基于内点法和改进粒子群算法的无功优化混合策略

基于内点法与粒子群算法,提出了一种混合策略来求解电力系统无功优化问题。根据优化变量的不同性质将无功优化问题分解为离散优化和连续优化两个子问题,采用改进的粒子群优化算法和内点法交替求解,使两者的优化结果互为基础,提高了混合策略的整体寻优效率;根据粒子运动趋势及目标函数中网损与节点电压无功的相关性,对基本粒子群算法进行改进,自适应调整惯性权重和罚因子;以IEEE30节点系统和某实际地区电网作为试验系统,验证了该算法的正确性和有效性。     

基于改进粒子群优化算法的综合能源系统多目标优化

综合能源系统具有提高能源利用率、消纳不稳定新能源等显著优势,随着分布式能源的发展,综合能源系统已成为解决能源问题的重要举措。基于此,以经济性、环保性和高效性为目标,建立考虑储能的区域综合能源系统多目标优化模型;采用隶属度函数对优化指标进行归一化处理,并利用层次分析法确定各个目标的权重系数;通过改变惯性权重系数和增加粒子浓度因子,对粒子群优化算法进行改进,求得设备出力和性能指标最优解。算例结果表明:该改进粒子群优化算法可显著提高算法收敛速度,有效避免粒子陷入局部最优;多目标优化可为综合能源系统提供多维度、更全面的运行方案。     

粒子群优化算法中惯性权重综述

粒子群优化(particle swarm optimization,PSO)算法是基于鸟群觅食行为的一种新型的群体智能算法,而惯性权重是PSO算法中一个极其重要的参数,其值的选取直接关系粒子在寻优过程中的开发能力和探索能力。在介绍PSO算法的基本原理的基础上,分析惯性权重对粒子群优化算法在收敛性方面的影响,综述了现有文献对惯性权重的研究进展,并评述了各种惯性权重取值策略所取得的研究成果和存在的不足之处。     

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.     

基于改进的LDW粒子群算法的风-火电力系统联合优化调度策略

风-火电力系统联合优化调度是一个极其复杂的NP问题,不易求解。改进粒子群算法,并将其应用于风-火电力系统联合优化调度,提出了一种改进的惯性权重线性递减的粒子群算法。针对粒子群算法容易局部收敛的缺陷。首先,本文在惯性权重线性递减(LDW)的基础上,加入常数扰动,使惯性权重大幅增大,以便于跳出局部搜索,进行全局搜索,从而防止局部收敛;其次,为尽可能的避免粒子群算法出现粒子高度聚集在最优粒子的周围的情况,使得粒子趋于相同以致于大大损失粒子群的多样性,一定概率的自适应的改变惯性权重并混入随机个体,以便于更好的保持种群多样性。最后,在Matlab2010a GUI平台下采用几种不同的粒子群算法进行仿真试验。仿真结果表明,在相同条件下改进的粒子群算法能够寻到更精确的解。     

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BP神经网络与改进粒子群的光伏MPPT算法

针对光伏阵列在环境突变情况下尤其是局部阴影下的多峰值现象,提出一种基于反向传播(BP)神经网络与改进粒子群的最大功率点跟踪(MPPT)算法。该算法利用BP神经网络近似定位最大功率点,并利用对粒子群算法中的惯性权重值进行非线性动态优化后的改进粒子群精确定位最大功率点。仿真结果表明,复合算法可以更好地跟踪最大功率点,有效避免前期易陷入局部极值的问题,提高了精度,减小了功率振荡。     

局部阴影条件下光伏阵列 MPPT算法研究

光伏阵列在局部阴影条件下P-U曲线呈现多峰值现象,传统的MPPT算法将会失效。采用粒子群算法可有效解决多峰值最大功率点跟踪问题,但标准粒子群算法存在容易陷入局部最优、收敛速度较慢和稳定精度较差等问题。针对标准粒子群算法的不足,文章提出一种改进型自适应学习因子粒子群算法。该方法对学习因子C_1和C_2进行自适应调整,平衡粒子向"自身认知"和"社会认知"学习的能力;与此同时,引入惯性权重调节参数,以提高算法的收敛速度和精度。仿真结果表明,该算法在均匀光照强度、动态阴影和静态阴影条件下,均能快速精确实现最大功率点跟踪,有效地提高了光伏阵列输出效率。     

改进粒子群算法在多目标机炉协调控制中的应用

应用改进的粒子群算法对单元机组多目标协调优化控制问题进行了研究.为了提高粒子群算法PSO(Particle Swarm Optimization)的收敛性,引入了选择机制;同时为了平衡PSO算法的全局搜索能力和局部改良能力,提出了一种构造惯性权重的方法.以160 MW燃油锅炉汽轮发电机组动态模型为例,进行实例仿真,所得...     

