适用于核动力设备故障诊断的改进粒子群优化算法

提出一种基于改进粒子群优化(IPSO)算法的核动力设备故障诊断方法.利用已知核动力设备故障征兆集合,选用概率因果模型求解具有最大后验概率的故障集合;在传统粒子群优化(PSO)算法的基础上,利用佳点集原理对PSO算法进行初始化,优化了粒子群的初始化范围;借助自适应调整的惯性权重法,避免PSO算法未成熟收敛,加快了收敛速度.最后通过算例证明该方法的有效性.结果表明:基于改进粒子群优化算法的概率因果模型不受故障样本的限制,具有较好的通用性,且模型故障诊断精度较高、寻优速度快.     

基于改进粒子群算法的电池储能系统多控制器参数优化

针对电池储能系统的有功和无功多控制器参数同时优化易互相影响的问题,文章提出一种改进的粒子群算法(Improved Particle Swarm Optimization,IPSO)进行有功、无功多控制器的比例积分(Proportional Integral,PI)环节参数优化整定.IPSO算法通过采取全局领域搜索的速度...     

基于改进粒子群优化算法风力发电功率预测研究

准确的风电功率预测为电网运行调度提供可靠的依据。文章定性分析了数据相关性对功率预测的影响,提出一种基于模拟退火算法和粒子群优化算法相融合的风力发电功率预测模型。在构建基于粒子群优化算法预测模型基础上,针对粒子群优化算法存在的早熟问题,采用模拟退火算法对粒子群算法进行优化。实际算例表明该方法具有较高的预测精度和计算速度,具有较强的实际意义。     

层流炉反应管内气固两相流的实验研究

为研究层流炉反应管内气固两相流的运动规律,设计制造一套1∶1的冷态透明玻璃实验装置。在主气流氩气流量为1.0、1.5、2.0、2.5 m3/h时,利用粒子图像测试技术(PIV)对反应管内氩气流(以水蒸气为示踪粒子)和生物质半焦颗粒速度场进行测量。结果表明:在反应管中心处,氩气速度和生物质半焦颗粒的轴向速度相差较大,不能用氩气速度代替颗粒速度。通过对实验数据的分析计算,获得反应管内雷诺数与生物质半焦颗粒停留时间(无量纲处理后)的关联式。可将该结果用于计算热解挥发特性实验的颗粒停留时间,从而优化颗粒停留时间的计算方法,为建立更加合理的热解动力学模型提供依据。     

基于相似日和主成分分析的光伏发电系统短期出力预测

针对光伏发电功率的间歇性和波动性,提出了一种基于主成分分析(PCA)和粒子群优化(PSO)算法的BP神经网络短期发电功率预测方法。该方法先对原始输入数据进行主成分分析,再将分析结果作为BP神经网络的输入数据。由于粒子群算法搜索速度较慢,但全局搜索能力较强,而传统的BP神经网络搜索速度较快,但易陷入局部极值点,因此将两者结合起来,既弥补了各自的劣势,又避免了预测模型的失效,从而提高了预测模型的预测精度。分析结果表明,当天气类型改变时,该预测模型的有效性不变,预测误差均小于20%。     

基于DESAPSO混合算法的MMC-HVDC系统控制参数优化

针对传统外环控制器比例积分(PI)参数的选择需要经过长时间的调试且在大扰动下难以实时调节控制可能导致系统持续振荡的问题,提出了一种基于差分进化模拟退火粒子群优化混合算法(DESAPSO)的MMC-HVDC系统控制参数优化方法。基于MMC-HVDC系统的数学模型,在Matlab/Simulink平台上搭建MMC-HVDC系统仿真模型,采用时间绝对误差积分(ITAE)指标构建PI参数优化的目标函数,利用DESAPSO混合算法对PI参数进行优化。通过对比原参数、基于差分进化算法、模拟退火粒子群优化算法与差分进化模拟退火粒子群优化混合算法的优化结果,验证了该方法在MMC-HVDC控制系统参数优化中的有效性与优越性。     

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。     

基于改进PSO算法的微能源网优化配置研究

微能源网优化配置的求解算法存在易陷入局部搜索和收敛速度低两大缺陷,如何同时解决这两个缺陷是一直以来的研究难点。针对这一问题,提出了基于时变压缩因子和自适应变异的改进粒子群算法。针对经济优化配置,建立了包括多种分布式设备的微能源网架构模型和以年经济成本最低为目标,计及可靠性并含多种约束的优化配置模型。最后,结合具体算例,将改进粒子群算法运用于模型中,得到各分布式设备的配置方案和最优年经济成本,对比验证改进粒子群算法性能。实验结果表明：改进粒子群算法较好地提高了算法的收敛速度和全局收敛能力;微能源网优化配置模型实现了低经济性和高可靠性的有效结合。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于ADQPSO-KELM风电功率短期预测模型的研究

为了改善传统风电功率预测方法中误差较大且稳定性较差的问题,引入量子粒子群(QPSO)优化算法、自适应早熟判定准则及混合扰动算子,构建了自适应扰动量子粒子群(ADQPSO)优化算法,通过ADQPSO算法对核极限学习机(KELM)模型进行优化,建立了自适应扰动量子粒子群优化的核极限学习机(ADQPSOKELM)风电功率短期预测模型,并利用内蒙古高尔真风电场采集的风电功率时间序列数据为试验样本进行48h预测分析。结果表明,ADQPSO-KELM风电功率短期预测模型与其他基于KELM优化的风电预测模型及传统风电预测模型相比,其预测的误差更小、准确度更高,且预测稳定性显著增强。     

