基于粒子群-量子操作算法的同步发电机非线性模型参数辨识

为解决同步发电机三阶非线性模型参数辨识问题,在将参数辨识问题转化为非线性优化问题的基础上,引入粒子群优化(particle swarm optimization,PSO)算法.考虑到PSO收敛速度慢、参数辨识精度低,而量子粒子群优化(quantum particle swarm optimization,QPSO)算法收敛速度快、具有较好的全局搜索能力,将量子操作引入到PSO算法中,提出了粒子群-量子操作(particle swarm optimization with quantum operation,PSO-QO)优化算法.仿真试验结果表明,与PSO算法、QPSO算法相比,PSO-QO算法收敛速度快、参数辨识精度高、算法更为稳定;与经典扩展卡尔曼滤波(extended Kalman filter,EKE)方法相比,PSO-QO具有更强的鲁棒性,尽管强噪声条件下参数辨识精度有所下降,但效果仍优于EKF.     

基于自学习迁移粒子群算法及高斯罚函数的无功优化方法

针对粒子群算法在求解无功优化问题时存在早熟收敛,易陷于局部最优的现象,提出了自学习迁移粒子群算法(self-learning migration particle swarm optimization,SLMPSO).该算法在采用混沌序列对粒子群进行初始化操作,基于云模型理论的X-条件云发生器对粒子的惯性权重进行自适应调整的基础上,引入一种迁移操作,以引导全局最优粒子的飞行方向,解决粒子群后期朝单一进化方向进化的问题,有效地增强了算法的全局寻优能力.针对电力系统无功优化中的离散变量归整问题,首先将离散变量完全化为连续变量进行迭代求解,在寻求至全局最优解后引入高斯罚函数对离散变量进行归整操作.以网损和电压偏离最小为目标,对IEEE标准30节点算例进行仿真计算,验证了所提算法的有效性和可行性.     

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。     

基于动态多种群粒子群算法的无功优化

提出了一种基于动态多种群策略的改进粒子群算法。该算法将传统粒子群优化算法(particle swarm optimization,PSO)中的种群划分成多个子群,每个子群相对独立地朝同一目标进化,仅通过一种轮形结构的弱联系进行交流。在进化过程中各种群不断分裂和聚类重组,动态调整种群规模以更好地适应进化。该算法可以较好地避免PSO算法过快收敛于局部最优解,并且有较快的收敛速度。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。     

基于改进粒子群算法的电压稳定约束无功优化

建立了考虑电压稳定性的电力系统无功优化模型,该模型以同时降低系统有功网损和提高静态电压稳定性为优化目标函数。针对标准粒子群算法(particle swarm optimization,PSO)容易陷入局部收敛和早熟的缺点,提出一种改进PSO算法对无功优化模型进行求解。利用适应度共享技术对粒子的适应度进行调整,以提高种群的全局寻优能力;引入学习因子动态调整策略,进一步平衡种群在解空间的全局探索能力和局部开发能力。IEEE 30节点系统的仿真结果验证了本文所提无功优化策略的合理性和有效性。     

一种新的混合优化算法求解配电网重构

传统粒子群算法(particle swarm optimization,PSO)容易早熟的问题,限制了其在配电网的应用和发展,故把二进制粒子群遗传算法(genetic binary particle swarm optimization,GBPSO)应用到配电网重构中.该算法利用遗传算法(genetic algorithm,GA)的变异能力改善粒子群算法的早熟情况.同时考虑到配电网的特殊性,采用了十进制编码规则,优化了编码方式.算例证明了该方法用于配电网重构的可行性和优越性.     

基于大数据和双量子粒子群算法的多变量系统辨识

针对智能算法与历史大数据相结合进行多变量系统辨识过程中不能精确量化每个子系统数学模型的问题,提出了一种有效的数据并行优化计算的解决方案。在辨识过程中,为了解决量子粒子群算法(quantum particle swarm optimization ,QPSO)收敛速度和寻优精度方面的不足,提出了一种改进的 QPSO 算法--双量子粒子群算法(double quantum particle swarm optimization ,D-QPSO)。该算法对粒子种群编码和原有的进化搜索策略同时进行了量子化处理,经过测试函数实验,改进的算法在搜索能力上优于 PSO 和QPSO算法。最后利用现场运行历史数据,通过D-QPSO算法进行参数估计,将设计的解决方案应用于热力发电厂负荷控制系统的传递函数辨识中,得到的模型为控制器的设计与优化奠定了基础。     

基于改进粒子群算法的电动车参与负荷平抑策略

建立了电动车参与负荷平抑的数学模型,在考虑电动车充放电功率及可用容量等约束条件的前提下,应用粒子群优化算法（particle swarm optimization,PSO）对模型进行了求解。针对PSO处理高维问题过早局部收敛的缺陷,提出了基于子向量的改进型PSO算法,在保证算法搜索到空间中的每个区域的同时,将搜索空间分...     