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。     

基于权重指数递减粒子群算法在光伏MPPT中的应用

针对光伏阵列局部遮阴情况下输出电压-功率曲线呈现多峰特性,传统粒子群算法进行最大功率跟踪时会陷入局部最优的问题,提出了权重指数递减粒子群算法。该算法通过改变粒子搜索方式,在每次迭代结束前对搜寻到的最优粒子执行精英突变,对反方向空间进行搜索;并添加惯性权重调节参数,其惯性权重随迭代次数的增加以指数形式递减,使算法前期跳出局部最优点的能力提高以及后期搜索更加准确。仿真结果表明,该算法在遮阴或者光照突变情况下,均能准确的追踪到最大功率点,能有效避免陷入局部最优点,收敛速度较快,能够在复杂情况下实现最大功率追踪。     

干扰因素下无线电能传输频率控制算法研究

为了提高无线电能传输WPT(wireless power transmission)负载端接收功率以及效率,增强传输的稳定性,研究无线电能传输系统过耦合干扰因素下无线电能传输频率控制算法,解决在该种干扰因素下频率分裂引起的传输功率下降问题。采用自适应频率跟踪WPT系统,依据DSP控制DDS(direct digital synthesis)自动调节输出频率,完成无线电能传输频率的自适应跟踪控制。采用改进粒子群优化算法,以进化因子和时间变动为依据进行自适应调整粒子的惯性权重和学习因子,提高粒子寻求最优解的速度和粒子算法的搜索力,获取无线电能传输系统功率和效率的最优值,增强频率跟踪的速度和精度。结合Zigbee,向DSP中植入改进粒子群优化算法,控制无线电能传输系统射频源频率,完成无线电能传输系统功率和效率同步频率跟踪,增强过耦合运行状态下无线电能传输负载端接收功率及效率。实验表明,该控制算法可在临界耦合点前提高无线电能传输系统整体功率,且能提高无线电能传输系统效率,系统发射端频率得到平稳控制,性能得到改善。     

自适应权重粒子群算法在阴影光伏发电最大功率点跟踪（MPPT）中的应用

在光伏发电系统中,光伏阵列往往会受到局部阴影现象的影响,造成系统的不稳定运行和输出功率的降低,且光伏阵列的P-U特性曲线会出现多峰值,常规最大功率点跟踪（MPPT）算法因其只能单峰寻优而不能完成对最大功率点的跟踪.粒子群优化（PSO）算法则有着良好的多峰全局寻优能力,被广泛应用在局部阴影的最大功率点跟踪中,但是PSO算法有着收敛速度不足和搜索精度低的缺点.为此,提出了基于自适应权重的粒子群优化（APSO）算法,即在运算过程中通过引入非线性动态惯性权重系数,有效地提高整体算法的全局搜索能力和局部改良能力.利用Matlab仿真,在恒定阴影和快速变化阴影2种条件下验证APSO算法的可行性.结果表明,APSO算法能够避免早熟收敛问题,可有效地提高算法的收敛速度和搜索精度.     

改进PSO算法用于电力系统无功优化的研究

由于电力系统无功优化为一有多变量、多约束、非线性的组合优化问题,针对传统粒子群算法收敛精度不高、易陷入局部最优的缺点,提出了一种改进的算法:分别赋予传统算法中的粒子以不同的初始惯性权重,权重较大的粒子拓展搜索空间,惯性权重较小的粒子完成局部强化寻优的工作。用改进的PSO算法无功优化计算IEEE-14节点系统的结果表明:新算法不仅避免了惯性因子权重调整的困难,而且较好地协调了算法的局部与全局搜索能力,可较好地解决电力系统的无功优化问题。     

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。     

改进APSO算法在光伏MPPT控制中的应用

局部阴影条件下,光伏发电系统中P-U曲线会呈现多峰现象,传统的最大功率点跟踪(Maximum Power Point Tracking, MPPT)算法易失效,粒子群(PSO)算法适用于复杂多极值系统的寻优,因而在多峰全局MPPT中得到应用。针对寻优过程中传统PSO算法搜索精度低以及易出现早熟现象的缺点,本文提出了自适应惯性权重粒子群(APSO)算法,在PSO算法中引入非线性惯性权重,以提高多峰全局寻优的精度与速度。最后利用MATLAB/Simulink对系统进行仿真,仿真结果表明：在均匀光照和可变阴影条件下,APSO算法能有效提高系统寻优的收敛速度与精度。     

含海水淡化系统的海岛微电网经济运行优化

针对海岛供电供水困难的现状,将海水淡化系统引入到微电网中,解决海岛居民的水电供应问题。针对微电网经济运行优化算法容易陷入局部最优的问题,将遗传算法中的小生境种群策略引入粒子群算法中,提出了一种改进小生境粒子群算法,对学习因子进行异步变化调整,对惯性权重进行指数递减,改善了算法寻优性能。以考虑海水淡化经济收益的孤立微电网系统经济运行成本最低为目标,建立数学优化模型,以改进算法进行优化计算,分别与标准粒子群算法计算结果以及不考虑海水淡化系统的微电网经济运行优化结果进行对比,验证了引入海水淡化系统可提高系统的经济性,所提改进算法具有良好的寻优能力。     

求解电力库模式下竞价管理问题的改进粒子群算法

提出了一种新的用于求解电力库模式下竞价管理问题的改进粒子群算法，改善了基本粒子群优化算法收敛精度不高且易陷入局部极值的缺点。每个粒子的速度和位置的更新不仅考虑了自身个体极值和全局极值的信息，还考虑了其他粒子所包含的信息，并通过改变惯性权重保持了群体的多样性。通过收敛性分析可知，该算法能较好地收敛到最优解。算例结果表明本文提出的算法比其他算法更具有优越性。     

电力系统无功优化自适应粒子群算法

针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。