基于粒子群蚁群混合算法的配电网故障后重构研究

针对粒子群算法在配电网故障恢复中容易陷于局部干扰和蚁群算法计算速度慢的缺点,提出了适用于配电网故障后重构的基于粒子群蚁群的混合算法,确定了配电网重构时的潮流计算方法和目标函数,根据配电网的网孔对配电网的支路进行分组、编码,并简化网络;最后采用粒子群算法、蚁群算法、混合算法共三种算法对IEEE33节点系统进行了故障后的重构仿真分析,仿真结果验证了混合算法在配电网故障后重构应用中的有效性。     

基于改进粒子群优化RBF网络的变压器故障诊断

为提高变压器故障诊断精度,提出了一种改进粒子群优化RBF网络算法,用于优化RBF网络的中心参数。首先通过非线性递减权值策略改进粒子群算法,再利用改进粒子群优化RBF网络,最后建立用于变压器故障诊断的RBF网络模型,并在Matlab平台上进行了仿真测试。结果表明,优化后的RBF网络比单一RBF网络故障诊断率有大幅提高。通过诊断国网某公司的5组故障实例,验证了所提算法的可行性。     

水文模型参数优选的改进粒子群算法参数分析

借鉴竞争演化和多种群混合进化的思想,对粒子群算法(PSO)进行改进,提出了序列主-从种群混合进化的粒子群算法(SMSE-PSO).鉴于优选水文模型参数算法的有效性与算法控制参数有关,为评价SMSE-PSO算法不同控制参数对优化性能的影响,结合水文模型参数优选的特点提出采用正交试验设计的方法分析.结果显示,正交法较好地识别了关键影响因素并提出可能的最优方案,SMSE-PSO算法能较好地应用于复杂多参数水文模型的参数识别研究中.     

基于粒子群破环的主动配电网故障重构协同优化

针对主动配电网新能源接入时对故障自愈稳定性和节能优化运行的多重要求,文章提出一种粒子群"破环"的优化算法,以实现故障自愈过程中新能源接入承载力与线损协同的优化方案.首先给出配电网自愈重构的约束条件和优化目标函数,采用FIoyd算法搜寻配电网的最小环结构,并采用一种改进的"破环"粒子群优化算法对故障自愈重构进行优化.最后...     

基于区间建模的新能源电网无功优化策略

  目的  新能源发电具有间歇性和随机性,其功率为不确定性数据,会造成电网电压和频率的变化,对电力系统安全运行构成威胁。为保证大规模新能源并网后电网电压的安全,考虑新能源发电波动不确定性,提出一种基于区间建模的新能源电网无功优化策略。  方法  该策略采用区间数描述无功优化模型中的不确定参数,进而建立区间无功优化模型,采用基于优化场景的区间潮流算法求解区间潮流方程,获取状态变量区间,确定控制变量的可行性,在此基础上采用改进的粒子群优化算法求解区间无功优化模型,在粒子群算法中加入局部搜索环节和离散变量交叉处理操作以提高算法寻优能力。为了验证所提方法的有效性和优越性,分别采用IEEE 14节点和IEEE 30节点算例进行仿真计算,与自适应遗传算法和普通粒子群算法进行对比分析。  结果  仿真结果表明:与自适应遗传算法和普通粒子群算法相比,采用改进粒子群的区间无功优化策略具有更快的收敛速度,更强的寻优能力,并且可有效处理模型中离散变量。  结论  所提策略可有效解决区间无功优化问题,能保障大规模新能源并网后电网电压的运行安全。     

基于粒子群算法的PERT网络优化问题研究

针对工程项目PERT网络计划工期-费用优化问题,尝试引入粒子群算法。在保证不陷入局部最优的前提下,为提高收敛速度,用线性规划方法建立数学模型,并采用了改进的PSO算法。实际算例的仿真结果表明,该方法具有收敛速度快、运算简单、易于实现等优点。     

粒子群优化在临界水深计算中的应用

将临界水深的计算建模为一个非线性约束优化问题,应用新型粒子群优化算法加以求解。通过实例计算以及与文献方法的计算结果对比分析,表明粒子群优化算法求解梯形明渠临界水深适用性强、计算精度高、算法实现简单,同时验证了算法的有效性和正确性,为梯形明渠临界水深问题的求解提供了一条新途径。     

一种用于AGC机组调配的混沌多Agent双重粒子群算法

AGC机组调配问题是一个含连续和离散变量的混合非线性优化问题,提出了一种基于混沌多Agent的双重粒子群算法。该算法以混沌和粒子群优化算法以及多Agent技术为基础,利用混沌映射提高初始种群的质量,引入临界算子增强Agent的多样性。在算法迭代中,每一个Agent通过与其随机配置的邻居竞争、合作,并且吸收了粒子群优化算法的进化机制,可以更稳定、快速地收敛到全局最优解。通过算例仿真结果表明,所提出的算法具有质量高的解、稳定性好的收敛特征和快的寻优速度。     

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。