基于云粒子群优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。     

基于云PSO-SVM的汽轮机转子故障诊断研究

为提高汽轮机转子故障诊断的准确率和识别效率,提出基于云粒子群优化算法(CPSO)优化支持向量机(SVM)的故障诊断方法。首先利用补充总体平均经验模态分解(CEEMD)对转子振动信号进行分解,利用能量法筛选出更为有效的固有模态分量(IMF)并计算对应的排列熵(PE)作为故障特征值;其次将云理论引入到粒子群优化算法(PSO)中得到CPSO算法,通过CPSO算法优化SVM得到诊断模型。在ZT-3试验台对汽轮机转子常见4种故障(正常状态、转子不平衡、转子不对中和动静碰磨状态)状态进行模拟实验,获取故障数据后进行故障识别研究。研究表明:在相同测试样本的条件下,CPSO-SVM诊断模型的识别准确率为95%,比PSO-SVM诊断模型提高了5%,运行时间为22.055 s,比PSO缩短了14.5 s。研究结果验证了CPSO-SVM算法在汽轮机转子故障诊断方面的优越性。     

基于CPSO-LSSVM的汽轮机热耗率软测量模型

为了准确建立汽轮机热耗率预测模型,提出了一种基于变空间Logistic混沌粒子群算法(CPSO)优化最小二乘支持向量机(LSSVM)的汽轮机热耗率软测量模型。采用变空间Logistic混沌搜索策略和粒子镜像越界处理策略来改善粒子群算法(PSO)的全局优化性能,提出了CPSO优化最小二乘支持向量机的超参数以改善模型预测精度,并以某600 MW汽轮机组为研究对象,利用该机组的运行数据建立CPSO-LSSVM的热耗率预测模型。结果表明:CPSO-LSSVM模型具有更高的预测精度和更强的泛化能力,能够准确有效地预测热电厂的汽轮机热耗率。     

基于PSO算法的水库防洪优化调度模型及应用

针对传统的交互式洪水调度方案生成方式存在的缺陷,由基于PSO算法的洪水优化调度模型,提出了有条件限制的随机自动生成方式,并利用罚函数法处理边界条件和其他非等式约束.实例应用结果表明,较之常规的动态规划法,改进后的PSO算法计算速度快、结果合理,为流域防洪优化调度提供了有效途径.     

基于位置动态参数PSO算法的水库防洪调度研究

介绍了一种易于实现、参数少且收敛快的集群智能算法——粒子群算法。针对标准PSO算法的缺陷,提出了在位置进化方程中引进动态参数的方法,改进了标准粒子群算法的收敛速度。根据建立的水库优化调度数学模型,将改进的粒子群优化算法运用到水库优化调度计算中,并通过算例验证该算法的可行性和有效性。     

基于多策略改进PSO算法的微电网优化调度研究

为解决微电网中随机性、波动性和分布式电源出力管理困难问题,提出一种并网模式下微电网优化调度的综合经济模型。首先,考虑蓄电池和峰谷电价的影响,计及失负荷和蓄电池超容惩罚成本,建立以微电网运行成本和污染物排放成本最低的目标函数;其次,引入白鲨优化算法（WSO）的全局动态捕猎特性,对粒子群优化算法（PSO）进行了Tent混沌映射、动态时间因子和多项式变异的多策略改进,并将其应用于求解多目标多约束非线性的微电网优化问题。仿真结果表明,与PSO算法和麻雀搜索算法（SSA）相比,改进PSO算法用于微电网优化调度可降低微电网运行成本、减少环境污染并提高新能源供电的可靠性。     

CPSO算法在TOPMODEL参数优化中的应用

以江西省抚河娄家村流域为例,采用混沌粒子群优化算法(CPSO)优化半分布式水文模型(TOPMODEL)参数,并对优化结果进行了检验。结果表明,该法有效改善了PSO的全局寻优能力,粒子群体进化速度加快,收敛速度和精度提高。     

