources is essential for secure and stable operation of power systems in the standpoint of voltage stability. In power systems, the purpose of optimal reactive power dispatch (ORPD) problem is to identify optimal values of control variables to minimize the objective function considering the constraints. The most popular objective functions in ORPD problem are the total transmission line loss and total voltage deviation (TVD). This paper proposes a hybrid approach based on imperialist competitive algorithm (ICA) and particle swarm optimization (PSO) to find the solution of optimal reactive power dispatch (ORPD) of power systems. The proposed hybrid method is implemented on standard IEEE 57-bus and IEEE 118-bus test systems. The obtained results show that the proposed hybrid approach is more effective and has higher capability in finding better solutions in comparison to ICA and PSO methods.     

A particle swarm optimization for economic dispatch with nonsmooth cost functions

This work presents a new approach to economic dispatch (ED) problems with nonsmooth cost functions using a particle swarm optimization (PSO) technique. The practical ED problems have nonsmooth cost functions with equality and inequality constraints that make the problem of finding the global optimum difficult using any mathematical approaches. A modified PSO (MPSO) mechanism is suggested to deal with the equality and inequality constraints in the ED problems. A constraint treatment mechanism is devised in such a way that the dynamic process inherent in the conventional PSO is preserved. Moreover, a dynamic search-space reduction strategy is devised to accelerate the optimization process. To show its efficiency and effectiveness, the proposed MPSO is applied to test ED problems, one with smooth cost functions and others with nonsmooth cost functions considering valve-point effects and multi-fuel problems. The results of the MPSO are compared with the results of conventional numerical methods, Tabu search method, evolutionary programming approaches, genetic algorithm, and modified Hopfield neural network approaches.