基于改进粒子群算法的分布式电源选址定容研究

针对分布式电源在配电网中选址定容问题,以投资综合成本作为优化目标,建立了分布式电源选址定容数学模型。运用改进的粒子群算法对模型求解,IEEE33节点配电网为算例,对分布式电源的安装位置和容量进行优化,将所得到的结果与未改进前的算法进行比较,表明算法具有更好地全局收敛效率和寻优能力。     

基于改进粒子群的分布式电源选址定容优化

随着分布式电源并网推广,它对配电网中的节点电压、线路潮流、短路电流、可靠性等会带来影响,且其影响程度与分布式电源的位置和容量密切相关。分布式电源的位置和规模不合理,可能会导致电能损耗以及网络电压的稳定性。传统的粒子群在解决选址定容上存在易陷入局部最优解,收敛速度慢。提出一种模糊自适应粒子群的方法自适应改变参数来对分布式电源的选址定容问题求解,以网损最小为目标函数,得到分布式电源接入的最优方案。通过测试IEEE30节点的系统,仿真结果表明算法是有效的。     

不同负荷模型下基于粒子群算法的分布式电源选址和定容优化问题研究

提出了一种基于粒子群优化算法的灵活优化方法,通过合理地确定分布式电源的容量和位置,从优化有功和无功功率损失指数、电压分布指数、MVA容量指数和短路水平指数四方面出发,建立了分布式电源综合效用的多目标函数,并结合38-母线径向测试系统研究了不同独立电压负荷模型情景下分布式电源的最优选址和定容问题。     

改进粒子群算法在分布式电源优化配置中的应用研究

合理的分布式电源(DG)位置和容量对配电网的安全、经济运行至关重要。建立了以电力公司年综合经济效益最大的优化配置模型,针对传统粒子群算法存在的早熟现象,采用改进粒子群算法进行目标函数寻优,最终得到满足目标函数的分布式电源最优配置方案与实际运行时的最优输出功率。对实际算例的仿真计算结果验证了算法的正确性和有效性,为进一步开展分布式电源规划拓展了思路。     

基于自适应变异粒子群算法的分布式电源选址与容量确定

在不考虑负荷新增节点的情况下进行分布式发电的布点规划,建立了以配电网年运行费用最小为目标的经济模型。模型中针对分布式电源运行费用引入固定安装费用权重因子,更准确地刻画了分布式电源接入后配电网费用的变化。同时,为克服粒子群算法存在的早熟问题,采用自适应变异的粒子群算法(adaptive mutation particle swarm optimization algorithm,AMPSO)对配电网中的DG选址和定容进行了优化。通过对IEEE 33节点配电网测试系统进行分析,验证了上述模型的准确性和求解算法的有效性。     

基于改进粒子群算法的配电网分布式电源规划策略

针对既有配电网架结构下的分布式电源选址与定容问题,提出了一种抑制局部最优的带惯性权重的粒子群优化算法(PSO),在算法搜索过程中通过引入变异算子和偏移算子,根据适应度标准差及当前最优适应度值,确定目前部分粒子的畸变程度,摆脱了寻优过程中局部最小点的束缚,改善了多目标优化的非线性准确度。同时改进了PSO中对于速度和位置的更新方法和终止判据,提高了算法的收敛特性。通过IEEE-33节点配电网和延边配电网算例表明,改进的粒子群算法能够有效地寻找到全局最优解并且具有良好的收敛特性。     

基于自适应变异粒子群算法的分布式电源规划

针对分布式电源(DG)规划问题,建立配电网网损最小、电压偏差最小、静态电压稳定裕度最大的多目标DG规划模型。采用模糊集理论将多目标优化问题单一化,通过使总体满意度最大化,提升整体性能。同时采用自适应变异粒子群算法(AMPSO)对建立的模型进行求解,在一定程度上克服了基本粒子群算法容易早熟收敛的问题。在IEEE 33节点配电网系统上进行仿真计算,验证了模型和算法的有效性。     

基于自适应遗传算法的分布式电源优化配置

针对能源互联网背景下大量分布式电源接入配电网的优化配置问题,从经济性出发,建立了以投资成本、运行维护成本、网络损耗成本和购电成本之和最小为目标的分布式电源的选址定容优化模型。利用前推回推法计算配电网络潮流,采用了自适应遗传算法对所提模型进行求解。结合IEEE 33节点构造算例进行分析,结果表明该模型在保证经济性的同时,能有效减少网络损耗并提高电压质量。     

（12期拿下）基于权重自适应调整的混沌量子粒子群算法的城市电动汽车充电站优化布局

针对城市电动汽车充电站的定容和选址的问题,从实际情况出发,建立将土地价格、建设成本、运行成本、交通流量、服务距离、服务能力考虑在内的数学模型,该模型以年均综合费用最小为目标,以充电能力,充电距离为约束条件。采用权重自适应调整的混沌量子粒子群算法对北方的某市某区进行规划,该算法在迭代过程中会根据粒子不同的适应值,对惯性权重做出相应的调整,从而调整对粒子的搜索能力。利用混沌算子的遍历性,使得该算法具有很好的收敛速度和精度。利用该算法对所建立的数学模型进行求解,经过进一步的筛选,确定了该地区充电站的建址坐标、容量和费用。     

