基于混沌粒子群算法的火电机组热工过程辨识方法

针对火电厂热工过程的特点及其辨识方法的不足,以及粒子群(PSO)算法易早熟,且无法得到全局最优的问题,将粒子群早熟判断机制和混沌搜索序列添加到PSO算法中构成混沌粒子群优化(CPSO)算法,提出了基于CPSO算法的热工过程辨识方法,并将该方法应用于基于现场实测数据的热工过程模型辨识中。结果表明,该方法能够使粒子群快速摆脱局部极小值,提高了算法的收敛速度和收敛精度,取得了较好的辨识效果。     

基于粒子群-量子操作算法的同步发电机非线性模型参数辨识

为解决同步发电机三阶非线性模型参数辨识问题,在将参数辨识问题转化为非线性优化问题的基础上,引入粒子群优化(particle swarm optimization,PSO)算法.考虑到PSO收敛速度慢、参数辨识精度低,而量子粒子群优化(quantum particle swarm optimization,QPSO)算法收敛速度快、具有较好的全局搜索能力,将量子操作引入到PSO算法中,提出了粒子群-量子操作(particle swarm optimization with quantum operation,PSO-QO)优化算法.仿真试验结果表明,与PSO算法、QPSO算法相比,PSO-QO算法收敛速度快、参数辨识精度高、算法更为稳定;与经典扩展卡尔曼滤波(extended Kalman filter,EKE)方法相比,PSO-QO具有更强的鲁棒性,尽管强噪声条件下参数辨识精度有所下降,但效果仍优于EKF.     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

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。     

采用改进混合粒子群算法的热工过程模型参数辨识

针对基本粒子群算法在求解过程中容易陷入局部最优解的问题,提出了一种基于遗传算法和模拟退火算法而改进的粒子群算法。引入遗传算法中的选择、杂交和变异,以及模拟退火机制的粒子群算法,在保持群体多样性的同时,提高全局搜索速度,并将改进的算法应用到热工过程模型参数的辨识,试验结果显示改进效果良好。     

基于改进粒子群算法与支持向量机的变压器状态评估

支持向量机(SVM)能较好地解决小样本、非线性特征的多分类问题,适用于电力变压器运行状态评佑,但参数选择时分类效果有着显著影响.利用改进的粒子群算法(PSO)对支持向量机(SVM)参数进行寻优,通过引入收敛因子、惯性因子动态化和自适应杜子变异三种方法对传统的PSO算法进行改进,从而获得最佳的分类模型.该模型以变压器油中...     

基于改进粒子群算法的中压配电网无功优化

建立了以年费用最小为目标函数的无功优化数学模型,提出一种融合裂变和变异操作的分合群粒子群算法求解该模型,并结合对系统分区、合理设置补偿上限等方法减小搜索范围,实现了同时求解补偿点和补偿量。算法在标准粒子群优化(particle swarm optimization,PSO)算法的基础上通过分群和裂变,保持粒子的多样性,避免收敛早熟;通过合群和变异,加强算法的搜索精度,提高算法的收敛稳定性。用IEEE 33节点系统进行仿真计算,与标准PSO算法对比表明,改进PSO算法在计算精度、收敛稳定性等方面具有明显优势;与无功二次精确矩法对比表明,改进PSO算法具有自动调整补偿点个数的能力,补偿方案经济性更好,能有效解决中压配电网的无功优化问题。     

基于改进粒子群优化算法的输电系统多阶段协调规划

提出了一种输电系统多阶段协调规划模型,模型中计入了以N-1静态安全条件表示的可靠性约束,并对采用粒子群优化算法PSO(Partic le Swarm Optim ization)来求解该模型进行了研究,引入新的变异策略对基本PSO算法进行了改进,改进后的算法可以处理多维的离散变量,有可能使粒子摆脱局部最优,提高搜索效率。仿真算例表明该方法用于输电系统的多阶段协调规划是可行的。     

基于改进粒子群优化算法的输电系统多阶段协调规划

提出了一种输电系统多阶段协调规划模型,模型中计入了以N-1静态安全条件表示的可靠性约束,并对采用粒子群优化算法PSO(Particle Swarm Optimization)来求解该模型进行了研究,引入新的变异策略对基本PSO算法进行了改进,改进后的算法可以处理多维的离散变量,有可能使粒子摆脱局部最优,提高搜索效率.仿真算例表明该方法用于输电系统的多阶段协调规划是可行的.     

