基于改进搜索特性的粒子群算法的水电站优化调度研究

为了进一步提高水电站水库优化效果,减少弃水,提高水电站收益,本文以东风水电站为例,研究了粒子群算法的改进;改进了粒子自搜索、贪婪选择策略、优胜劣汰变异策略三项关键技术;并将改进的算法应用于水电站中长期优化调度。实例计算以基本粒子群算法、蜂群算法和提出的改进算法对同一电站进行优化。结果显示,改进的粒子群算法优于基本粒子群算法和蜂群算法,发电量和总收益都高于其他两种算法,弃水更少。结果证明改进的粒子群算法在求解具有复杂约束条件的非线性水库优化调度问题时,求解结果更优,收敛速度快的优点,为解决水电站中长期优化调度问题提供了一种新的有效方法。     

基于混合蝙蝠算法的梯级水电站群优化调度研究

为进一步提高梯级水电站水库优化效果,提高水电站年发电量,本文作者以梯级电站为例,研究了蝙蝠算法的混合改进;混合了粒子群算法,以及加入小生境排挤技术;并将改进的蝙蝠算法应用于梯级水电站中长期优化调度。通过以粒子群算法、蝙蝠算法和提出的改进算法对某梯级电站进行优化计算,结果显示,改进的算法优于粒子群算法和蝙蝠算法,发电量高于其他两种算法,弃水更少,并证明本文提出的混合蝙蝠算法在求解具有复杂约束条件的非线性的梯级水库优化调度问题时,具有求解结果更优、收敛速度快的优点,为解决梯级水电站中长期优化调度问题提供了一种新的有效方法。     

基于改进粒子群的水火电力系统发电调度

在标准粒子群优化算法中引入最差粒子和自适应惯性权重,使粒子随进化进度自适应调整飞行方向和速度,向其自身和种群最优位置收敛的同时背离二者的最差位置,且避免了算法过早收敛和限于局部最优.将改进后的粒子群优化算法用于求解水火电力系统发电调度问题,仿真结果表明该算法可行有效.     

基于改进参数的粒子群算法的换热网络优化

对于换热网络综合优化问题,粒子群算法能有效解决其容易陷入局部最优和无法收敛到全局最优的局限性。标准粒子群算法具有较强的随机性,可调节参数较少,不同的参数配置对算法的优化效果有显著影响。在分析粒子群算法中各参数特点的基础上,通过合理调整参数,使该算法在连续变量优化过程中具有更好的全局收敛性能。采用4股流体的小规模换热网络算例进行验证,优化结果表明,改进参数后的粒子群算法对计算换热网络综合问题有效。     

基于改进PSO调度模型的水电站发电量分析

鉴于以往水库优化调度的求解精度受制于离散的密度的不足,引入可连续域寻优的粒子群算法,建立基于PSO水库优化调度模型,并针对粒子群算法易出现的收敛性差和处理约束问题困难等问题,提出了改进措施,并应用到水电站的发电量分析中。     

基于粒子群算法的水电站中长期优化调度研究

以洪家渡水电站为例,探讨了粒子群算法在水电站中长期优化调度的应用方法及效果。实例计算结果表明,该算法可以求解复杂约束条件的非线性水库优化调度,精度高、收敛速度快,为解决水电站中长期优化调度问题提供了一种有效的方法。     

考虑尾流效应的风电场输出功率优化

针对尾流效应对风电场输出功率造成的损失,文章提出了一种基于改进Jensen模型的优化方法。基于激光雷达实验数据验证了改进Jensen模型的有效性,并建立了多机组尾流叠加模型。对考虑尾流效应的风电场输出功率优化可行性进行分析,建立了风电场输出功率模型。针对标准粒子群算法过早收敛、易局部最优的缺陷进行了改进,在其迭代方程中加入二阶振荡环节,增加了粒子的多样性,提高了算法的全局搜索能力,同时保证了算法的运行速度;引入模拟退火操作,增强了算法的局部搜索能力。建立了风电场输出功率最大化优化模型,以轴向诱导因子为优化参数,利用改进粒子群算法对山西省某风电场模型进行了仿真分析。结果表明：当入流风速分别为8 m/s和12 m/s时,经改进粒子群算法优化之后,风电场输出功率分别提高了6.26%和4.59%;改进粒子群算法改善了标准粒子群算法存在的过早收敛、易局部最优的缺陷。     