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。     

基于改进粒子群优化算法的多目标分布式发电规划

通过归一化处理和权系数选取,将以网络损耗最小、节点电压平均偏差最小、静态电压稳定裕度最大和总投资成本最小为目标的多目标分布式发电（distributedgeneration,DG）规划模型转化为单一目标。采用改进粒子群4~g415（improvedparticleswarmoptimization,IPSO）算法进行DG规划的优化计算,为避免陷入局部最优,对惯性权重进行非线性的自适应调整,并在计算过程中引入速度变异算子和位置交叉算子,较好地克服了计算后期易陷入局部收敛的问题。将IPSO算法应用于69节点配电网测试系统,仿真结果验证了IPSO算法是有效和可行的。     

基于自适应粒子群算法的变压器局部放电定位研究

随着对电力系统安全运行的要求越来越高,对变压器局部放电定位的研究也就愈发重要,将智能算法引入变压器局部放电定位中是很有效的途径。提出自适应粒子群算法对变压器局部放电定位,通过实验验证分析,此算法具有精度高,收敛速度快,避免收敛早熟等优点。     

基于量子行为粒子群算法的含分布式电源的配电网故障定位

分布式电源的大量接入,使得传统配电网故障定位方法的适用性变差。针对这一问题,引入量子行为粒子群算法实现含分布式电源的配电网的故障定位。在对量子行为粒子群算法进行改进后,使其更适用于包含0-1离散变量的配电网故障定位。同时算法融入了自然选择的淘汰机理,提高了算法的收敛性和精确性。考虑到在实际应用中故障信息的缺失,对信息采用了相应的补漏措施,提高了算法的容错性。算例的仿真结果验证了该算法定位的准确性、适用性及可行性。     

Particle Swarm Optimization with Adaptive Mutation

A new adaptive mutation particle swarm optimizer, which is based on the variance of the population’s fitness, is presented in this paper. During the running time, the mutation probability for the current best particle is determined by two factors: the variance of the population’s fitness and the current optimal solution. The ability of particle swarm optimization (PSO) algorithm to break away from the local optimum is greatly improved by the mutation. The experimental results show that the new algorithm not only has great advantage of convergence property over genetic algorithm and PSO, but can also avoid the premature convergence problem effectively. Translated from “Particle Swarm Optimization with Adaptive Mutation” published in Acta Electronica Sinica, 2004, 32(3): 416–420 (in Chinese)     

基于改进粒子群算法的含分布式电源配电网规划

在不考虑网络扩展的情况下,建立了以包含分布式电源建设和维护费用、网损费用以及购电费用在内的配电网年费最小为目标的规划模型,并采用改进的粒子群算法对分布式电源的安装位置和容量进行优化计算,避免了粒子群算法早熟和边界聚集的问题。通过对IEEE33节点配电网系统进行仿真计算,验证了规划模型和算法的正确性和适应性。     

计及监测可信度的扰动源定位粒子群算法

当智能配电网发生电能质量扰动时,由于网络结构、高斯噪声和监测误差等因素常存在扰动方向误判问题,而现有电能质量扰动源定位方法对此定位准确度低。由此提出一种计及监测可信度的扰动源定位粒子群算法。设计了一种监测可信度函数构建方法,来表征扰动方向判定的准确程度,创新性地建立了粒子群可信度优化模型,提出了独创的评价函数,通过粒子群迭代进行全局寻最优解。通过Matlab仿真表明,所提新算法实现了在部分监测数据有误情况下的扰动源自动精确定位,并具有定位准确、收敛性好和容错率高等优点。     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

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。     

基于量子粒子群算法的分布式电源优化规划

针对配电网中分布式电源(distributed generation,DG)的选址和定容问题,在研究标准粒子群优化算法的基础上建立有功网损和DG运行费用最小的目标函数。考虑运行中的约束条件,利用旋转门更新的量子粒子群算法(quantum particle swarm optimization,QPSO)分析DG接入位置、容量不确定的情况下将目标函数和约束条件转换为综合目标函数,并求得最优解。对IEEE14节点配电测试系统进行算例仿真,比较仿真结果与粒子群算法优化结果,验证了QPSO在分布式电源规划上的收敛性和适应性。     

基于混沌粒子群算法的铜转子异步电机优化

异步电机具有结构简单,制造、使用和维护方便等优点,在各类电力拖动系统中广泛应用。与永磁电机相比,常规异步电机的效率普遍较低。异步电机采用铜转子,可以大大提高效率,达到IE4标准,但是却会带来起动转矩变小,起动电流变大的问题。为了克服这一问题,本文提出混沌粒子群算法从结构上来优化电机。首先采用田口算法来合理选择优化参数,以起动转矩倍数和起动电流倍数为目标,再采用响应面将优化目标拟合成曲线,最后采用混沌粒子群算法对其进行优化,最终得到优化后的电机参数