基于扩展粒子群优化算法的同步发电机参数辨识

提出一种新的扩展粒子群优化(EPSO)算法并应用于同步发电机参数辨识。在粒子群优化(PSO)算法的基础上，EPSO算法采用更多粒子的位置值信息进行变异操作，并且提出根据各粒子的适应值大小确定算法控制参数的方法，保证了扩展后算法的收敛性，EPSO算法模型更具有通用性。仿真算例结果表明了在系统受到较大干扰的情况下，EPSO算法比EP算法和PSO算法具有更精确的参数综合辨识能力，并且EPSO算法比EP算法具有更高的收敛效率。     

基于改进微粒群算法的梯级水库群优化调度

为了进一步增强微粒群算法的优化性能,提出了一种改进微粒群算法,并将其用于求解梯级水库群的优化调度.该算法引进了类似遗传算法的交叉和变异算子来提高搜索效率,其中交叉是微粒在解空间中的位置以一定的概率随机进行算术交叉,变异是微粒以一定的概率随机使速度矢量的某一维分量变为0.为了加速收敛,初始微粒群生成时采用了有条件的随机自动生成方式,并利用惩罚函数法来处理边界条件和其它非等式约束.实例计算结果表明,改进微粒群算法具有比常规动态规划法和常规微粒群算法更快的计算速度,且优化调度结果比较满意.     

一种求解最优潮流问题的改进粒子群优化算法

提出了一种新的基于可行保留策略和变异算子的改进粒子群优化算法来求解最优潮流问题。可行保留策略将最优潮流问题的目标函数和约束条件分开处理,使得只有可行的解才能指导粒子飞行,避免了粒子在不可行域中的无效搜索,提高了算法的搜索效率;变异算子以预定的概率选择变异个体,对粒子的位置进行高斯变异操作,使得粒子可以有效避免陷入局部最优,增强了算法的全局搜索能力。通过 IEEE 30节点系统对该算法进行了测试,结果表明,对于复杂的最优潮流问题,该算法优于进化规划算法和常规的粒子群优化算法。     

进化Elman神经网络在实时数据预测中的应用

为了提高电站实时数据的准确性,提出了一种利用改进粒子群算法进化Elman神经网络的动态系统实时数据预测方法.改进粒子群算法中,根据群体早熟收敛程度和当前最优解的大小对部分不活跃粒子进行变异,增强了算法跳出局部最优解的能力.利用改进的粒子群算法训练Elman神经网络权值和自反馈增益因子,有效地解决了梯度下降法训练网络权值...     

群体消亡粒子群优化算法在继电器优化设计中的应用

从分析粒子群算法的早熟现象的原因入手及受生物进化过程中突变和灾难现象的启发,在标准粒子群优化算法的基础上,提出一种群体消亡粒子群优化算法。将微粒分成大小相同的几个种群,在粒子群算法运行的适当时机,依一定方式使群体中的适当子群体消亡并随机补充新个体,以维持群体的适当规模和多样性。对Schaffer’s f 6函数的仿真结果表明,该算法易于找到全局最优解。将改进的算法应用于电磁继电器的优化设计之中,验证了其有效性。     

基于模拟退火的粒子群算法在水电站水库优化调度中的应用

介绍了一种基于模拟退火的粒子群算法,并用其求解以水电站年发电量最大建立的优化调度的数学模型.考虑到基本的粒子群算法(PSO)后期粒子趋向同一化,使其进化速度变慢,精度较差,本文将模拟退火的思想应用到具有杂交和变异的粒子群算法当中,通过模拟退火的降温过程来提高算法后期的进化速度和精度.最后,以普定水电站的优化调度为例进行了计算,结果表明,该算法的性能较基本粒子群算法有了较大改善,且明显优于常规调度方法和动态规划.     

基于GIS和改进PSO算法的配电网络变电站选址规划

提出了一种改进的PSO算法,用于解决配电网络变电站选址问题。改进PSO算法是将模拟退火思想和变异算子引入粒子群算法中,在计算初期保证群体的多样性,后期增强了算法的寻优精度。在变电站计算模型中,首次将地理信息作为元数据权重因子引入到选址模型中。通过实例分析,给配电网规划建设提供了参考。     

改进的PSO算法及其在PID控制器参数整定中的应用

粒子群优化算法(PSO)是一种新兴的随机优化技术,在许多领域得到了广泛应用。为了提高算法的计算精度,加快算法的收敛速度,提出了一种改进的粒子群优化算法,通过引入粒子运动过程中的最差位置信息,由最优个体和最差个体获取信息,有效地提高了算法的搜索能力和收敛速度。在实验研究中,采用改进的粒子群优化算法对PID控制器参数进行整定并用于啤酒发酵过程温度段控制,实验结果表明所提出的算法搜索能力及收敛速度显著提高,应用该方法得到的PID控制器综合性能优于常规方法所得的结果。     

基于改进PSO算法的UAV三维路径规划研究

提出一种根据适应度值使粒子侧重于不同寻优任务的改进粒子群优化(FPSO)算法,并将其应用于UAV三维路径规划问题。传统粒子群优化(PSO)算法对所有粒子设置统一的控制参数,寻优过程不够灵活,易陷入局部极值且收敛速度慢。改进的FPSO算法提出三种优化策略,即将PSO算法与遗传算法(GA) 结合、设置动态惯性权重、引入步长因子,以充分发挥不同适应度值粒子的搜索优势,使其动态侧重于局部搜索或全局搜索。仿真结果表明,FPSO算法搜索结果更优,迭代次数更少,平均消耗时间比PSO算法缩短22.0%、比GA算法缩短39.6%,具有显著的性能优势。