基于改进粒子群算法的含DG配电网无功优化

含分布式电源(DG)配电网的无功优化是一个复杂的非线性优化问题,文中采用改进的粒子群算法(PSO)对配电网进行无功优化计算,建立以系统网损和电压平均偏离最小为目标函数,节点电压和电容器投切容量为约束条件的优化模型。在PSO中引入位置方差防止PSO陷入局部最优解,根据种群中粒子的适应度值对粒子进行变异处理,在保证算法收敛速度的基础上,改善算法性能。以含分布式电源的IEEE14节点配电系统为例进行无功优化分析,结果表明DG能增强电网运行的稳定性,所提算法具有较好的优化性能。     

基于改进云自适应粒子群的多DG配电网EV充电站优化配置

考虑到分布式电源(distributed generator,DG)并入配电网的未来前景,提出了电动汽车(electric vehicle,EV)充电站的模糊服务半径新概念,建立了一种计及环境代价、交通流量、电能质量和建设成本等综合因素的EV充电站选址定容的新模型,在满足多目标约束条件下求取年均利润最优。提出了一种改进的云自适应粒子群算法(ICAPSO),使其更适用于大数据EV充电站优化模型的寻优迭代求解。将多个DG并入IEEE123节点配电网拓扑,用MATLAB仿真进行了算法对比,验证了所提优化模型和算法在多DG并网情景下的可行性和有效性,且算法具有较好的全局寻优能力和防早熟收敛特性。     

基于改进萤火虫算法的含DG配电网重构方法

为了更好地解决含DG的配电网重构问题,建立了以系统损耗、负荷均衡、电压偏差为目标的重构模型,并利用改进萤火虫算法进行寻优计算。针对传统萤火虫算法中存在的早熟收敛、过度依赖控制参数等缺陷,引入了惯性权重,利用混沌理论对算法参数进行调整,使算法兼顾全局搜索与局部搜索能力的均衡。同时将精英保留策略融入到萤火虫算法当中,加快了算法收敛的速度。为了减少网络重构中出现的大量不可行解,对网络拓扑进行了简化操作,缩短了编码维数,提高了寻优效率。最后通过算例分析,验证了该算法的有效性与实用性。     

基于自适应粒子群算法优化DG的配网静态电压稳定性提高策略

为了改善配电网络的静态电压稳定性,提出一种接入分布式电源优化布置的方案。基于IEEE33节点配电网络和Matlab仿真测试软件平台,以静态电压稳定指标L(Voltage Stability Index)和最大电压偏差最小为目标函数,以最大电压偏差小于7%为约束条件,应用自适应粒子群算法(Adaptive Mutation Particle Swarm Optimization Algorithm, AMPSO)对配电网络中DG的接入进行优化布置,从而提高了整个配电网络的静态电压稳定性。并通过重庆某地区的实际配电网络进行实例验证,证明方案的正确性和可行性。该研究所提出的方案,对配电网络静态电压稳定性的改善有一定的指导意义。     

基于改进粒子群算法的含分布式发电配网孤岛划分

分布式电源(DG)在配电网中的比重越来越大,当配电网上级发生故障时,可以将配电网与上级电网断开,利用配电网内部的分布式电源为配电网中重要负荷提供持续稳定供电。为了最大化利用DG资源,同时保障重要负荷优先供电,本文提出了基于改进二进制粒子群的配电网孤岛划分方案。本文以二进制粒子群作为主程序,并对粒子进行组合变异,为了克服粒子群的早熟问题,采用模拟退火算法对粒子群进行优化。本文采用广度优先搜索算法对孤岛进行功率连通性校验。对不满足连通性要求的孤岛进行调整,最后找出最优方案。最后,采用IEEE69节点配电系统进行算例验证,算例结果表明本文算法的优越性。     

基于自然选择粒子群算法含DG接入的配电网无功优化

以分布式电源接入配电网运行时产生的有功网损最小并能改善电压质量为目标,提出将自然选择机理与粒子群算法相结合的配电网无功优化方法。将DG向系统注入的无功功率作为配电网无功优化的控制变量,建立了包括目标函数、潮流方程等式约束和不等式约束的配电网无功优化数学模型。基于自然选择的粒子群算法其核心思想为每次迭代过程中将整个粒子群按适应值排序,用群体中最好的一半的粒子的速度和位置替换最差的一半的速度和位置,同时保留原来每个个体所记忆的历史最优值。通过对改进后的IEEE33节点配电系统进行仿真分析,结果表明所提出的算法具有很强的全局收敛性和稳定性,并能以最快的收敛速度搜索到系统最小网损值。     