改进PSO算法在电力系统无功优化中的应用

将改进后的粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法运算过程繁琐、收敛精度不高、易陷入局部最优的缺点。该优化方法对粒子群算法进行了如下改进:采用简化粒子群优化方程和添加极值扰动算子两种策略,提出了简化粒子群优化(简称SPSO)算法、带极值扰动粒子群优化(简称DPSO)算法,将二者结合起来提出了带极值扰动的简化粒子群优化(简称DSPSO)算法。DSPSO以更小的种群数和进化代数获得了非常好的优化效果,使PSO算法更加实用化。对IEEE 6节点进行无功优化计算,并与其它算法进行了比较,表明该算法具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法。     

基于改进粒子群算法的中压配电网无功优化

建立了以年费用最小为目标函数的无功优化数学模型,提出一种融合裂变和变异操作的分合群粒子群算法求解该模型,并结合对系统分区、合理设置补偿上限等方法减小搜索范围,实现了同时求解补偿点和补偿量。算法在标准粒子群优化(particle swarm optimization,PSO)算法的基础上通过分群和裂变,保持粒子的多样性,避免收敛早熟;通过合群和变异,加强算法的搜索精度,提高算法的收敛稳定性。用IEEE 33节点系统进行仿真计算,与标准PSO算法对比表明,改进PSO算法在计算精度、收敛稳定性等方面具有明显优势;与无功二次精确矩法对比表明,改进PSO算法具有自动调整补偿点个数的能力,补偿方案经济性更好,能有效解决中压配电网的无功优化问题。     

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。     

供电设备检修优化算法及其在地区电网中的应用

针对某地区电力局检修计划安排的实际情况,建立了满足地区电网要求的检修计划优化模型。该模型基于停电范围形成变量集,并以设备偏离到期检修时间最少和工作量分配最合理为目标函数。采用混沌粒子群优化(chaos particle swarm optimization,CPSO)算法来求解模型,该算法将所有粒子分成几个粒子簇。粒子向最优点靠拢的过程中,在解空间做混沌搜索,并更新粒子的历史最优值。通过某地区电网算例,对CPSO算法与遗传算法、标准PSO算法进行了比较,结果表明CPSO算法全局搜索能力和收敛性能优于后2种方法,具有良好的工程应用前景。     

基于路径描述的配电网电力廊道规划方法

配电网工程的落地依托于充足的电力廊道资源,而电力廊道规划方案的合理性也将影响到后期配电网建设的经济性。为科学指导廊道的选择,提出一种基于路径描述的配电网电力廊道规划方法。首先根据电力廊道与配电网网架之间的耦合关系,搭建电力廊道连通性模型;然后采用深度优先遍历算法获得满足廊道建设情况的供电路径集合。基于此,以电力廊道综合规划费用为廊道规划方案的评估依据,搭建了配电网电力廊道双层规划模型。最后采用嵌套离散粒子群优化算法进行优化求解,外层粒子群算法以电力廊道综合规划费用最小为优化目标,内层粒子群算法以配电网运行规划成本最小为优化目标。算例分析表明,所述模型可兼顾后期配电网建设的可行性与经济性,得到满足负荷需求的电力廊道最优规划方案,有利于提前对廊道站址进行保护,为配电网建设提供参考。     

基于MAQPSO 的电力系统无功优化研究

文中提出一种多智能体量子粒子群优化算法(Multi Agent Quantum Particle Swam Optimization,MAQPSO)求解电力系统无功优化问题,改善了传统量子粒子群算法后期收敛速度慢、易陷入局部最优解等缺点。该算法结合了量子粒子群算法和多智能体进化思想,每一个Agent相当于量子粒子群优化算法中的一个粒子,通过Agent的邻域竞争、自学习等操作,使得算法能够更迅速、更精确地收敛到全局最优解。通过对IEEE14、30、57和118节点系统的优化仿真,结果表明该算法有收敛精度高、寻优速度快等优点。     

基于DPSO算法以负荷恢复为目标的网络重构

研究了大停电事故后输电系统的重构优化问题,提出了一种求解最优目标网的离散粒子群优化（DPSO）算法。将网络重构问题表示为以重要负荷恢复量占已恢复负荷总量的比例最高为目标的非线性优化问题,在求解目标网时考虑了负荷重要性、网络连通性、电网所需满足的各种安全和运行约束等问题。该算法在求解输电网重构问题时,编码容易且能方便地处理网络连通性问题,求解效率高、速度快。在IEEE 57节点系统和IEEE 118节点系统中的应用结果验证了文中方法的有效性。     

一种新型的电力系统无功优化算法

介绍一种类似于遗传算法的进化算法———粒子群优化算法, 并把它应用到电力系统无功优化问题中。对基本的粒子群优化算法作了适当改进, 在粒子速度更新公式中增加了一项即上一代的全局“最优”值, 相当于增加了全局极值的权重, 提高了算法的收敛性。以粒子群优化算法为基础, 选取适合于该算法的无功优化目标函数。通过对 IEEE- 14节点的仿真计算, 证明了该算法优于基本的粒子群优化算法, 且与遗传算法相比能在更少的迭代次数内搜索到更好的全局最优解。     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO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。     

基于禁忌搜索粒子群优化算法的无功优化

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,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

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。     

基于量子粒子群算法的电力系统无功优化

量子粒子群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.首次将量子粒子群算法用于电力系统无功优化中,以网损最小为目标函数,在IEEE30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于量子粒子群(QPSO)...