基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法(AFPSO)是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法.通过采用AFPSO算法,对电力系统进行无功优化.该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性.     

基于自适应领域算法的智能照明控制系统

本研究将提出一种新型的智能照明控制系统,该系统是基于一种新型自适应算法ANA/CC(基于相关性系数的自适应领域算法)的,并且运用最新提出的可视光通信技术在照明设备和照度传感器之间建立直接的通信,从而为特定的地点提供所需要的照度,在整个系统建立的过程中,我们还特地为该系统建立控制模型,经过实验和仿真我们发现,该模型可以在短时间内将测试地点的照度达到目标值。     

基于自适应邻域算法的智能照明控制系统

本研究提出一种新型的智能照明控制系统,该系统基于一种新型自适应算法ANA／CC（基于相关性系数的自适应邻域算法）,并且运用最新提出的可视光通信技术在照明设备和照度传感器之间建立直接的通信,从而为特定的地点提供所需要的照度。在整个系统建立的过程中,我们还特地为该系统建立控制模型,经过实验和仿真发现,该模型可以在短时间内令测试地点的照度达到目标值。     

基于自适应模糊粒子群算法的电力系统无功优化研究

针对传统粒子群算法搜索精度低和易早熟的缺点,提出了一种自适应模糊粒子群算法(AFPSO)对电力系统进行无功优化.该算法对惯性权重进行非线性的调整,有效地提高了算法的收敛速度和精度,并对位置的更新采用模糊控制,较好地解决了粒子群易早熟的问题.将该算法应用于无功优化问题中,在IEEE-30节点系统上进行测试,证明了AFPSO算法的有效性和优越性.     

城市道路照明变压器配置优化方法研究

照明变压器的配置是道路照明的基础,在实际中常采用工程经验确定变压器的数量及位置,易造成变压器数量过多,带来利用效率低、投资大、美观性下降等问题。基于此,提出一种城市道路照明变压器配置优化方法。该方法首先在考虑线路压降、供电半径等条件下,建立了以变压器布置数量最少与线路平均压降最小为目标函数的优化模型;然后利用粒子群算法对该模型进行优化求解;最后,基于工程算例模型对所提方法进行仿真验证,证明该方法的有效性。该方法适用于城市道路照明工程设计规划,可为照明变压器的配置提供参考依据。     

基于自适应粒子群算法的电动汽车充电站优化规划

为了确定合理的电动汽车充电站位置及规模,建立了一种考虑多因素的电动汽车充电站选址定容模型,目标是使充电站的综合成本及建站位置最优化.在电动汽车充电站的建设费用、运行费用等条件的约束下,目标函数还考虑了充电站的供电损耗费用、人员工资和配电变压器的投资等因素.针对建立的模型,采用自适应粒子群算法进行求解,并通过一个算例验证了该模型的可行性.     

基于自适应免疫粒子群优化算法的配电网状态估计

针对配电网中分布式发电机等设备的非线性特性和配电网量测配置特点,结合粒子群优化算法(PSO)的特点.提出了采用自适应免疫PSO算法进行配电网状态估计的思路.该算法引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子的粒子群算法.解决了配电网状态估计中的非线性问题,克服了基本PSO算法容易陷入局部最优解的缺点,不仅增强了全局搜索能力,而且获得了理想的收敛速度和精度.算例证实了该算法的有效性,与基本粒子群算法的比较,显示了其优越性.     

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DSP的自适应随机共振微弱信号检测方法*

随机共振是一种有效检测微弱信号的非线性方法,对它的研究和实现具有重要的工程应用价值。针对工业现场存在的背景噪声未知的高频微弱信号（不满足绝热近似理论条件）的随机共振检测问题,提出了基于参数补偿的自适应参数诱导随机共振方法,以系统输出信噪比作为适应度函数,将系统势垒与噪声强度大致相等时可产生最佳的随机共振效应作为知识,采用基于知识的粒子群优化算法来并行优化随机共振系统的参数。设计了基于DSP的自适应随机共振检测系统,实现了对信号的实时处理,并通过ModbusRtu协议将检测结果实时显示在触摸屏上,从而实现微弱信号的检测。     

基于自适应粒子群的变电站电压无功自动控制方法

为了加强对变电站电压降损问题的控制,提升装置及设备的控制速率,营造更加稳定、安全的无功自动控制环境,采用自适应粒子群算法,提出一种变电站电压无功自动控制方法.设定无功补偿点,进行电压上下限自适应 标定,构建多变粒子无功自适应电压控制模型,建立自适应惯性控制机制,采用 APSO-rand多目标控制实现变电站电压无功自动控制.最终测试结果表明,所设计的自适应粒子群自动控制测试组得出的降损率相对较低,始终保持在８％以下,证明所提方     

