基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

基于融合遗传原理的蚁群算法在配电网故障恢复中的应用

本文对配电网的故障恢复问题进行了研究,提出了结合实际的配电网故障恢复目标函数,在分析了遗传算法和蚁群算法的基础上,结合遗传算法和蚁群算法的各自优点,提出了一种将遗传算法融入到蚁群算法的新策略,利用遗传算法的交叉操作产生蚁群算法的新的旅行路径,以此提高蚁群算法的全局搜索能力,构造了基于遗传算法的混合蚁群算法。实例分析表明,该算法具有较快的收敛速度和较强的全局搜索能力,避免了不成熟收敛,有效地提高了故障恢复的速度和精度。     

基于白鲸优化算法的配电网故障恢复方法

提出了一种基于白鲸优化（BWO）算法的配电网故障恢复方法。首先,建立光储、风储系统模型以及负荷模型,以故障后重要负荷损失量最小为目标函数,进行配电网的初步孤岛划分。其次,以网络损耗和开关操作次数加权求和最小为目标,采用BWO算法求解,获取孤岛划分与开关操作配合的故障恢复结果。然后,通过3种场景对比,验证了所提方法能够在不同故障时段获得配电网故障恢复的最优结果。最后,将BWO算法与二进制粒子群优化算法、灰狼优化算法的运行结果进行对比,验证了BWO算法寻优效果更好。     

基于人工鱼群和粒子群混合算法的配电网重构

配电网重构是优化配电系统运行的重要手段,提出人工鱼群和粒子群混合优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,克服人工鱼群算法收敛速度慢及粒子群算法后期全局收敛差的缺点,发挥了两者的优越性,并成功应用于配电网重构;最后通过对IEEE33节点系统算例的仿真,取得了较好的效果,证明了该混合算法的有效性和可行性.     

一种用于配电网故障定位的粒子群算法分析

基于粒子群优化箅法简单高效的优点,根据配电网拓扑结构特点以及配电网故障多为单点故障这一工程实际,将粒子群算法用于配电网故障定位中.当故障定位转入支路网时,将支路-节点矩阵算法与粒子群算法相结合,利用故障判别矩阵确定故障线路段,进而转入故障点的寻找,避免单一使用粒子群算法在支路寻优过程中可能出现局部收敛的情况.算例分析结果表明,该方法在配电网故障定位问题上是可行的,并且改善了传统故障定位算法运算效率低的缺点.     

有源配电网具有容错性的快速故障区段定位方法

针对矩阵算法与优化算法在应用于有源配电网故障定位过程中存在容错性较差、易陷入局部最优等问题,提出了一种有源配电网具有容错性的快速故障区段定位方法.该方法首先利用矩阵算法快速筛选疑似故障区段,其次通过对优化算法开关数学模型进行改进以适应多个分布式电源投切,然后基于矩阵算法定位结果穷举所有可能存在的馈线区段状态,将其作为初...     

考虑负荷时变性的配电网故障抢修恢复策略

针对未考虑负荷时变性求取的配电网故障抢修和恢复策略不准确的问题,该文在考虑负荷时变性和故障抢修恢复持续时间较长的基础上,对配电网多故障抢修顺序和故障恢复后网架重构优化问题进行研究。在故障抢修恢复阶段,以故障抢修完恢复负荷价值最大为目标;在故障恢复后网架重构阶段,以电压偏移量和网络损耗加权和最小为目标,采用二进制粒子群算法来求解模型。通过抢修与恢复的交替、协同,循环往复求解,得到故障抢修顺序和对应恢复策略。以改进的IEEE69节点配电网系统进行仿真分析,结果表明:配电网故障抢修恢复应结合故障发生后负荷实际需要求解目标值,进而确定抢修顺序;抢修故障恢复后,利用故障抢修完所处时段的负荷值来网络重构优化,更符合实际、更准确。     

基于启发式规则与改进和声算法的配网快速故障恢复网络重构

网络重构是改变配电网运行状态最重要的手段之一,可有效提高配电网经济、安全以及供电可靠性.为此,提出融合启发式规则与网络重构的配电网故障快速恢复方法,采用宽度优先遍历的思想,确定故障隔离后非故障失电区,据此利用提出的启发式规则确定非故障失电区的故障恢复方式,以及实现非故障失电区与非故障带电区的连通;对接入了非故障失电区且除去了主动孤岛恢复部分的配电网络,构建以网络损耗最小为目标,以满足配电网安全运行为约束条件的网络重构模型,利用所提出改进和声算法对模型进行求解.通过69节点系统仿真,表明所提方法相比其他方法具有优越性,同时验证了所提出的配电网故障恢复网络重构模型的有效性.     