基于粒子群算法的含风电场电网规划优化研究

风电的不确定性以及负荷的随机变化性增加了电网规划难度。为此,针对系统运行、可靠性等约束条件,把罚函数转换为无约束目标函数,建立基于粒子群算法的含风电场电源规划多控制变量问题优化模型,并提出和分析优化规划的详细步骤。最后,采用IEEE30标准节点系统进行仿真优化,仿真优化结果验证了该模型的有效性、可行性,效果显著。     

基于改进粒子群算法的配电网静态重构

针对配电网静态重构问题,结合配电网的辐射状特点,提出了适应于配电网静态重构的改进二进制粒子群算法,建立以系统网损最小为目标函数的静态重构模型。提出的算法运用破圈法生成和更新粒子群,提高搜索有效解的效率,在迭代过程中采取重新初始化粒子策略避免算法陷入局部最优解,提高粒子群算法得到全局最优解的概率。应用于33节点标准测试系统,验证了算法的可行性。     

基于改进粒子群算法的空间配准

在利用多传感器观测值进行空间配准时.系统误差模型难以构建、目标运动模型确定困难.针对此问题,从误差配准的基本原则出发,构造了目标函数,进而将配准问题转化为与系统误差模型无关的非线性优化问题,提出了基于异步学习因子的粒子群算法,对该优化问题进行求解.该粒子群算法简单,易于实现,收敛速度较快.最后通过仿真验证了该算法的有效性和可行性.     

基于双种群CSO算法重构的含DG配网故障恢复

为兼顾配网故障恢复的快速性和最优性,提出一种基于重构的分级响应故障恢复方法,并应用双种群纵横交叉(crisscross optimization algorithm,CSO)算法寻求重构方案.首先在故障隔离后利用启发式规则进行局部重构,以较少的开关动作次数快速恢复配网连通性.然后在局部重构后有安全指标越限时,利用改进的...     

基于改进二进制粒子群优化算法的网络重构研究

提出了一种基于改进二进制粒子群优化算法的网络重构方法,该算法在二进制粒子群优化算法的基础上,通过结合破圈法理论以控制粒子的更新过程,使更新后的粒子100%符合网络的辐射状要求,从而减少了以往网络重构中辐射网判断的环节。此外算法还引入了禁忌搜索算法的思想,克服了粒子群算法易陷入局部最优的缺陷。最后对IEEE单馈线33节点系统进行计算,证实了算法的有效性,并与相关文献中的算法进行比较,表明算法具有较高的搜索效率和较强的全局寻优能力。     

基于自然选择粒子群算法的含DG接入的配电网无功优化

以分布式电源接入配电网运行时产生的有功网损最小并能改善电压质量为目标,提出将自然选择机理与粒子群算法相结合的配电网无功优化方法。将DG向系统注入的无功功率作为配电网无功优化的控制变量,建立了包括目标函数、潮流方程等式约束和不等式约束的配电网无功优化数学模型。基于自然选择的粒子群算法其核心思想为每次迭代过程中将整个粒子群按适应值排序,用群体中最好的一半的粒子的速度和位置替换最差的一半的速度和位置,同时保留原来每个个体所记忆的历史最优值。通过对改进后的IEEE33节点配电系统进行仿真分析,结果表明所提出的算法具有很强的全局收敛性和稳定性,并能以最快的收敛速度搜索到系统最小网损值。     

基于改进粒子群算法的电网无功优化方法研究

为最大限度地保证电网系统最优运行,减少不必要的损耗,提出基于改进粒子群算法(particle swarm optimization algorithm,PSO)的电网无功优化方法。该算法对传统的惯性权重进行改进,使其可以按自身需求相应的变化,并动态地变化学习因子,最后引入了变异算子来更新种群。在IEEE 30节点系统测试中,基于改进的PSO算法避免陷入局部最优,其比改进前的PSO算法更具优势,改进后的PSO算法和其他优化算法相比,收敛速度更快,优化程度更高。     