自适应陷波理论及其在轴承故障诊断中的应用

滚动轴承故障冲击特征易被工频载波信号淹没,而传统的信号降噪方法对工频干扰不具有针对性,所以将工频陷波理论引入到轴承故障诊断中。由于陷波的窄带滤波特性,其对中心频率及带宽参数变化较为敏感,通过粒子群多参数寻优,以时域峭度最大原则对陷波器中心频率及带宽进行自适应选取,以时域波形匹配方差作为评价指标验证陷波对故障冲击特性的还原能力。试验分析表明自适应陷波可以有效地从工频调制信号中解调出故障冲击特征,对陷波后信号进行包络谱分析,其故障特征谱线得到增强,辅助以集合经验模态分解(EEMD)、变分模态分解(VMD)去噪方法,可以得到更理想的效果。     

含风力发电的配电网自适应分时段无功优化

针对含风力发电的配电网中风电机组出力的间歇性和系统负荷的波动性,提出了自适应分段优化策略,通过分时段优化实现无功动态调节。该策略根据风机出力和负荷的波动程度确定各时段最佳持续时间。在此基础上,计及运行环境的变化和决策者需求,提出了一种新的含决策偏好因子的分段优化方法。以降低网络损耗和电压偏差为目标,建立了含风力发电的配电网多目标无功优化模型,并采用多目标粒子群优化算法(multi-objective particle swarm optimization,MOPSO)求解。以改进的IEEE30节点系统为例进行仿真计算,仿真结果验证了所提方法和模型的有效性。     

基于自适应粒子群算法的直流输电PI控制器参数优化

针对传统粒子群算法(particle swarm optimization,PSO)的不足,提出了一种自适应粒子群优化(adaptive particle swarm optimization,APSO)算法,并应用于直流控制器比例–积分控制器(proportional integral,PI)的参数寻优。文中首先介绍了HVDC控制器的系统模型,然后推导出了贵广直流输电工程中的控制器传递函数,并利用APSO算法进行PI参数寻优。寻优过程采取时间乘绝对误差积分(integral of time multipled by the absolute value of error,ITAE)准则计算目标函数值,取对应ITAE目标函数最小的样本为最优PI参数,得到的PI参数可认为是全局最优解。结果表明了APSO算法在PI控制器参数优化中的全局寻优能力和有效性。     

基于自适应粒子群算法的负荷最优分配

在传统经济负荷分配模型的基础上,结合节能调度的宗旨,建立了综合考虑系统有功网损最小和机组发电耗煤量最小的多目标负荷分配模型,该模型能对系统进行整体节能优化.引入了自适应权重和因子的概念,采用了一种用于多目标负荷最优分配的自适应粒子群算法,并对IEEE 57节点系统进行了仿真计算.结果表明,该方法能降低系统网损和减少机组煤耗,从而有效地节约能源,同时满足系统的安全约束.     

基于改进PSO算法的电力系统无功优化

粒子群优化PSO(Particle Swarm Optimization)算法是一种简便易行、收敛快速的演化计算方法,但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和变异算子,提出了一种新的改进粒子群优化MPSO(Modified Particle Swarm Optimization)算法,并将其应用于电力系统无功优化,建立了相应的优化模型。对IEEE-14节点系统及某地区70节点实际电力系统进行了仿真计算,并与PSO算法作了比较,结果表明MPSO优化算法能有效地应用于电力系统无功优化．其全局收敛性能及收敛精度均较PSO算法有了一定程度的提高。     

自适应混合粒子群算法在梯级水电站群优化调度中的应用

针对梯级水电站群长期优化调度发电量最大模型,提出了一种自适应混合粒子群进化算法（AHPSO）。该算法引入混沌思想生成初始解,并定义了粒子能量、粒子能量阈值、粒子相似度和粒子相似度阈值来描述算法的自适应变化以及群体进化程度,同时结合遗传变异思想进行粒子操作,最后提出了一种基于邻域的随机贪心策略以解决算法后期进化速度慢的缺点。以澜沧江下游梯级水电站群为计算实例的结果表明,AHPSO比基本粒子群算法有更好的收敛性和优化结果,计算时间比逐步优化算法少,且优化结果相近,是一种可供选择的计算方法。     

基于智能合约的电动汽车充电服务费自适应调整机制

为了解决传统集中式电动汽车充电服务费统一定价难以满足新型电力系统精度与灵活性需求的问题,提出了一种基于智能合约的电动汽车充电服务费自适应调整机制。通过建立考虑购售电双方收益的充电服务费优化模型,从购售电双方收益及负荷引导需求两方面对充电服务费进行优化;同时运用智能合约技术,制定更加精确、更具针对性的单座充电站的充电服务费调整策略。通过算例进行仿真验证,结果表明相较于传统定价模式,所提自适应定价模式下的负荷引导能力和交易双方的收益水平都具备显著优势。     

基于自适应SA-PSO改进的XGBoost气温预测方法

提出了一种SA-PSO-XGBoost预测模型,基于2016年1月1日~2017年12月31日的ECMWF气象数据,用于预测南京地区6 h后的气温。将气象数据分为训练集和测试集,使用PCA降维方法对气象数据特征进行压缩降维,然后应用模拟退火和粒子群优化混合算法对XGBoost模型的超参数进行优化,并将测试集数据带入到SA-PSO-XGBoost、XGBoost、GRU和LSTM神经网络进行对比分析,实验结果表明：SA-PSO-XGBoost预测6 h后的温度模型有更高的准确性和鲁棒性。