用于机组组合优化的蚁群粒子群混合算法

提出了一种用于求解机组组合优化问题的蚁群粒子群混合优化算法。通过将机组组合解编码为机组操作序列,降低了蚁群算法搜索的难度,使其空间复杂度由指数型降为线性型,使采用蚁群算法求解更大规模的机组组合问题成为可能。采用协同粒子群算法求解多时段负荷的经济分配问题时,用一个粒子群处理一个时段的优化问题,通过共享粒子群间的惩罚项解决了机组爬升率的约束问题。10机和20机系统的仿真实验和分析结果验证了该方法正确性、有效性和优越性。     

基于遗传粒子群混合算法的机组组合优化

节能发电调度的目标是实现能耗量最小,合理安排机组发电计划则更为至关重要。在参考文献的基础上,提出了一种用于机组组合优化的遗传粒子群混合优化算法。先用遗传算法求解机组组合,再用粒子群优化算法求解负荷经济分配。按照节能调度思路对遗传算法进行了改进,提高了优化性能。给出了10机算例系统优化结果,验证了该混合算法的可行性和有效性。     

基于遗传粒子群混合算法的机组组合优化

节能发电调度的目标是实现能耗量最小,合理安排机组发电计划则更为至关重要.在参考文献的基础上,提出了一种用于机组组合优化的遗传粒子群混合优化算法.先用遗传算法求解机组组合,再用粒子群优化算法求解负荷经济分配.按照节能调度思路对遗传算法进行了改进,提高了优化性能.给出了10机算例系统优化结果,验证了该混合算法的可行性和有效性.     

火电厂负荷优化分配的模拟退火粒子群算法

合理选择火电厂负荷优化分配的优化算法对快速完成电网调度指令、最大限度降低发电成本至关重要.在标准粒子群优化算法中引入模拟退火算法的思想,引入收缩因子对算法的重要参数进行了改进,并对种群初始化方式进行了改进,采用拉格朗日乘子法处理功率平衡约束.在严格满足约束条件的基础上,缩短了优化计算时间,进一步提高了算法精度.实例计算...     

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。     

改进混沌离散粒子群与等微增率的机组组合优化

针对火电机组组合问题具有非线性、离散性、随机性以及高维、非凸等特点,提出一种适用于求解大容量火电机组组合优化问题的改进混沌离散粒子群优化算法。基于改进混沌离散粒子群算法来确定机组启停决策变量,采用跟踪负荷变化并引入修正策略来修正机组启停决策变量,提高算法的效率和解的精度。采用Kuhn-Tucker最优性条件对等微增率进行改进,使其分配结果满足爬坡及出力上下限要求。通过改进的混沌离散粒子群与等微增率混合嵌套,分别对外层机组启、停状态变量和内层负荷分配进行交替迭代优化。仿真算例表明,所提出的算法在求解机组组合问题时具有较强的全局搜索能力和适应性。     

基于粒子群算法的火电厂机组负荷优化分配研究

负荷优化分配是火电厂运行优化的一个重要研究领域,在机组之间合理地优化分配负荷能够提高整个火电厂运行的经济性。针对火电厂实际的运行情况,考虑多个实际约束条件,建立了并行火电机组间连续多时段动态负荷优化分配的数学模型;提出运用新近发展起来的智能算法-粒子群算法来解决动态负荷优化分配问题,详细介绍和研究了该算法的基本原理以及在负荷优化分配问题上的实现过程,并针对原算法的不足,对算法进行了改进;根据负荷分配和算法的特性,对初始种群的生成方法进行了改进,同时对约束条件进行了有效处理。仿真实例表明,该方法收敛性好,收敛速度快,能够有效地达到或接近全局最优,从而为火电厂机组负荷优化分配的求解提供了新的有效算法。     

部分解约束算法在机组负荷优化组合中的应用

针对实数遗传算法应用于火电厂机组负荷优化组合问题中存在早熟收敛的难题,提出了部分解约束结合惩罚函数的改进实数遗传算法,在解除约束条件的方法、变异操作策略、种群初始化等多方面针对火电厂机组负荷优化组合问题的自身特点对实数遗传算法提出了新的改进思路,解决了实数遗传算法应用于多峰值优化问题中早熟而收敛于局部极值点的难题,对某5台机组的火电厂机组负荷优化组合的优化仿真表明,采用该方法改进后的遗传算法优化成功率能达到100%。     

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.     