基于改进粒子群算法的风光水互补发电系统短期调峰优化调度

风光水互补发电系统优化调度需要考虑风光电源的间歇性及波动性,同时还要处理梯级水库复杂的水力联系及不同电源之间的电力联系,因而建立风光水互补发电系统短期调峰优化调度模型,并采用粒子群算法进行求解,针对粒子群算法的早熟及后期收敛速度慢等问题,从惯性因子和种群拓扑结构两方面对粒子群算法进行改进,并对福建省电力调控中心管辖的12座常规水电站、木兰溪1座抽水蓄能电站、31座风电场、5座光伏电站组成的风光水多种电源互补系统进行数值分析。结果表明,所建模型能较好地实现对电网负荷的削峰填谷,所提算法显著提高了求解效率和求解质量,是一种解决风光水互补发电系统短期联合优化调峰调度实用性很强的有效算法。     

基于优化PSO-RBF的柴油机故障诊断方法

针对传统RBF算法收敛速度慢,易于陷入局部极值的问题,提出了一种经优化的粒子群算法PSO,对RBF神经网络粒子群的改进参数、权值线性递减参数和标准参数进行训练寻优,构建出最优PSO-RBF神经网络,并将其用于柴油机的故障诊断预报。对MAN B&W 6L23/30H柴油机三种不同工况下第一缸试验参数的训练表明:改进的PSO-RBF神经网络在柴油机故障诊断中判别率更高,故障诊断的准确性与可靠性得到提高。     

基于改进粒子群算法的机组负荷优化分配

针对标准粒子群算法存在容易早熟收敛的问题,在分析机组负荷优化问题的基础上,提出了一种基于解约束机制、边界反弹规则、高斯分布序列和混沌序列的改进粒子群算法。算法采用解约束机制和边界反弹规则处理优化问题的约束条件,同时在粒子移动过程中引入了高斯分布序列和混沌序列,从而克服了算法过早收敛的缺陷,提高了算法的全局优化能力。实例计算结果表明,该算法具有稳定的全局优化能力,为机组负荷优化分配问题的求解提供了新的方法。     

Global maximum power point tracking for solar power systems using the hybrid artificial fish swarm algorithm

Maximum power point tracking (MPPT) techniques are used to maintain photovoltaic modules operating points at the local maximum power points under non-uniform irradiance conditions (NUIC). For global maximum power point tracking (GMPPT) within an appropriate period, a hybrid artificial fish swarm algorithm (HAFSA) is proposed in this paper, which was developed using particle swarm optimization (PSO) to reformulate AFSA and improve its principal parameters. Simulation results show that under NUIC, compared with PSO and AFSA, the proposed algorithm has better performance with respect to convergence speed and convergence accuracy. Under NUIC, the average convergence times for 1000 simulation experiments completed with PSO, AFSA, and HAFSA are 0.4830 s, 0.4003 s and 0.3152 s respectively, and the average tracking time of the HAFSA algorithm is reduced by 34.74% and 21.26% compared with PSO and AFSA, respectively. The convergence times of the velocity inertia m relative constant and linear decrement method decreased by 35.48% and 8.19%, the convergence time of the Visual relative constant mode decreased by 10.16%, and the convergence time of the Step relative constant mode decreased by 17.88%. The proposed GMPPT algorithm is simulated in MATLAB, and the algorithm tracks GMPP with excellent efficiency and fast speed.     

基于IWO-PSO混合算法的三电平逆变器SHEPWM仿真研究

针对传统粒子群优化(PSO)算法在求解三电平逆变器选择谐波消除脉宽调制(SHEPWM)技术的非线性超越方程组时存在局部收敛、收敛速度慢且计算精度不高的问题,提出了一种基于入侵杂草优化和粒子群优化混合算法(IWO-PSO)的SHEPWM方程组计算方法,该混合算法结合IWO算法的广度和PSO算法的深度,通过合理选择算法参数,有效地解决了计算结果局部收敛和收敛速度慢的问题,并以三电平中点箝位型(NPC)逆变器为例,利用Matlab/Simulink进行仿真试验。结果表明,IWO-PSO算法可行、有效,实现了三电平NPC逆变器在线SHEPWM控制。     

基于全局信息融合粒子群算法的水轮发电机模型参数辨识

针对粒子群(PSO)优化算法辨识发电机模型参数时存在局部最优和后期收敛速度慢很难准确获取具有强泛化能力的模型参数的问题,提出了一种基于多粒子全局信息共享和变权重的全局信息融合PSO算法(GPSO),并通过IEEE3机9节点系统算例验证了该算法的有效性。结果表明,与常规PSO算法相比,该算法具有泛化能力强、辨识精度高和后期收敛速度快的优点。     

