基于改进双粒子群算法的舰船电力系统网络故障重构

舰船电力系统环形网络故障重构本质上是带约束的多目标非线性组合优化问题。为了解决舰船电力系统发生故障时的供电恢复问题,提出了一种改进双粒子群优化算法进行求解。此算法分为主、辅两个粒子群,主粒子群改进了种群初始化、自适应调整惯性权重和学习因子,提高了主粒子群算法的全局寻优能力。同时,辅助粒子群还采用改进的混沌局部搜索策略,增强了种群多样性及局部寻优能力,有效地解决了粒子群算法中容易陷入局部极值的问题。通过系统仿真,分别将几种不同的优化算法进行比较。结果表明该算法具有很高的搜索效率和寻优能力,能有效地提高故障恢复的速度与精度,在处理舰船电力系统网络故障重构方面具有较好的效果。     

基于单环寻优策略的有源配网重构方法

配网DG接入导致智能优化算法在重构求解时易陷入局部收敛且寻优率较低.考虑配网拓扑特性与算法的关系,将两者深度结合,提出基于单环寻优策略的有源配网重构方法.首先引入莱维飞行对量子粒子群算法进行改进,建立了莱维系数量子粒子群算法.其次提出自适应环压有序环矩阵作为算法的解空间.最后根据配网拓扑与算法全局最优解之间的对应关系提出单环寻优策略,与算法深度结合进行求解.通过改进算法、优化解空间、配网拓扑与算法深度结合三个角度提高算法全局搜索能力和寻优效率.通过对多个电力系统进行仿真分析,验证所提算法和策略的有效性和适用性.     

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。     

基于改进粒子群算法的电压稳定约束无功优化

建立了考虑电压稳定性的电力系统无功优化模型,该模型以同时降低系统有功网损和提高静态电压稳定性为优化目标函数。针对标准粒子群算法(particle swarm optimization,PSO)容易陷入局部收敛和早熟的缺点,提出一种改进PSO算法对无功优化模型进行求解。利用适应度共享技术对粒子的适应度进行调整,以提高种群的全局寻优能力;引入学习因子动态调整策略,进一步平衡种群在解空间的全局探索能力和局部开发能力。IEEE 30节点系统的仿真结果验证了本文所提无功优化策略的合理性和有效性。     

基于双因子改进型粒子群算法的混合滤波系统的多目标优化设计

大容量混合滤波系统的应用前景十分广阔,其滤波器组的参数优化,尤其是无源滤波器的参数设计对综合性能的影响很大。本文提出基于双因子改进型粒子群优化算法的混合滤波系统中无源滤波器组的多目标优化设计方法。通过将加速因子和交叉因子引入优化算法,针对无源滤波器的多目标优化,高效搜索参数空间以获得最优解。与以往的优化设计相比,带双因子的改进型粒子群算法采用自适应的惯性权重,交叉因子增加了粒子的多样性,克服了算法寻优过程中易局部收敛等问题,提高其全局搜索能力。而收缩因子可以加快PSO的运算速度,明显提高了算法的寻优速度。测试结果表明利用该算法设计的混合型滤波系统具有较强的鲁棒性。     

粒子群优化算法在直线感应电机优化设计中的应用

首先介绍了粒子群优化算法 (PSO)的基本原理 ,根据实验提出了改进措施 ,增强了粒子群优化算法的全局寻优能力。然后结合直线感应电机的设计特点 ,利用改进的粒子群优化算法对电机进行了优化设计 ,取得了较为满意的结果     

改进粒子群算法在含分布式电源配电网优化重构中的应用

针对配电网中各种类型分布式电源接入所造成的配电网拓扑结构的复杂性,提出了一种改进粒子群优化算法应用于配电网重构,把粒子群算法和布谷鸟算法有效地结合在一起,采用两层种群框架。为了提高粒子群优化算法的全局搜索能力,采用中值聚类算法对下层粒子群进行重组,粒子群算法用于优化下层的各类小种群,然后将其发送到上层,使用布谷算法进行深度寻优。通过算例对多种情况进行仿真分析,验证改进算法在配电网重构中的优越性。结果表明,该算法能有效地降低配电网的有功网损,提高各节点的电压水平。本研究为我国分布式电源接入配电网的发展提供了参考和借鉴。     

基于改进二进制粒子群优化算法的网络重构研究

提出了一种基于改进二进制粒子群优化算法的网络重构方法,该算法在二进制粒子群优化算法的基础上,通过结合破圈法理论以控制粒子的更新过程,使更新后的粒子100%符合网络的辐射状要求,从而减少了以往网络重构中辐射网判断的环节。此外算法还引入了禁忌搜索算法的思想,克服了粒子群算法易陷入局部最优的缺陷。最后对IEEE单馈线33节点系统进行计算,证实了算法的有效性,并与相关文献中的算法进行比较,表明算法具有较高的搜索效率和较强的全局寻优能力。     

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题。网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题。对电网拓扑进行简化,配合破圈法更新粒子,得到100％的有效解,大大提高了计算速度。提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度。最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力。     

含分布式电源的配电网扩展规划研究

建立了分布式电源和线路年综合费用最小、线路损耗最小和分布式电源安装容量最大的多目标函数规划模型,针对多目标优化问题,提出了一种改进的多目标粒子群优化算法。网架规划采用离散二进制粒子群算法,分布式电源规划采用改进的粒子群算法。该算法利用Pareto非支配排序和计算拥挤距离方式更新粒子的个体最优位置和全局最优值。针对粒子群算法容易陷入局部最优的问题,引入Boltzmann学习策略,在算法前期温度较高粒子能够向不同的粒子学习,保持粒子个体多样性,提高算法全局寻优能力。在算法后期温度降低粒子群将向全局最优粒子学习,提高收敛速度。最后将该算法应用于某10KV配电网扩展规划,结果表明文中提出的方法能够得到合理的配电网扩展规划方案,并且提供了多样化的解集,方便用户根据实际情况灵活选择方案。     

