离散粒子群优化算法在变电站选址中的应用

将离散粒子群优化算法引入变电站选址优化规划问题的求解,并构造矩阵作为离散解值集来表示变电站选址问题的解,同时构造速度矩阵作为离散速度值集表示粒子的速度值,使PSO算法合理地应用于变电站选址问题。并通过算例,验证了算法的有效性。     

基于GIS和改进微分进化算法的农网变电站选址定容

基于地理信息管理系统将改进微分进化算法引入到变电站优化选址定容求解问题中。利用三个标准的优化算法测试函数对引入惯性加权系数的微分进化改进算法进行了测试,并与标准微分进化算法进行比较。结果证明对不同函数有目的性地调整惯性加权系数F的取值范围可以提高改进算法的搜索效率。在选址模型中考虑了地理因素对投资费用的影响,并综合考虑了农网特点和其所处的复杂地理环境和对变电站选址的影响,使结果更具科学性和可行性。     

微分进化算法在变电站选址中的应用

简要分析了基本微分进化算法和变电站选址问题,将微分进化算法引入变电站站址选择,建立基于微分进化算法的变电站选址的模型。采用DE进行计算,更加简单、有效,更具全局寻优能力,增加了决策的科学性、规范性。     

基于GIS和改进微分进化算法的农网变电站选址定容

基于地理信息管理系统将改进微分进化算法引入到变电站优化选址定容求解问题中.利用三个标准的优化算法测试函数对引入惯性加权系数的微分进化改进算法进行了测试,并与标准微分进化算法进行比较.结果证明对不同函数有目的性地调整惯性加权系数F的取值范围可以提高改进算法的搜索效率.在选址模型中考虑了地理因素对投资费用的影响,并综合考虑了农网特点和其所处的复杂地理环境和对变电站选址的影响,使结果更具科学性和可行性.     

改进粒子群算法在变电站选址规划中的应用

提出了一种利用改进的粒子群算法来解决配电网变电站选址问题.在改进的方法中,引入模糊的方法,根据粒子适应度高低来确定粒子的惯性权重的取值,对同一代的不同粒子使用不同惯性权重来更新粒子速度,从而获得了更高性能的PSO算法.通过某开发区规划实例验证了该文所提模型和方法正确性和有效性,其规划结果科学、可行.     

基于改进粒子群算法的变电站选址规划

变电站站址的选择是电网规划的重要环节,给出一种确定的变电站选址模型,该模型不仅包含了以往的变电站选址的可量化因素,还将地理信息作为惩罚因子融合入模型中,增加了变电站选址模型的实际价值。并且提出一种新的改进粒子群算法,从初始解和变量搜索方面进行了改进。算例证明所提模型和改进算法正确、有效,其规划结果科学、可行。     

基于改进粒子群算法的变电站选址规划

变电站站址的选择是电网规划的重要环节,给出一种确定的变电站选址模型,该模型不仅包含了以往的变电站选址的可量化因素,还将地理信息作为惩罚因子融合入模型中,增加了变电站选址模型的实际价值.并且提出一种新的改进粒子群算法,从初始解和变量搜索方面进行了改进.算例证明所提模型和改进算法正确、有效,其规划结果科学、可行.     

基于改进量子进化算法的变电站选址方法

传统的变电站选址方法通常搜索时间长,且搜索质量不高,本文首次将量子进化算法(QEA)引入到变电站选址模型中,并且改进了传统的量子进化算法,提出了变电站选址的改进量子进化算法(IQEA)。IQEA对QEA的修复操作和进化方向进行改进;修复操作采用贪心修复,进化方向以适应度值作为评价的标准,以适应度值作为吸引子进行下一代的更新,从而更好地维持了种群的多样性,提高了算法性能。背包问题测试结果表明,对QEA的改进措施增强了QEA的搜索能力,提出的IQEA性能最优。且实际算例表明,本文所提出的IQEA是正确且有效的,其选址方法是科学、可行的。     

基于布谷鸟搜索算法的变电站选址方法研究

传统变电站选址算法通常搜索时间长,且搜索质量不高。布谷鸟算法(CS)可有效克服传统算法中的"早熟"现象,有更高的全局寻优能力和搜索率。将该算法引入变电站选址模型,在模型中加入地理信息惩罚因子,应用布谷鸟搜索算法进行求解,用实际算例进行有惩罚因子和无惩罚因子模型的对比,证明加入地理信息因素可使变电站选址结果更加切合实际。     