基于改进粒子群算法含双馈风电机组配网无功优化研究

针对风电机组并网后对配电网无功补偿产生的影响,从双馈风电机组自身的有功、无功输出特性出发,基于场景概率的方法计算风力机组出力情况,以网损最小为目标函数寻求优化求解方法。利用改进粒子群算法来实现系统接入双馈风电机组后的无功优化,在Matlab 2013b软件中构造IEEE33节点模型并利用该算法求解。结果表明,双馈风电机组在参与系统无功优化时具有良好的性能,验证了该改进算法的有效性。     

含DG的基于改进遗传算法的配电网重构

以IEEE 3母线16节点系统为实例,选取运行时网损最小为目标建立含分布式电源(DG)的配电网重构的数学模型,采用考虑种群约束的编码规则改进遗传算法(GA),不仅有效的实现了全局最优搜索而且显著的改善了GA的收敛性能。     

基于改进多目标粒子群算法的微网双层优化调度策略

综合考虑微网经济成本、环保成本和系统运行风险程度,建立了多目标优化调度模型,并在迭代末期引入了双层优化,解决了传统优化模型容易漏选最佳解的问题。针对传统多目标粒子群算法的缺陷,提出了基于"栅格-拥挤度"协同筛选策略的多目标粒子群算法。当外部档案中粒子较少时,采用栅格法筛选出全局最优值,当外部档案中粒子较多时,改用拥挤度排序法,从而增强了解集的收敛性和多样性。在下层模型中,建立了基于相对熵组合赋权法的决策算法,综合了主/客观赋权法的优势,使最终结果更加合理。最后以一小型微网为例,验证了考虑双层优化的必要性和改进MOPSO的优越性。     

基于改进蜂群算法的含DG配网多目标无功优化

针对大量的间歇性分布式电源接入配电网带来的无功优化问题,提出基于高斯变异和混沌扰动的人工蜂群算法求取最优解。首先,建立以系统运行成本最小、有功网损最小、电压偏差最小的多目标无功优化模型;然后利用所提优化算法对模型求解,该算法利用了高斯变异搜索能力强、精度高的特点,加入混沌扰动,在提高算法鲁棒性的同时,克服了个体易陷入局部最优的不足。最后,以改进的IEEE-33节点系统进行分析,并与传统人工蜂群算法对比,表明所提算法收敛速度更快、搜索精度更高、运行稳定性更好,能够有效降低系统运行成本与网络损耗。     

基于改进粒子群优化算法的DG准入容量与优化布置

为进一步优化配电网中分布式电源（distributed generation,DG）的准入容量和优化布置问题,以节点电压和线路载流量为约束条件建立了单电源和多电源准入容量的数学模型,以有功网损最小为目标函数建立了DG优化布置模型。为有效求解该模型,采用了基于粒子群优化（particle swarm optimization,PSO）算法和二次插值相结合的改进PSO算法,将该改进方法应用于IEEE 33节点标准算例,分别进行了DG的最优接入位置与最优容量的仿真,并与粒子群算法优化结果进行了对比,同时还分析了优化布置下的潮流分布。算例仿真结果表明该方法可有效减少DG接入后配电网的网损,提高配电网的供电质量。     

基于含衰老和竞争机制的粒子群算法的配电网重构

为克服基本粒子群算法易陷入局部最优而导致的早熟收敛,引入了一种含衰老和竞争机制的粒子群算法求解非线性整数组合优化的配电网重构问题。该算法引入衰老和竞争机制,设计了领袖寿命调整、竞争者产生和竞争者领导能力评估等策略以改善粒子群算法的收敛特性。IEEE16、IEEE33和IEEE69三个典型测试系统的重构结果表明,ACM-PSO不仅保持了基本粒子群算法的快速收敛特性,而且在全局寻优能力和稳定性方面较基本粒子群算法有了明显的提高。     

改进小生境粒子群算法应用于电网故障诊断

通过对电网中断路器、保护等设备动作信息分析,建立适合智能算法优化的电网故障诊断分析模型。电网故障模型维数高、离散型、非线性、动态性等特点对智能算法寻优性能要求极高。粒子群优化算法在多维函数寻优、动态目标寻优等方面有着收敛速度快、求解质量高和鲁棒性好等优点。针对电网故障模型的特点,从基本粒子群优化算法的优化特性出发,引入小生境搜索的思想,提出了改进的小生境粒子群优化算法。算例结果表明,改进的优化算法大幅度提高了搜索速度和收敛精度,从根本上提高了电网故障定位精度和故障抢修的反映速度,具有很好的应用前景。