一种改进粒子群算法及其在热工过程模型辨识中的应用

为了提高基本粒子群优化(PSO)算法的收敛性,提出了一种引入选择与变异机制的改进PSO算法。该算法选择一定范围的优秀粒子代替较差粒子,并使粒子以不同的概率变异。仿真试验表明,引入选择与变异机制使PSO算法的收敛速度得到了提高,并且有效抑制了PSO算法的早熟。将改进PSO算法应用于热工过程模型辨识,在较少的迭代次数内得到了比较精确的模型辨识结果,且具有很好的收敛性能,获得了满意的辨识效果。     

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。     

粒子群优化算法及其在机组优化组合中应用

应用粒子群优化(PSO)算法对电力系统的机组优化组合问题进行研究,介绍了算法原理,分析了算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并以常用的测试函数进行验证,建立了相应的数学模型,并以IEEE3机6节点电力系统为实例进行研究。分析结果表明,PSO算法较之常用的遗传算法和混沌优化等算法,在算法结构、计算时间、搜索区间控制以及收敛速度等方面具有较好的特性,验证了该方法的有效性。     

基于改进PSO算法的优化特定消谐PWM技术

提出一种改进的粒子群优化（Particle Swarm Optimization,PSO）算法,与传统PSO算法的区别是借鉴模拟退火算法,当微粒个体的适应值小于个体最优值时,以一定的概率接受为个体的最优值。这种处理可以增大算法的全局搜索能力,避免陷入局部最小值。应用改进PSO算法对特定消谐PWM的开关角进行求解,算例证明可以在更小的误差范围内找到方程的解。     

基于改进粒子群优化算法的比例-积分-微分控制器

粒子群优化算法自1995年问世以来得到了很大的发展,简要阐述了粒子群优化算法的基本原理,并提出了根据改进该算法而构成的比例—积分—微分控制器。比例—积分—微分控制器的3个参数可以得以优化。该控制器具有结构简单,易于实现,鲁棒性好的特点,仿真结果表明基于改进粒子群优化算法的比例—积分—微分控制器具有良好的性能。     

一种求解最优潮流问题的改进粒子群优化算法

提出了一种新的基于可行保留策略和变异算子的改进粒子群优化算法来求解最优潮流问题。可行保留策略将最优潮流问题的目标函数和约束条件分开处理,使得只有可行的解才能指导粒子飞行,避免了粒子在不可行域中的无效搜索,提高了算法的搜索效率;变异算子以预定的概率选择变异个体,对粒子的位置进行高斯变异操作,使得粒子可以有效避免陷入局部最优,增强了算法的全局搜索能力。通过 IEEE 30节点系统对该算法进行了测试,结果表明,对于复杂的最优潮流问题,该算法优于进化规划算法和常规的粒子群优化算法。     

基于交叉随机粒子群优化算法的机组组合优化模型

针对机组运行时故障的不确定性,利用威布尔失效概率函数来详细描述机组的故障概率,并以此为基础提出了兼顾机组故障率的机组组合优化模型。根据所建模型的特点,提出了带有随机权重和带有异步变化学习因子的粒子群算法,将机组组合问题划分为离散量和连续量两部分,通过在机组编码矩阵中进行交叉计算来解决机组组合问题。以5台机组24 h的机组组合优化问题为例进行计算,验证了所建模型的正确性及所提算法在求解机组组合优化模型时的有效性。     

PSO算法在互联电网CPS功率调节中的应用研究

研究了电网中不同类型AGC机组在功率缺额下所应该承担的比例大小问题。采用标准PSO算法对CPS控制策略中AGC机组调节功率的分配进行机组种群优化。利用标准PSO算法,可以避免平均分配法较难得到最优解的缺陷,从而在经济性的条件下使CPS指标达到最优。通过算例进行仿真计算,证明了该算法的有效性。     

基于量子粒子群优化算法的水电系统经济运行

首次将量子粒子群优化算法用于水电系统经济运行研究中。该算法是量子理论与粒子群算法的融合,在粒子编码过程中引入了量子的态矢量表达,并将量子比特的概率幅表示应用于粒子的编码,使得粒子可以表达为多个态的叠加;在粒子更新操作过程中,利用量子逻辑门实现了粒子的演化,具有比常规粒子群算法更好的目标优化性能。仿真结果证实该算法可有效解决水电机组经济运行问题。性能对比显示,该算法求得的解优于常规粒子群算法及其它优化算法所求得的解。     

电力系统无功优化的多智能体粒子群算法研究

为了更好地实现无功功率最优控制和提高电压质量,在现有基础上,提出了引用多智能体粒子群优化算法（MAPSO）.该算法结合了JADE系统和粒子群优化技术,粒子间构建了三维球形环境.PSO种群中,每一个Agent相当于算法中的一个粒子,他们通过Agent间进行竞争与合作操作和自学习操作,吸收了PSO算法的进化机理,能够更快地,更精确地收敛到全局最优解.经IEEE 14节点系统校验,并且与基于Matlab的PSO算法进行比较,结果表明,该算法具有收敛速度快,计算精度高的优点。