用于无功电压综合控制的改进粒子群优化算法

介绍了粒子群优化算法(PSO),结合电力系统实际运行情况提出了适用于离散型变量的改进PSO算法,该算法将全局型和局部型算法有效结合起来,将问题分层解决,并引入了变异算子.在IEEEl4节点系统和130节点实际系统的仿真计算中,改进PSO算法与其他人工智能算法相比,可在较短的计算时间内取得更好的优化效果.     

微粒群算法在SBR污水处理系统中的应用

污水处理过程是一个具有大时滞、非线性、强干扰的复杂控制对象,需要不断把当前最先进的优化算法应用到污水处理过程中以优化现有污水处理系统。详细介绍了微粒群算法(PSO)应用到各种污水处理系统中进行优化的方法并给出了PSO算法本身的优化。     

动态惯性权重粒子群优化算法

针对基本粒子群优化(Particle Swarm Optimization,PSO)算法的不足,提出动态惯性权重粒子群优化算法,其惯性系数随算法进化而动态减少。仿真结果验证了该改进算法的有效性:算法的收敛速度比基本PSO算法的收敛速度快;同时,算法得到的最优解比基本PSO算法好。     

基于改进PSO算法的PID参数优化研究

针对PID控制器的参数整定问题,提出一种改进微粒群优化算法（improved particle swarm optimization,IPSO）。算法是在基本PSO算法的惯性权重部分加入一个调节因子项,通过调节因子的调节,改善了算法的收敛性。仿真结果表明,IPSO算法可以更好地优化PID控制器的参数,使控制系统具有更好的控制性能。     

发电机组检修计划优化模型的蚁群-粒子群混合算法

针对检修计划的多目标、多约束特性,以系统运行总费用最小为目标建立经济性模型,并利用蚁群-粒子群混合算法进行求解。对于蚁群算法(ant colony algorithm,ACA)运行参数的选取问题,利用粒子群优化(particle swarm optimization,PSO)算法对蚁群系统参数α和β进行训练优化选择,同时引入状态表记忆机制和惩罚因子,从而提高ACA求解速度和解的质量。算例仿真结果证明,该模型具有很好的经济性和实用性。     

基于改进粒子群算法的配电网故障自愈算法

首先根据配电故障自愈系统的基本功能及配电网的供电要求,建立了以计算最大自适应度值为计算目标的配电网故障自愈目标函数及其相关参数的约束条件;随后介绍了基于浓度的改进粒子群寻优算法的工作原理及其实现步骤;最后结合配电网故障自愈目标函数和改进粒子群算法,提出了基于改进粒子群算法的配电网故障自愈控制算法,并给出了算法的实现流程图和仿真结果。仿真结果表明,所提配电网故障自愈控制算法具有较好的收敛性。     

基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

粒子群优化BP神经网络在电梯群控系统中的应用

为了达到最优电梯群派梯指标,提出了一种基于粒子群优化的BP神经网络电梯群控方法,将带变异因子的改进粒子群优化技术应用到BP神经网络中,获得电梯评价指标中的满意度,以改进粒子群优化BP神经网络的初始权值和阀值。仿真结果表明,改进粒子群优化的BP神经网络算法减少了迭代次数,缩短了运行时间,证明了新方法的有效性。     

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.     

含微电网的电力系统状态估计研究

分布式电源的接入不仅改变了电网的潮流分布和拓扑结构,而且使微电网系统的状态估计面临新的挑战。基于有限的实时量测和包含分布式电源节点的伪量测提出微电网状态估计量（MGSE）,并分别采用改进的传统加权最小二乘法（WLS）和粒子群智能算法（PSO）对微电网进行求解。利用Matlab对一典型欧洲低压微电网系统的状态估计进行仿真,验证了该估计量能准确地描述系统的状态,并比较了两种算法的优劣,为含微电网的电力系统预测控制和性能优化提供了基础。     

多目标无功优化的向量评价自适应免疫粒子群算法

为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用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,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。