基于粒子群算法的电力系统经济负荷分配研究

电力系统经济负荷分配,是指在满足电力系统或发电机组运行约束条件的基础上,在各台机组间合理地分配负荷以达到最小化发电成本的目的,是经济调度中非常重要的问题。粒子群算法是一种源于对鸟群捕食的行为研究的进化计算技术,具有全局优化能力强、收敛性好和编程实现简单等优点。将粒子群算法应用于电力系统经济负荷分配问题的研究中,通过对实际算例进行仿真测试,证实该算法可有效解决经济负荷分配问题,性能对比显示,该算法求得的解优于传统优化算法所求得的解。     

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。     

改进粒子群算法及其在电力系统经济负荷分配中的应用

提出了一种用于求解一般形式的非连续、非凸、非线性约束优化问题的改进粒子群算法，用于求解复杂的非凸、非线性电力系统经济负荷分配问题。基于随机分析理论，证明了该算法依概率收敛至全局最优，且收敛性与粒子群的初始分布无关，并提出一个收敛的充分条件。多个算例的仿真结果表明：文中提出的算法有效、可行，可望应用于更广泛的优化问题     

基于改进粒子群算法的电力系统经济负荷分配

提出了一种应用随机优化理论求解电力系统经济负荷分配的新方法,该方法以电力市场全天购电费用最小为目标函数,将高斯算子和交叉算子引入基本粒子群算法中。针对基本粒子群算法（PSO）的局限性,通过引入新的算子,克服了PSO算法前期精度低、后期收敛速度慢、易于陷入局部最优等缺点,在速度和精度上满足了计算要求。算例结果表明,所提出的方法能有效解决电力市场电力系统经济负荷分配问题。     

基于自调节粒子群算法的电力系统经济负荷分配

带阀点效应的经济负荷分配问题具有不连续、不可导、非凸、非线性的目标函数,同时还受到电力平衡和运行约束的制约,很难应用经典数学算法求解。针对忽略网损的经济负荷分配问题,文章提出了一种自调节粒子群算法,通过可行化调整机制保证解的可行性,同时采用自适应变异算子提高解的多样性,防止算法早熟收敛,提高算法的寻优速度。为验证算法的有效性,文中对多个经济负荷分配问题进行了测试,与其它智能算法的比较结果证明该算法可以有效找到可行解,避免陷入局部最优,能实现问题的快速求解。     

一种求解电力经济负荷分配问题的改进微分进化算法

针对电力系统经济负荷分配(economic dispatch,ED)这一典型的非凸、非线性、组合优化问题,提出一种改进的微分进化(improved differential evolution,IDE)算法。微分进化(differential evolution,DE)算法虽有简单、搜索效率高的优点,但是仍然有局部最优的问题。该文在对DE算法搜索机理进行分析的基础上,针对DE算法参数难于动态调整的问题,提出不依赖于优化问题的控制参数自适应调整机制,并根据动态监视群体适应度方差的变化,增加个体迁移策略,进一步提高DE算法的全局寻优能力和鲁棒性。运用该算法对IEEE3机、40机及69机300节点标准测试用例进行计算,并考虑机组的爬坡约束、出力限制区约束、非光滑费用函数曲线等非线性特性,将其计算结果与遗传算法(genetic algorithm,GA)及粒子群算法(particle swarm optimization,PSO)进行比较,分析表明该方法是可行的、有效的。     

基于广义蚁群算法的电力系统经济负荷分配

提出了一种可用于求解一般形式的非凸、非线性约束优化问题的广义蚁群算法，以用于求解复杂的非凸、非线性电力系统经济负荷分配问题，与用于组合优化的蚁群算法类似，该算法运用了正反馈，分布式计算和贪婪式启发搜索，基于不动点理论，给出了该算法收敛的充分条件，多个算例结果表明，文中提出的算法是有效可行的。     

基于混合智能算法的电力系统经济负荷分配

为解决复杂、不连续、不可导、非线性的电力系统经济负荷分配（economic load dispatch,ELD）问题,提出粒子群算法（particle swarm optimization,PSO）结合单纯形算法（simplex method,NM）的混合智能算法（simplex method-particle swarm optimization,NMPSO）。利用NMPSO解决ELD问题时,综合考虑了发电机组的阀点效应和系统网损,使ELD更接近实际情况,充分利用 PSO 随机性的全局寻优能力和 NM快速确定性的局部寻优能力,弥补了 PSO和NM分别单独应用时的不足。仿真结果表明,NMPSO应用于ELD问题,具有较好的优化效果。     

电力系统经济负荷分配的量子粒子群算法

本文首次将量子粒子群算法用于电力系统经济负荷分配中。该算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解。同时该算法的进化方程中不需要速度向量,而且进化方程的形式更简单,参数较少且容易控制。对两个算例进行仿真测试,证实该算法可有效解决经济负荷分配问题;性能对比显示,该算法求得的解优于已有的改进粒子群算法及其它优化算法所求得的解。本文为量子粒子群算法用于经济负荷分配的实用化研究奠定了必要的理论基础。     

基于改进遗传算法的水电经济调度

传统遗传算法求解电力系统水电经济调度时效率不高,故提出了一种改进遗传算法。该算法采用实数编码,将染色体表示成矩阵形式;并设计了基因行算术交叉算子、基因行变异算子和基因列调整算子三种改进遗传算子,方便了在遗传过程中对约束条件的处理,提高了算法的搜索效率;改进的选择方式较好地避免了有用遗传信息的丢失。仿真结果表明,该算法与传统遗传算法相比,提高了计算效率,有利于获得全局最优解。     