基于小世界邻域PSO的含风场电力系统经济调度

以聚类系数大且平均路径短的NW(Newman-Watts)型小世界网络作为粒子群的拓扑结构,提出NW型小世界邻域粒子群优化算法(SW-PSO)。典型高维基准测试函数表明,该算法能有效避免基本PSO算法因群体间信息交互过快而陷入局部最优解的问题。将新算法应用于含风电场电力系统经济调度问题的优化求解,并根据优化调度的实际需求采用相应的调整策略以修正粒子,保证粒子在可行域中飞行寻优,使新算法的寻优精度显著提高。仿真实例表明,SW-PSO算法比传统PSO算法寻优效果好,是一种求解复杂大规模非线性规划问题的新方法。     

变尺度混沌蜂群算法在梯级库群优化调度中的应用

针对流域梯级水电站长期优化调度模型存在高维、非凸、非线性等特点,提出一种改进的变尺度混沌蜂群算法(VCBA),通过引入混沌方程和余弦收缩策略,使其具有更强的全局收敛能力和更快的收敛速度。以丰枯分时电价下金沙江下游梯级水电站群长期优化调度作为工程背景进行实例研究,并将计算结果与基本蜂群算法(BA)和粒子群算法(PSO)进行比较。结果表明,VCBA求解梯级水电站长期优化调度问题收敛速度快且优化结果精度较高,满足实际优化运行需求,具有很高的工程应用价值。     

基于水循环算法的梯级水电站短期优化调度

鉴于梯级水电站优化运行的高复杂度、强非线性、多约束等特点,构建了基于峰谷分时电价下的梯级水电站日最大发电效益模型。针对遗传算法(GA)等传统智能算法对复杂模型求解易陷入局部最优的问题,提出一种水循环算法(WCA)与水位廊道约束耦合、降低约束复杂度、规范寻优空间的方法,并以湖北某梯级短期优化调度为背景进行建模仿真,将计算结果分别与GA和粒子群算法(PSO)所得结果进行比较。实例研究表明,WCA计算的总效益在丰、平、枯典型日分别比GA和PSO计算值约高5.65%、3.15%、0.80%,迭代收敛速度更快,求解能力更强,为解决梯级水电站优化调度问题提供了新思路。     

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。     

基于PSO算法与协同进化算法的地区电网无功优化模型

电力系统无功优化属于非线性优化范畴,传统的数学规划算法处理时存在较大的局限性,针对大规模电网全局无功电压优化控制困难,提出了基于协同进化框架的合作协同进化粒子群优化算法(PSO)的电力系统无功优化方法,构建了数学模型。实际大电网计算结果表明,该算法寻优质量高、收敛性好、计算复杂度低,适合求解大规模系统无功优化问题。     

求解水火电力系统短期发电计划的粒子群优化算法研究

提出求解水火电力系统短期发电计划的新方法——粒子群优化算法。实例研究表明，该方法优化能力高于遗传算法和进化规划。同时对全局搜索粒子群优化算法和局部搜索粒子群优化算法在求解水火电力系统短期发电计划时的动态收敛特性和计算效率等进行了对比研究，结果显示．局部搜索粒子群优化算法更适合求解水火电力系统短期发电计划的复杂问题。     

多目标粒子群优化算法在光伏MPPT中的应用

为提高光伏电池的利用率,需要进行光伏阵列的最大功率点跟踪(MPPT),针对传统粒子群优化算法在多目标优化中的不足,提出了基于最小粒子角度的多目标粒子群优化算法,利用目标空间中不同粒子之间的角度进行粒子全局极值更新,通过比较粒子的浓度值给出粒子群及粒子个体极值更新方法,并在Matlab/Simulink下进行了建模与仿真。仿真结果显示,该算法在外界环境变化时能快速准确地跟踪太阳能电池的最大功率点,并能保证系统的稳定性。     

Emission, reserve and economic load dispatch problem with non-smooth and non-convex cost functions using the hybrid bacterial foraging-Nelder-Mead algorithm