PSO RBF神经网络在城市需水量预测中的应用

为克服径向基函数（RBF）神经网络由于参数选取不当而对其收敛性能的干扰,利用粒子群优化算法（PSO）的全局搜索能力对RBF神经网络的三个参数进行寻优,建立了基于PSO RBF神经网络算法的城市需水量预测模型。结果显示,PSO RBF神经网络算法拟合某市1998～2007年需水量数据的平均相对误差为0.18%,预测2008～2010年需水量数据的平均相对误差为3.84%,耗时1.2 s;通过RBF神经网络算法拟合的误差平均值为0.28%,预测的平均相对误差为5.62%,耗时2.1 s,表明PSO RBF神经网络算法具有更高的收敛速度与精度。     

PSO及SM-PSO算法在Jensen模型参数求解中的应用

针对传统的求解Jensen 模型敏感指数的回归分析法（LR）存在的有偏估计和拟合精度不高等问题,利用粒子群算法（PSO）和单纯形法—粒子群算法（SM-PSO）分别对模型的敏感指数进行求解并与传统方法进行对比。结果表明,回归分析法、PSO算法和SM-PSO算法所得模型计算的相对产量与实际相对产量的平均相对误差分别为3.1%、1.8%和1.4%,说明PSO算法和SM-PSO算法均优于传统算法,尤其是SM-PSO算法收敛速度更快、拟合精度更高,是一种有效的求解Jensen 模型敏感指数的方法。     

A particle swarm optimization approach for optimum design of PID controller in AVR system

In this paper, a novel design method for determining the optimal proportional-integral-derivative (PID) controller parameters of an AVR system using the particle swarm optimization (PSO) algorithm is presented. This paper demonstrated in detail how to employ the PSO method to search efficiently the optimal PID controller parameters of an AVR system. The proposed approach had superior features, including easy implementation, stable convergence characteristic, and good computational efficiency. Fast tuning of optimum PID controller parameters yields high-quality solution. In order to assist estimating the performance of the proposed PSO-PID controller, a new time-domain performance criterion function was also defined. Compared with the genetic algorithm (GA), the proposed method was indeed more efficient and robust in improving the step response of an AVR system.     

基于改进粒子群的超超临界机组负荷控制系统模型辨识

针对火电厂负荷控制系统因强耦合性强非线性等特点而难以对其建立精确热工模型的问题,结合工程实际分析三输入三输出负荷控制对象的动态特性,将免疫算法(Immunity Algorithm,IA)的免疫记忆功能引入粒子群算法(Particle Swarm Optimization,PSO),形成免疫记忆粒子群算法(Immune Memory PSO,IM-PSO)并运用在超超临界火电机组负荷控制对象的模型辨识中。辨识结果表明IM-PSO相对于普通PSO收敛速度提高了50%,收敛精度提高了6.08%,改善了PSO易早熟、粒子后期相似度过高的缺点,同时也验证了IM-PSO对于大型火电机组负荷控制对象辨识的有效性。     

基于改进粒子群优化支持向量机的汽轮机组故障诊断

基于支持向量机（SVM）在核函数参数和惩罚因子人为选取的盲目性以及传统粒子群算法（PSO）后期易陷于局部最小值的不足,提出了一种改进的粒子群算法（MPSO）,建立了汽轮机组振动故障诊断模型并且利用故障数据进行了模式识别.结果表明：模型能够对SVM相关参数自动寻优,并且能达到较为理想的全局最优解;与PSO-SVM和GA-SVM算法相比,MPSO-SVM算法在收敛速度和准确率方面都有所提高.     

基于改进的PSO算法的电力系统无功优化研究

电力系统无功优化是保证电力系统安全、经济运行的重要措施,粒子群优化算法（PSO）具有模型简单、收敛速度快、参数简洁等优点,但用于求解高维复杂优化问题时易陷入局部最优,针对此缺陷,在PSO算法的基础上提出了自适应随机变异粒子群优化算法（AMPSO）,将该算法用于求解电力系统无功优化问题,并以IEEE30标准节点系统为算例进行验证。结果表明,与PSO算法相比,AMPSO算法有效降低了系统网损,显现出良好的全局收敛特性。