多目标遗传算法求解电力系统经济负荷分配

提出应用多目标遗传算法解决电力系统经济负荷分配问题。对负荷分配的数学模型进行了分析,将这一带约束的单目标优化问题转换成总煤耗函数和违反约束条件的程度函数两个目标函数优化问题。该算法采用实数编码技术,Pareto强度值作为个体的评价指标,利用遗传算法实现种群的进化,最终找到最优解。将该方法分别应用于某5台机组组成的发电系统和3台机组组成的发电系统进行负荷优化计算,结果与基于惩罚函数的单目标优化算法进行比较,分析表明该算法在确保满足各约束条件的前提下具备较好的寻优性能,证实了该算法的可行性与有效性。     

基于遗传算法的电网无功优化

将遗传算法应用于电力系统无功优化,对遗传算法的编码方式、遗传算子以及中止判据方面做了详细的阐述,建立了基于遗传算法的电力系统无功优化模型,避免了常规数学优化方法的局部最优问题.计算机仿真结果表明,遗传算法能够更好地收敛于全局最优解,能更切合电力系统运行的实际,能有效提高电压质量和降低网损.该算法已应用于某地区无功优化软件,取得了较好的效果.     

含风电场与电动汽车充换电站的电力系统经济调度

在分析风电和电动汽车发展形势的基础上,提出将电动汽车充换电站视作储能电站引入电网调度,为含有风电场的系统提供备用.通过对风电出力和充换电站可用容量的预测,考虑风电和充换电站建立经济调度模型,提出模型优化策略,并采用粒子群优化算法（PSO）求解.通过算例验证了模型和算法的正确性和有效性.     

考虑风电功率序列时间相关性的电力系统动态经济调度

随着高比例可再生能源大规模接入电力系统,其不确定性对经济调度带来了巨大的挑战。针对含风电电力系统经济调度问题,提出了考虑风电功率序列时间相关性的数据筛选方法,并利用versatile-copula分布实现风电功率序列时间相关性建模,以此为基础提出了考虑随机变量相关性的机会约束与风电成本高低估代价计算方法,建立了考虑风电功率序列时间相关性的动态经济调度模型。通过对目标函数和约束条件的转化与分析,将随机优化模型转化为线性约束问题,并利用逐次线性化算法实现准确求解。最后,在含风电的IEEE-30节点和IEEE-118节点算例系统中进行仿真计算,验证了所提考虑风电功率序列时间相关性的调度方法在数据筛选、拟合精度、经济性等方面的有效性。     

适用于电力系统短期经济调度的遗传算法

从广义遗传算法的全局收敛性和胞腔排除遗传算法的高效性等两方面,介绍遗传算法在电力系统短期经济调度中的应用现状和发展趋势。     

基于改进思维进化算法的机组负荷优化分配

机组负荷优化分配是电厂提高经济效益的重要手段。思维进化算法(MindEvolutionaryComputation,MEC)模拟人类思维的进化过程,通过趋同和异化过程在解空间中搜索最优解,和其他优化方法如动态规划法等相比较,具有算法简单通用,可以得到全局最优解等优点。本文对思维进化算法进行了改进,增加禁忌区域、自适应调整散布方差、改进收敛条件,并用其解决机组负荷优化分配问题。通过两个算例的计算,并和其它优化方法相比较,证明了这种新方法的有效性,为机组负荷优化分配问题提供了一种新的思路和方法。     

An Efficient Modified HPSO-TVAC-Based Dynamic Economic Dispatch of Generating Units

Abstract

This paper proposes a novel particle swarm optimization (PSO) algorithm with population reduction, which is called modified new self-organizing hierarchical PSO with jumping time-varying acceleration coefficients (MNHPSO-JTVAC). The proposed method is used for solving well-known benchmark functions, as well as non-convex and non-smooth dynamic economic dispatch (DED) problems for a 24?h time interval in two different test systems. Operational constraints including the prohibited operating zones (POZs), the transmission losses, the ramp-rate limits and the valve-point effects are considered in solving the DED problem. The obtained numerical results show that the MNHPSO-JTVAC algorithm is very suitable and competitive compared to other algorithms and have the capacity to obtain better optimal solutions in solving the non-convex and non-smooth DED problems compared to the other variants of PSO and the state of the art optimization algorithms proposed in recent literature. The source codes of the HPSO-TVAC algorithms and supplementary data for this paper are publicly available at https://github.com/ebrahimakbary/MNHPSO-JTVAC.     

基于通用分布的含风电电力系统随机动态经济调度

随着风电大规模并网,其不确定性给电力系统经济调度带来了新的挑战。文中利用通用分布模型拟合不同风电功率预测水平下的实际风电功率分布,并以此建立了考虑风电低估、高估成本的日前动态经济调度的随机优化模型。通过对目标函数和约束条件的转化与分析,将随机优化模型转化为一个非线性凸优化问题。结合二次规划算法和内点法,提出了一种两阶段优化算法用以求解对应的经济调度问题。最后,在含风电场的IEEE 30节点系统上,验证了所提基于通用分布的随机动态经济调度方法的有效性。