In this paper, a new approach is proposed to solve the economic load dispatch (ELD) problem. Power generation, spinning reserve and emission costs are simultaneously considered in the objective function of the proposed ELD problem. In this condition, if the valve-point effects of thermal units are considered in the proposed emission, reserve and economic load dispatch (ERELD) problem, a non-smooth and non-convex cost function will be obtained. Frequency deviation, minimum frequency limits and other practical constraints are also considered in this problem. For this purpose, ramp rate limit, transmission line losses, maximum emission limit for specific power plants or total power system, prohibited operating zones and frequency constraints are considered in the optimization problem. A hybrid method that combines the bacterial foraging (BF) algorithm with the Nelder-Mead (NM) method (called BF-NM algorithm) is used to solve the problem. In this study, the performance of the proposed BF-NM algorithm is compared with the performance of other classic (non-linear programming) and intelligent algorithms such as particle swarm optimization (PSO) as well as genetic algorithm (GA), differential evolution (DE) and BF algorithms. The simulation results show the advantages of the proposed method for reducing the total cost of the system.     

改进粒子群算法在梯级水电站优化调度研究中的应用

针对梯级电站优化调度具有多阶段、非线性和组合性的特点,采用改进粒子群算法来求解。针对目前采用的基本粒子群算法在求解时存在易陷入局部最优和早熟的缺点,改进粒子群算法以混沌变量生成机制来增加种群的多样性,以逐步优化和随机生成相结合的方法生成初始种群,以增加粒子生成的有效性。实例计算结果表明,改进粒子群算法可以取得较好的效果,并为梯级电站优化调度提供了一种有效的方法。     

基于改进粒子群优化算法的动态数据校正技术研究

动态数据校正是根据过程模型的数据校正机制降低测量值中离群点的影响,消除随机误差,使得到的估计校正值满足能量守恒和质量守恒定律.提出了一种基于不确定知识的粒子群优化算法的动态数据校正和离群值检测方法,改进的算法在粒子群优化算法的基础上引入不确定知识,在粒子寻优迭代过程中限定粒子的搜索中心和搜索范围,提高了粒子可信度,克服了粒子早熟问题,使得粒子以更快、更有效的方式向最优值靠近.连续搅拌反应槽系统(CSTR)仿真实验证明了改进方法的有效性.     

微粒群算法在水利工程多资源均衡优化中的应用

引入微粒群算法建立了以各工序实际开始时间作为微粒坐标的微粒群计算模型,并对相关参数及工程多资源均衡问题进行了分析,结合算例验证了该方法在工程多资源均衡优化中的可行性和有效性.     

Accurate estimation of cost function parameters for thermal power plants using a novel optimization approach

Accurate parameter estimation of the input-output characteristics in thermal power plants is an important issue in power system because these characteristics directly affect the economic dispatch calculations. Parameter estimation is an optimization problem in which the optimal values of the unknown parameters should be estimated by an optimization technique. By considering the valve-point effect, the parameter estimation will be more difficult since the fitness function of this optimization problem turns into a non-smooth and non-convex function in which finding the global optimal is a challenging task. In this paper, a recently proposed metaheuristic approach, crow search algorithm (CSA), is proposed for accurate estimation of the input-output characteristics of thermal power plants with and without valve-point effect. Simulation results show that CSA finds more promising results than least squares method (LSM), particle swarm optimization (PSO), genetic algorithm (GA) and artificial bee colony (ABC).     

Overall Optimization for Offshore Wind Farm Electrical System

Based on particle swarm optimization (PSO), an optimization platform for offshore wind farm electrical system (OWFES) is proposed in this paper, where the main components of an offshore wind farm and key technical constraints are considered as input parameters. The offshore wind farm electrical system is optimized in accordance with initial investment by considering three aspects: the number and siting of offshore substations (OS), the cable connection layout of both collection system (CS) and transmission system (TS) as well as the selection of electrical components in terms of voltage level and capacity. Because hundreds of optimization variables, continuous or discrete, are involved in the problem, a mix integer PSO (MIPSO) is required to obtain the solution. The fuzzy C‐means clustering (FCM) algorithm is used to partition the wind farm into several sub regions. The collection system layout in each sub region as well as the connection scheme between offshore substations are optimized by an adaptive PSO‐minimum spanning tree algorithm (APSO‐MST) which has been proposed in a previous work. The simulation results show that the proposed optimization platform can find an optimized layout that save 3.01% total cost compared with the industrial layout, and can be a useful tool for OWFES design and evaluation. Copyright © 2016 John Wiley & Sons, Ltd.