基于降维与搜索的网架重构

针对寻优搜索节点较多、线路较多的复杂大电力系统时计算维数过大的问题,提出了一种基于降维与搜索的网架重构方案。该方案结合优化蚁群算法与离散粒子群算法(DPSO)以搜索目标网架。首先,采用优化蚁群算法搜索一条主干线路,降低后续寻优的维数。然后,基于已经得到的主干线路,采用离散粒子群算法对电网的剩余部分进行搜索。利用已并网发电机组提供的发电功率,以考虑重要负荷的综合负荷恢复量最大为目标函数进行寻优,得到满足拓扑连通性和安全、稳定运行约束的目标网架。最后,以IEEE118节点系统和湖北电网部分地区为算例,验证了所提方法的正确性和有效性。     

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。     

基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

基于混合PSO-ACO算法的含DG配电网无功优化

主要研究含分布式电源配电网无功优化问题,提出将粒子群算法与蚁群算法相结合的混合优化算法(PSO-ACO)。该算法针对粒子群算法易陷于局部优化问题和蚁群算法由于积累信息素导致寻优时间过长的缺点,利用粒子群算法的结构简单以及参数设定少的优点以及蚁群算法强大的全局搜索能力,将2种算法混合,并结合惩罚函数构建无功优化数学模型。以IEEE-33节点配电系统进行系统仿真,与采用基本粒子群算法和蚁群算法的无功优化结果相比较,结果表明,提出的混合算法收敛性和稳定性更好,能有效地解决含DG配电网无功优化问题。     

混合型粒子群算法在含分布式电源配电网重构中的应用

针对蚁群算法面临收敛速度慢与粒子群算法易陷入局部最优的问题,将蚁群算法和粒子群算法相融合,生成了新的混合型粒子群算法,具有较高的收敛速度与全局搜索能力,将其用于含分布式电源的配电网重构。最后以IEEE33节点配电网作为算例进行仿真。结果验证了算法的可行性和有效性。     

基于混合粒子群算法的在线检测路径规划

针对加工中心在线检测中的路径规划问题,采用基于全局规划与局部优化相结合的策略,将光学寻优算法、遗传算法、混沌优化与基本粒子群算法结合,提出了一种新型混合离散粒子群算法,并将其用于检测路径的全局规划。首先简述了在线检测路径规划的原理及检测数据的获取,然后介绍了混合粒子群算法的原理、步骤及其流程,最后对算法进行了仿真研究,并且与蚁群算法进行了对比分析。经仿真验证,该算法具有搜索精度高、收敛速度快、稳定性好等优点,有较好的实际应用价值。     

基于免疫进化算法的粒子群算法在梯级水库优化调度中的应用

针对高维、复杂的梯级水库优化调度在求解时易出现"维数灾"或陷入局部最优解的问题,本文提出了基于免疫进化算法的粒子群优化算法,该算法充分利用了免疫进化算法的全局搜索特性和粒子群算法的局部搜索能力,克服了粒子群寻优中对初始种群的依赖和易陷入局部最优的不足.通过实例计算表明,应用该算法求解梯级水库优化调度问题,结果可靠、合理,计算效率高,从而为求解高维,复杂的梯级水库优化调度提供了新的思路.     

混沌粒子群算法在水库中长期优化调度中的应用

将粒子群算法和混沌算法相结合,用于求解水库中长期优化调度问题.它利用了粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法后期易陷入局部极值点的缺点,同时又保持了前期搜索的快速性.通过实例计算,结果表明该算法在收敛性和稳定性等方面明显优于传统粒子群优化算法,是一种有效的搜索算法.     

蚁群算法在组合优化中的应用

本文介绍了崭新的求解复杂优化问题的启发式算法-蚁群算法以及它的基本原理.该算法是通过模拟蚁群搜索食物的过程,达到求解此类问题的目的.它具有智能搜索、全局优化、稳健性强、分布式计算、易与其他方法结合等优点.文章还介绍了该算法在静态组合优化,如旅行商、二次分配、车间任务调度、车辆路线、图着色、有序排列,以及动态组合优化中的应用.文章最后展望了蚁群算法所具有的广阔应用前景.     

改进PSO算法在电力系统无功优化中的应用

将改进后的粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法运算过程繁琐、收敛精度不高、易陷入局部最优的缺点。该优化方法对粒子群算法进行了如下改进:采用简化粒子群优化方程和添加极值扰动算子两种策略,提出了简化粒子群优化(简称SPSO)算法、带极值扰动粒子群优化(简称DPSO)算法,将二者结合起来提出了带极值扰动的简化粒子群优化(简称DSPSO)算法。DSPSO以更小的种群数和进化代数获得了非常好的优化效果,使PSO算法更加实用化。对IEEE 6节点进行无功优化计算,并与其它算法进行了比较,表明该算法具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法。     

Optimal Power Flow Using a Hybrid Optimization Algorithm of Particle Swarm Optimization and Gravitational Search Algorithm

Abstract—This article presents a hybrid algorithm based on the particle swarm optimization and gravitational search algorithms for solving optimal power flow in power systems. The proposed optimization technique takes advantages of both particle swarm optimization and gravitational search algorithms by combining the ability for social thinking in particle swarm optimization with the local search capability of the gravitational search algorithm. Performance of this approach for the optimal power flow problem is studied and evaluated on standard IEEE 30-bus and IEEE 118-bus test systems with different objectives that reflect fuel cost minimization, voltage profile improvement, voltage stability enhancement, power loss reduction, and fuel cost minimization with consideration of the valve point effect of generation units. Simulation results show that the hybrid particle swarm optimization–gravitational search algorithm provides an effective and robust high-quality solution of the optimal power flow problem.     