基于局优分支优化的粒子群收敛保证算法及其在电网规划中的应用

总结了粒子群（PSO）算法的一些改进方法;分析并指出了PSO算法收敛困难的关键原因;提出了局优分支优化技术.该技术由5要素组成：①局部最优区域的确定;②局部最优区域的闭锁;③局部最优区域的深度搜索;④全局搜索的粒子补充;⑤迭代终止判据.还结合电网规划的特点提出了采用启发式逐步倒推模型对局部最优子群进行深度搜索的技术.在电网规划中的应用表明,该2项技术克服了PSO算法的收敛困难,提高了PSO算法的搜索效率,保证了PSO算法的全局搜索性能和局部搜索性能.同时,也为其它算法提供了新的优化思路.     

基于方向矩阵的PSO算法在配网重构中的应用

针对配电网重构中,启发式方法难以寻找到全局最优解,智能优化算法搜索效率较低,需要耗费大量机时,且易陷入局部最优的问题,提出一种基于方向矩阵的PSO算法,并将其应用于配电网的重构。首先对基本环矩阵进行改进,使其形成有序环网矩阵;再利用每个环网中电压最低的节点,并结合有序环网矩阵形成方向矩阵;最后使用方向矩阵对粒子群算法中粒子运动的速度进行指导,使粒子向着最低电压节点移动,保证了全局收敛性。利用粒子群算法良好的局部搜寻能力,可以快速的搜寻到全局最优解。最后使用IEEE 33节点和Taipower84配电系统验证了该算法的有效性。     

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。     

基于协同进化算法的配电网故障阶段式恢复策略

传统的配电网故障恢复算法难于同时兼顾恢复过程的快速性和恢复策略的最优化。文章提出一种将启发式搜索算法与优化算法相结合的配电网故障阶段式恢复策略：第一阶段采用启发式搜索方法恢复负荷供电;第二阶段利用优化算法处理过载的负荷转移;第三阶段按启发式搜索方法处理过载负荷的切除。为实现快速的网络拓扑分析,采用家族树结构表征配电网,并对传统的粒子群优化(particle swarm optimization,PSO)算法与模拟退火(simulated annealing,SA)优化算法进行改进,提出了协同进化算法(co-evolutionary algorithm of PSO and SA,CPSOSA),CPSOSA算法在求解故障恢复数学模型时具有较高的全局寻优能力。算例分析证明了本文所提恢复策略及算法的可行性和高效性。     

基于差分粒子群算法的变电站选址定容规划

针对标准粒子群算法(particle swarm optimization,PSO)易陷入局部最优,差分进化算法(differential evolution,DE)后期收敛速度慢的缺点,提出差分粒子群算法(differential particle swarm optimization,DEPSO)将二者进行混合优化,提高群体的收敛速度和全局寻优能力,并应用于配电网变电站规划。在变电站选址数学模型中结合Voronoi图来确定变电站供电范围和规划容量,继而校验变电站实际负载率,简化计算过程,提高搜索效率。通过某市城区远期规划实例验证得知该算法正确有效,可以满足城区配电网的规划要求。     

基于微粒群算法的无刷直流电机单神经元自适应控制

为提高无刷直流电机速度控制性能,提出一种基于微粒群优化算法的单神经元自适应速度控制算法,该算法利用单神经元在线调整连接权值的能力,实现无刷直流电机速度的自适应控制.针对传统单神经元权值调整规则容易陷入局部最优等不足,利用微粒群优化算法良好的全局和局部寻优能力对单神经元连接权值进行在线调整,提高了单神经元的自学习、自适应...     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO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。     

电力系统环保经济负荷分配的模糊自修正粒子群算法

针对标准粒子群算法易陷入局部最优、收敛过早的缺陷,提出了一种模糊自修正粒子群算法。通过利用模糊推理机制建立了粒子适应度值隶属度函数,在每次寻优过程中,使得各粒子根据自身当前适应度隶属度函数值来修正惯性权重的取值,而不是把惯性权重作为全局变量,对同一代粒子使用相同的惯性权重;这充分考虑了各粒子自身的性能,可以进一步改善早熟的缺陷,增强全局搜索能力,从而可以获取更好的目标值。将该算法用于求解电力系统经济负荷分配问题,兼顾考虑了燃料成本和环境成本;在求解此问题时,为了更精确地处理功率平衡约束,根据寻优过程中等式约束偏差量的大小不断调整罚系数取值,并以此建立相应的罚函数。算例结果表明,模糊自修正粒子群算法对比标准粒子群算法有较强的全局搜索能力,有更可靠的优化计算结果,进而体现了该方法的有效性和优越性。     

基于粒子群遗传算法的光伏MPPT控制研究

局部阴影条件下,光伏阵列的功率特性曲线会出现多个峰值,传统的MPPT跟踪算法容易陷入局部极值点,无法准确地跟踪到最大功率点。粒子群算法具有很强的全局搜索能力,可以有效解决多峰寻优问题,但是普通粒子群算法容易出现收敛速度慢、早熟现象。提出一种改进的粒子群遗传（IPSO-GA）算法,该算法的惯性权重与学习因子随着迭代次数不断改变,可以同时兼顾算法的局部搜索与全局寻优能力,并且引进遗传算法的交叉、变异操作以增加种群多样性。仿真结果表明,改进算法在多峰最大功率跟踪过程中,具有良好的跟踪速度与寻优精度。