含多个分布式电源的配电网重构

提出了一种含多个分布式电源的配电网重构算法,该算法在已知分布式电源容量的情况下可以确定各孤岛系统的最优供电范围,利用改进支路交换法对剩余网络进行重构优化,使停电负荷最少且网损最小．根据重构时得到的开关影响因子,修正孤岛划分方案,从而获得全网络的优化．通过IEEE33节点算例验证了该方法对含多个分布式电源的配电网故障恢复的正确性．     

基于拓扑搜索的配电网故障重构系统的实现

分析了配网重构两类方式的优缺点,主要研究了集中式配网重构的方法,提出了基于拓扑搜索的配电网故障重构算法.该方法的特点是直观,计算速度快,可得出多种故障恢复方案供调度员选择.同时,也给出最优方案建议.基于该算法,采用VC 6.0编程和图模一体化技术,开发了配网故障重构系统.     

基于改进粒子群算法的配电网网架优化研究

配电网网架优化是一个多目标综合优化问题,粒子群算法因其易实现、收敛速度快等特点逐渐成为电力系统优化领域研究热点之一. 针对粒子群算法易陷于局部最优问题,提出一种基于聚类策略的改进粒子群算法,动态地将粒子聚类为三种级别的粒子并对应采用不同的学习模型更新速度,增强了粒子群体多样性和全局搜索能力. 通过算例仿真验证了算法在配电网网架优化问题上的可行性.     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于 PSO 原理的异孔径配水系统优化算法

为了实现穿孔配水系统均匀布水的快速优化设计,提出采用改进的粒子群优化算法(PSO)并结合水力模型工具作为系统均布优化决策制定的方法.该算法首先对常规粒子群算法进行了一定的改进,用于提高其算法的收敛性及收敛的速度;其次将改进后PSO与水力模型通过外部TOOLKIT接口进行整合,以模型计算后数值作为集群个体适应度的评估指标.算例研究表明:该方法可有效地实现限定条件下的均布配水系统快速优化设计.同时,结合配水系统的节点压力分区,可减小粒子群算法的维度,从而使算法的收敛速度得到较大的提高,迭代次数减少了83%,并能产生更符合工程实际的优化方案.     

混合粒子群径向基神经网络的短期负荷预测的应用

电力短期负荷预测的结果对电力系统的经济效益具有重要影响.为了克服基本粒子群(Particle Swarm Optimization,PSO)算法收敛精度不高、易陷入局部最优的缺点,提出一种将自然选择和变异结合的混合粒子群(Hybrid Particle Swarm Optimization,HPSO)算法,可以保持种群的多样性,有效地避免粒子早熟,并利用混合粒子群算法优化径向基神经网络的权值,最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测.计算结果表明,该算法收敛速度快,并达到了提高预测精度和改善网络性能的要求.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

Drilling Path Optimization Based on Particle Swarm Optimization Algorithm

This paper presents a new approach based on the particle swarm optimization (PSO) algorithm for solving the drilling path optimization problem belonging to discrete space.Because the standard PSO algorithm is not guaranteed to be global convergence or local convergence,based on the mathematical algorithm model,the algorithm is improved by adopting the method of generate the stop evolution particle over again to get the ability of convergence to the global optimization solution.And the operators are improved by establishing the duality transposition method and the handle manner for the elements of the operator,the improved operator can satisfy the need of integer coding in drilling path optimization.The experiment with small node numbers indicates that the improved algorithm has the characteristics of easy realize,fast convergence speed,and better global convergence characteris- tics.hence the new PSO can play a role in solving the problem of drilling path optimization in drilling holes.     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

配电网网络重构策略研究

针对离散优化问题,以粒子群优化算法(PSO)信息更新的本质机理为基础,在基本PSO算法的基本思想、算法框架下,引入分布估计算法思想,重新定义离散粒子的表示方式。将分布估计离散粒子群算法应用到配电网优化重构中,每一维粒子的取值,须根据概率向量产生,在寻优过程中,根据粒子能力的差异,自适应调整其惯性权重,从而寻找对配电网拓扑结构的优化策略,达到降低配电网的网络损耗、提高电压可靠性的目的。