Constructing core backbone network based on survivability of power grid

Constructing core backbone network is beneficial to strengthen the construction of grid structure, raise the ability of withstanding natural disasters, as well as realize power grid’s differentiation planning reasonably and scientifically. Based on the index system of survivability, a method of constructing core backbone network with the target of the smallest line total length and the largest integrated survivability index is put forward with constraint conditions of network connectivity and power grid safe operation. The cosine migration model, the premature judgment mechanism, and the mutative scale of mutation strategy by Chaos and Cauchy optimization are introduced into the improved biogeography-based optimization algorithm (BBO) to search for the optimal solution of the core backbone network. Comparison with the traditional BBO algorithm, particle swarm optimization (PSO), binary ant colony algorithm (BACA), genetic algorithm (GA) shows that the proposed method is accurate and effective, and it has advantages in fast convergence speed and high convergence precision.     

一种求解最优机组组合问题的随机扰动蚁群优化算法

针对蚁群优化算法中易出现的停滞现象，设计出一种新颖的随机扰动蚁群优化算法。该算法包含了两个重要方面：一是提出了采用倒指数曲线来描述的扰动因子；二是设计出了相应的随机选择策略和扰动策略。此外，还对该算法中参数的选取方法及取值范围进行了研究和探讨。利用该算法求解最优机组组合问题，并在模型的转化、约束项的处理等方面进行了深入的分析。通过对两个测试系统进行计算，并与基本蚁群算法进行比较，证明了该算法可以有效地克服基本蚁群算法计算时间较长和容易出现停滞现象的缺陷，具有更好的全局优化能力。     

基于蚁群优化K-medoids的变电站特性聚类研究

为建立合适的变电站负荷模型,将聚类方法引入到变电站负荷特性分析,提出了一种基于蚁群优化K-medoids的综合聚类算法。该综合算法是K-medoids算法对蚁群的历史最优位置进行聚类分析,蚁群算法全局搜索能力强,克服了K-medoids算法易陷入局部最优的缺点,提高了聚类的准确率。最后通过变电站特性聚类实例,验证了综合算法在变电站特性聚类的可行性和有效性。     

现代启发式算法及其在输电网络扩展规划中的应用

对遗传算法、模拟退火法、Tabu搜索法,蚂蚁算法和粒子群算法等具有代表性的现代启发式算法的发展、特点及其比较和在输电网络扩展规划中的应用进行了总结和综述,提出了对现代启发式算法改进的三种思路,以及一些尚待深入研究的工作。     

基于生物地理学优化算法的核心骨干网架搜索方法研究

构建核心骨干网架,是进行差异化规划以提高电网抵御自然灾害能力的重要手段。在构建生存性指标体系的基础上,提出了一种线路和节点数最少、生存性综合指标最大的核心骨干网架构建方法,以电网安全运行和网络连通性为约束条件,采用生物地理学优化算法搜索最优骨干网架方案,并与粒子群算法、蚁群算法、遗传算法的搜索结果进行对比分析。算例结果表明所提方法准确有效,且在收敛速度和收敛精度方面有明显的优势。     

Genetic evolving ant direction PSODV hybrid algorithm for OPF with non-smooth cost functions

In this paper, a novel method called evolving ant direction particle swarm optimization with differentially perturbed velocity (EADPSODV) hybrid algorithm has been presented to solve the optimal power flow problem with non-smooth and non-convex generator fuel cost characteristics. In this approach, ant colony search is utilized by the EADPSODV algorithm to find a suitable mutation operator for particle swarm optimization with differentially perturbed velocity (PSODV). Genetic algorithm method is employed to evolve the ant colony parameters. The power flow problem is solved by the Newton–Raphson method. The performance of the proposed approach has been demonstrated on IEEE 30-bus and IEEE 118-bus test systems with three different objective functions. Investigations reveal that the EADPSODV provides significantly better results compared to classical PSODV and other methods reported in the literature recently.     

基于鸡群优化算法的配电网络重构

鸡群优化算法是模仿鸡群觅食的群体智慧发展而来的生物启发式算法,将鸡群优化算法应用到配电网重构当中,充分利用鸡群优化算法高效的全局和局部搜索能力,快速寻找使配电网在满足约束条件下目标函数最小的网络状态,保证配电网运行的经济性和可靠性。给出了基于鸡群优化算法的配电网重构具体实现流程,以IEEE33节点系统为例,采用鸡群优化算法(CSO)和粒子群算法(PSO)两种算法进行仿真实验,结果表明鸡群优化算法较粒子群算法搜索效率平均提高了11.6%,寻优速度更快更稳定。     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。