基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收 敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题.该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力.通过算例分析表明,采用自适应混沌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Logistic混沌映射的自适应粒子群无功优化研究

针对自适应粒子群算法在无功优化中引入交叉变异等算子后出现收敛速度变慢的问题,将Logistic混沌映射引入到自适应粒子群算法之中,通过计算粒子适应度值,将具有较好适应度值的粒子位置即最优位置进行Logistic混沌优化。通过对IEEE 14节点及IEEE 57节点系统进行仿真计算,以网损最小为优化目标,验证了该算法可以提高粒子取值的有效性和多样性,能使无功优化的控制变量较快地跳出局部最优,加快了算法的收敛速度,对解决电力系统无功优化问题具有一定的参考意义。     

基于强引导粒子群与混沌优化的电力系统无功优化

为解决粒子群优化后期搜索速度较缓慢,易陷入局部最优的问题,提出一种基于强引导粒子群与混沌寻优相结合的电力系统无功优化算法,该算法在采用强引导型粒子群的基础上引入混沌优化以进一步提高全局寻优能力,即在粒子群算法的基础上引入强引导思想,在搜索初期,对粒子位置的更新加以引导,减少算法随机性以提高搜索效率。为进一步解决寻优后期粒子可能陷入早熟收敛的问题,利用混沌优化具有"奇异吸引子"的特性,在解空间进一步搜索,两者的结合可以更有效地搜索到全局最优解。通过对某高压配电网的具体计算,最优降损率可以达到14.04%,节点最低电压从0.895 0 p.u.提高到0.995 6 p.u.,结果表明该算法应用在电力系统无功优化领域的可行性和有效性。     

基于共享免疫粒子群算法的电力系统无功优化

针对电力系统无功优化中的粒子群算法计算效率较低,而且易陷入局部最优解等问题,将共享免疫粒子群算法应用到无功优化中,该算法在进行初始化时,运用正交的思想,使得粒子分布均匀;并用记忆粒子和克隆选择来更新粒子,这样可以很好地保持优化过程中粒子群的多样性。经过算例计算证明,共享免疫粒子群算法与其他算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于自学习迁移粒子群算法及高斯罚函数的无功优化方法

针对粒子群算法在求解无功优化问题时存在早熟收敛,易陷于局部最优的现象,提出了自学习迁移粒子群算法(self-learning migration particle swarm optimization,SLMPSO).该算法在采用混沌序列对粒子群进行初始化操作,基于云模型理论的X-条件云发生器对粒子的惯性权重进行自适应调整的基础上,引入一种迁移操作,以引导全局最优粒子的飞行方向,解决粒子群后期朝单一进化方向进化的问题,有效地增强了算法的全局寻优能力.针对电力系统无功优化中的离散变量归整问题,首先将离散变量完全化为连续变量进行迭代求解,在寻求至全局最优解后引入高斯罚函数对离散变量进行归整操作.以网损和电压偏离最小为目标,对IEEE标准30节点算例进行仿真计算,验证了所提算法的有效性和可行性.     

基于改进粒子群算法的多目标无功优化

提出了一种基于粒子群算法的多目标优化方法,该算法采用Pareto支配关系来更新粒子的个体最优和全局最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分散性;采用动态惯性权重来平衡粒子的局部和全局搜索能力,并将该算法应用于IEEE14节点系统的多目标无功优化     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

基于自适应强引导粒子群算法的电力系统无功优化

在简单比较遗传算法、模拟退火算法、Tabu算法、传统粒子群无功优化算法的基础上,提出一种改进的粒子群无功优化算法即自适应强引导粒子群的电力系统无功优化算法,该算法在粒子群算法的基础上引入强引导思想,在搜索初期,利用数学中的外推技巧对粒子位置的更新加以引导,减少算法随机性,利用群体适应度方差判别种群的多样性,并相应调整变异概率作出变异判别实现自适应更新粒子速度和位置,提高全局和局部搜索能力,进一步解决寻优后期粒子可能陷入早熟收敛的问题,可以更有效地搜索到全局最优解。通过对福建某高压配电网进行无功优化,本文算法优化后最优降损率可达15.3%,最低电压从0.8950pu提高到0.9973pu,结果表明本文算法及模型的可行性和有效性。     

基于改进梯度粒子群算法的无功优化

针对梯度粒子群优化算法(GPSO)收敛速度慢、容易陷入局部最优的缺点,提出改进的GPSO算法并将其应用于无功优化.改进GPSO算法不仅结合动态惯性权值方法调整惯性权重,有效地提高了算法的收敛速度,而且采用负梯度方向变异和维变异方法共同作用,更有效保证算法跳出局部最优,提高了算法的收敛精度.以网损为最小,对标准IEEE-30节点和IEEE-57节点系统进行仿真计算,结果表明改进后的算法能够获得更好的全局最优解.     

基于混沌免疫接种粒子群算法的电力系统多目标无功优化

针对基本粒子群优化算法的收敛性能受初始粒子分布影响较大的问题,应用混沌优化理论具有遍历性的突出优点和人工免疫系统中接种疫苗的方法,即混沌免疫接种粒子群优化算法,将该方法应用于电力系统多目标无功优化模型求解.混沌免疫接种粒子群算法是采用混沌优化生成初始粒子即无功优化控制变量值,并选择其中较优的粒子作为初始粒子群,改善了随...     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

改进粒子群算法的无功优化

通过对传统梯度算法和粒子群算法的研究,提出了将梯度算法和粒子群算法(GPSO)相结合的梯度粒子算法.建立了无功优化的数学模型,将梯度粒子算法运用到无功优化中,通过算例验证,梯度粒子算法能够获得更好的全局最优解,此表明该算法运用到实际中将有利于在线电力系统无功优化.     

基于改进粒子群算法的电力系统无功优化

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题。提出了一种改进粒子群算法用以解决这一复杂优化问题。在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻了粒子初始位置的选择对算法优化性能的影响;在进化过程中引入了自探索行为,使得粒子的搜索过程更加符合实际;引入了变异机制及3种判断陷入局部最优的标准,当发现粒子群陷入局部最优时,通过变异,帮助粒子跳出局部陷阱,增加发现最优解的机会。给出了问题的求解方法,并对IEEE 6、14节点系统进行了仿真计算,实验数值对比表明了算法的可行性和有效性。     

ACPSO-WFLN算法在短期风电功率预测中的应用

针对传统小波神经网络初始参数设定困难、容易陷入局部极值的问题,提出一种基于自适应混沌粒子群算法(ACPSO)优化的小波链神经网络(WFLN)。首先,将小波神经网络与随机矢量函数连接网络相融合,构建小波链神经网络,加强网络并行运算能力;其次,在粒子群算法中引入混沌优化因子与自适应权重系数,改善粒子群的早熟收敛问题,实现全局与局部寻优能力的动态平衡;最后,利用ACPSO算法优化WFLN神经网络,建立短期风电功率预测模型。实验结果表明:ACPSO-WFLN风电功率预测模型较其它网络明显减少隐层神经元数目与迭代步数,具有较高的预测精度。     

基于多目标混沌粒子群算法的矿区电网无功优化

为了提高矿区电网电能质量,降低电网线路有功网损,在无功优化基本数学模型的基础上,综合系统电压的静态稳定性,建立了多目标无功优化数学模型。针对粒子群优化算法在进化中易出现早熟收敛等问题,引入混沌粒子群优化算法。以IEEE30节点系统为算例,验证了多目标混沌粒子群算法的可行性。将该算法应用于矿区电网无功优化中,仿真结果进一步验证了该算法的有效性。     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

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。