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.     

基于改进粒子群算法的电力系统无功优化研究

阐述了一种改进粒子群的无功优化方法.粒子群优化(PSO)算法是进化计算领域中的一个新的分支,其源于对鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,文章提出混沌粒子群算法,该算法可以较好地避免PSO算法过快收敛于局部最优解,有较快的收敛速度.文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的.     

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。     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

基于改进小生境粒子群优化算法的电力系统无功优化研究

根据电力系统无功优化问题的特点,提出一种用于电力系统无功优化的最小欧氏距离下改进竞争小生境粒子群算法,利用该算法来克服粒子群优化算法容易早熟而陷入局部最优解的不足.通过对测试系统IEEE30节点进行电力系统无功优化的仿真,说明该算法能以更快的速度得到最优解,其性能明显优于其他算法.     

基于改进粒子群算法的水电站水库优化调度研究

针对粒子群优化算法容易陷入局部最优解的问题,提出一种基于模拟退火机制的改进粒子群优化算法,并将其引入水库调度领域,设计了基于该算法的水电站水库优化调度问题的求解方法。计算实例表明,该方法采用并行搜索机制,计算速度快、全局寻优的可靠性较高,具有较好的应用前景。     

一种基于子区域粒子群的无功优化算法研究

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于子区域粒子群的算法,并运用到电力系统无功优化中。该算法将搜索空间划分成若干个子区域,在各个子区域中均使用粒子群算法进行寻优,通过比较各个子区域的全局最优解,得出整个搜索空间的全局最优。结合无功优化的数学模型应用于IEEE30节点之中,并与标准粒子群算法以及自适应变异粒子群算法的结果相比较,结果表明基于子区域粒子群算法能够大大地降低在寻优过程中陷入局部最优的概率,寻找出更好的全局最优解,在电力系统无功优化中得到良好的应用。     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散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。     

基于免疫进化算法的粒子群算法在梯级水库优化调度中的应用

针对高维、复杂的梯级水库优化调度在求解时易出现"维数灾"或陷入局部最优解的问题,本文提出了基于免疫进化算法的粒子群优化算法,该算法充分利用了免疫进化算法的全局搜索特性和粒子群算法的局部搜索能力,克服了粒子群寻优中对初始种群的依赖和易陷入局部最优的不足.通过实例计算表明,应用该算法求解梯级水库优化调度问题,结果可靠、合理,计算效率高,从而为求解高维,复杂的梯级水库优化调度提供了新的思路.     

基于共享免疫粒子群算法的电力系统无功优化

针对电力系统无功优化中的粒子群算法计算效率较低,而且易陷入局部最优解等问题,将共享免疫粒子群算法应用到无功优化中,该算法在进行初始化时,运用正交的思想,使得粒子分布均匀;并用记忆粒子和克隆选择来更新粒子,这样可以很好地保持优化过程中粒子群的多样性。经过算例计算证明,共享免疫粒子群算法与其他算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

用于飞轮储能系统的轴向分相电机的电磁分析与优化设计

针对轴向分相电机参数优化问题,在分析电机基本电磁特性的基础上,探究一种关键结构参数提取及其优化设计方法。首先,通过有限元分析探究电机悬浮及转矩性能与结构参数间的一般规律,并基于所得各结构参数的变化曲线进行敏感度分析,获取待优化的关键结构参数。其次结合极限学习机学习速度快、建模精度高的优点,构建多目标统一优化模型。然后以改善平均悬浮力及转矩性能为优化目标,利用粒子群算法进行全局寻优以获得最优参数配置。有限元仿真结果表明,优化后电机的悬浮力和平均转矩分别提高了10.07%和6.67%,验证了所述优化方法的有效性。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

计及多阶段抗灾性能的骨干网架多目标优化

构建抗灾型骨干网架并对其进行差异化加固,可以保障极端灾害下电网安全运行和重要负荷供电。在此背景下,提出一种计及多阶段抗灾性能的骨干网架多目标优化模型。该模型定量评估了电网中节点和线路的拓扑和运行重要度,并提出基于核主元分析的综合评估方法。在满足投资限制的基础上,以最大化网架生存性、抗毁性和系统可恢复性为目标对抗灾型骨干网架进行优化。然后,采用嵌入图论修复策略和档案学习策略的改进全面学习粒子群优化算法求解优化模型,以扩大可行解空间。最后,某区域电网仿真算例验证了该模型的有效性。     

自适应PSO-LADRC的永磁同步电机转速控制

为提升永磁同步电机（permanent magnet synchronous motor,PMSM）伺服系统的动态响应与抗扰动能力,提出一种基于自适应粒子群（APSO）的双闭环线性自抗扰控制（APSO-LADRC）策略。首先,通过分析PMSM转速与电流运动模型,构建级联形式的转速环、电流环LADRC控制器;其次,针对PSO易陷于局部寻优的缺陷,引入进化速度与聚合度因子构造惯性权值自适应律,从而实现粒子群迭代过程中惯性权重的动态调整以获得更优的寻优效果;最后,选取ITAE指标作为优化目标与约束条件,并以此实现双闭环LADRC控制参数的自主寻优。开展的系列仿真结果均表明,该方法能够有效提升PMSM伺服系统的控制品质,并解决人工参数整定困难的问题。     

一种混合智能算法在配电网络重构中的应用

提出了一种新的混合智能方法用来解决配电网络重构问题。该方法结合了遗传算法（GA）和粒子群优化算法（PSO）两者的优点，体现出较GA和PSO更好的寻优性能。在寻优过程中，部分个体以PSO方法迭代，其它个体进行GA中的交叉和变异操作，整个群体信息共享，同时采用自适应参数机制和优胜劣汰的思想进化。通过对IEEE16节点、IEEE33节点、IEEE69节点测试系统的计算和分析表明，该方法在解决配电网络重构问题上具有很高的搜索效率和寻优性能。     

TLBO optimized sliding mode controller for multi-area multi-source nonlinear interconnected AGC system

This paper represents design of output feedback sliding mode controller (SMC) for multi area multi-source interconnected power system. After designing output feedback SMC, teaching and learning based optimization (TLBO) technique is utilized to optimize feedback gain and switching vector of the controller. The superiority of the proposed approach is shown by comparing the result with output feedback tuned SMC with differential evolution and particle swarm optimization and state feedback SMC tuned with genetic algorithm for a two area thermal interconnected power system. Further, the proposed approach is extended to multi-area multi-source non linear automatic generation control (AGC) system with/without HVDC link. First area consists up thermal, hydro and gas; second area consists up thermal, hydro and nuclear as generating unit. Additionally, the superiority of proposed approach is shown by sensitivity analysis, which is carried out with wide changes in system parameters.     

Short-term hydrothermal generation scheduling by a modified dynamic neighborhood learning based particle swarm optimization

The main objective of the short-term hydrothermal generation scheduling (SHGS) problem is to determine the optimal strategy for hydro and thermal generation in order to minimize the fuel cost of thermal plants while satisfying various operational and physical constraints. Usually, SHGS is assumed for a 1 day or a 1 week planing time horizon. It is viewed as a complex non-linear, non-convex and non-smooth optimization problem considering valve point loading (VPL) effect related to the thermal power plants, transmission loss and other constraints. In this paper, a modified dynamic neighborhood learning based particle swarm optimization (MDNLPSO) is proposed to solve the SHGS problem. In the proposed approach, the particles in swarm are grouped in a number of neighborhoods and every particle learns from any particle which exists in current neighborhood. The neighborhood memberships are changed with a refreshing operation which occurs at refreshing periods. It causes the information exchange to be made with all particles in the swarm. It is found that mentioned improvement increases both of the exploration and exploitation abilities in comparison with the conventional PSO. The presented approach is applied to three different multi-reservoir cascaded hydrothermal test systems. The results are compared with other recently proposed methods. Simulation results clearly show that the MDNLPSO method is capable of obtaining a better solution.     

基于SA-PSO的电力系统无功优化

粒子群优化算法是一种简便易行,收敛快速的演化计算方法。但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和模拟退火算法的思想,提出了一种新的模拟退火粒子群优化(simulated annealing particle swarm optimization,SA-PSO)算法,并将其应用于电力系统无功优化。对IEEE14节点系统进行了仿真计算,并与PSO算法作了比较,结果表明SA-PSO算法全局收敛性能及收敛精度均较PSO算法有了较大提高。     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

抑制频率振荡的电力系统稳定器参数优化

超低频频率振荡是有功频率控制过程的小扰动稳定问题。由于负荷电压调节效应使得无功电压控制和有功频率控制产生耦合,传统用于抑制低频振荡的电力系统稳定器(PSS)可用于抑制频率振荡。提出了在多机系统中选择抑制频率振荡的PSS的方法,该方法综合了PSS对低频振荡和频率振荡的影响大小。构建了抑制频率振荡的PSS参数优化模型,该模型仍然以低频振荡模式阻尼比作为优化目标,但加入频率振荡对应频段发电机励磁系统相位要求作为约束,保证机组励磁系统为频率振荡提供足够的正阻尼。采用粒子群优化算法对模型进行求解得到PSS最优参数。仿真结果验证了所提方法的有效性。