改进粒子群算法在电力系统经济负荷分配中的应用

粒子群优化(PSO)算法在电力系统多目标优化问题中,存在易陷入局部最优,计算结果随机性较大及利用权重处理多目标问题时取值难以科学化等缺陷。为了避免这些问题,结合随机黑洞策略、惯性权重和学习因子的动态更新、NSGA-II非支配排序、拥挤距离排序、领导粒子的选择和小概率随机突变的方法对经典PSO算法进行了改进,提出了一种新的改进粒子群算法,引用Pareto前沿来处理电力系统多目标优化问题。随后,将改进粒子群算法应用于电力系统经济负荷分配问题中,综合考虑了发电机的燃料成本和有功网损成本,结果表明改进粒子群算法增强了全局搜索能力,改善了收敛速度和收敛精度,解集的分布更加均匀,并且有效地展现了Pareto前沿关系,使其在处理非线性、非凸性及高维等多目标问题时更具有优势。     

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.     

改进粒子群算法在无功优化中的应用

建立了无功优化的数学模型,针对粒子群算法易陷入局部最优解、收敛精度差的缺点,将改进粒子群优化算法应用到电力系统无功优化中。对粒子群的速度公式进行了改进,并在算法中引入反正切惯性权重和阈值来增强搜索全局最优解的能力。通过对IEEE30节点的算例仿真,证明改进后的粒子群算法在电力系统无功优化问题上具有一定的可行性。与PSO的结果对比表明该算法在一定程度上提高了计算的精度。     

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。     

组合式粒子群神经网络的96点负荷建模的应用

粒子群算法是一种新型寻优策略,具有收敛速度快、收敛精度高的优点。提出一种改进粒子群神经网络的负荷预测模型,通过改进粒子群算法优化BP神经网络的权值和阈值,改善神经网络的缺陷,将优化好的BP神经网络对某电力系统进行短期负荷预测。仿真结果表明,该算法收敛速度快,网络性能良好,并具有较强的自适应能力。     

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。     

基于最优值临近搜索的灾变粒子群算法在无功优化中的应用

粒子群算法在电力系统无功优化中容易出现局部收敛和早熟的现象,对传统粒子群算法进行了改进。改进算法对当前全局最优粒子进行临近搜索（NSGOP-PSO）,加快了粒子群的搜索速度和搜索精度。并加入了仿生进化算法中的灾变算法（NSGOP-CPSO）,按一定规律对群体全部粒子或部分粒子施行灾变,用于解决粒子群算法中的不收敛和早熟现象的问题。对该算法的作用原理进行了细致的分析和说明,并以IEEE-30节点系统的仿真图形及统计数据说明了该改进粒子群算法是有效的。     

基于改进PSO算法的电力系统无功优化

粒子群优化PSO(Particle Swarm Optimization)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变异算子,提出了一种新的改进粒子群优化MPSO(Modified Particle Swarm Optimization)算法,并将其应用于电力系统无功优化,建立了相应的优化模型。对IEEE-14节点系统及某地区70节点实际电力系统进行了仿真计算,并与PSO算法作了比较,结果表明MPSO优化算法能有效地应用于电力系统无功优化．其全局收敛性能及收敛精度均较PSO算法有了一定程度的提高。     

基于MSI-APSO算法的多目标无功优化

采用多策略融合自适应粒子群优化(MSI-APSO)算法求解电力系统多目标无功优化。该算法采用分阶段调整加速因子,根据适应值自适应调整惯性权重,以平衡算法局部搜索和全局搜索的能力;同时,基于群体信息改善部分性能差的粒子,迭代性能改善后的粒子,并采取速度保持策略,以提高算法的搜索准确度与收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并采用MSI-APSO算法求解该模型。最后对IEEE 14和IEEE 30节点系统进行算例仿真,仿真结果证明了该算法在收敛速度和优化效果上具有比其他几种改进PSO算法更佳的性能,能有效求解电力系统多目标无功优化问题。     

改进粒子群优化算法及其在电网无功分区中的应用

提出一种改进粒子群优化算法并将其应用于电网无功分区,以复杂网络社团结构理论为基础,建立以电气距离为权重的电力系统加权网络模型,以模块度为标准量化地评价无功分区的划分质量。改进粒子群优化算法采用了新的粒子编码方式与位置更新方式,提高了以模块度为目标函数的启发式算法的收敛速度并减少了存储空间。通过改进粒子群优化算法得到的无功网络具有较强的区域解耦特性,分区内部电气联系紧密,区域之间联系稀疏,无功分区结构合理。该算法在IEEE 39节点系统、IEEE 118节点系统及大型电网的应用结果表明了该算法的合理性及有效性。     

基于免疫禁忌混合算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出了一种基于免疫禁忌混合算法的多目标模糊优化潮流计算的新方法。该方法运用模糊集理论来构造评价函数,实现了多目标优化问题向单目标优化问题的转化,兼顾了各子目标,保证了较高的整体优化水平;采用求解精度高、使用灵活的免疫禁忌混合算法来进行单目标寻优,准确地获取了符合实际的全局最优解。通过对IEEE 30节点系统进行多次多目标最优潮流仿真计算,并将计算结果分别与单目标最优潮流计算及采用粒子群算法、免疫算法等其它算法的结果进行比较和分析,验证了该方法是解决电力系统多目标最优潮流问题的一种有效方法。     

梯级水电站多目标模糊优化调度模型及其求解方法

根据梯级水电站不仅具有电力联系而且具有水力联系的运行特点,提出一种以年发电量和一级水电站耗水量为优化目标的梯级水电站多目标长期优化调度模型.通过定义各目标的隶属度函数,将多目标优化问题模糊化;采用最大模糊满意度法将多目标优化问题转化为单目标非线性规划问题;应用协调粒子群算法(CPSO)求解单目标优化问题.仿真验证了模型的正确性和求解方法的可行性,为梯级水电站优化调度提供了一种新颖有效的途径.     

考虑节能效益的企业分布式电源优化配置

针对企业供配电系统分布式电源规划问题,以企业节能效益最大化为目标,建立企业分布式电源优化配置模型。采用改进粒子群算法进行求解,将参数自适应调节、粒子交叉、模拟退火算法融入粒子群算法,有效提高了粒子群算法的寻优效率。采用IEEE33节点配电系统进行了算例仿真分析,仿真结果表明,利用此模型对分布式电源进行优化配置后,配电网损耗降低、电压质量显著提高、企业节能经济效益得到最大化提升。算例有效验证了优化配置模型与改进粒子群算法的可行性。     

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。     

用免疫BPSO算法和N-1原则多目标优化配置PMU

为了在满足全网的完全可观测的前提下实现PMU安装投入的性价比最高,通过理论分析得出判断电网节点拓扑可观测的依据,并提出以N-1可靠性检验原则对PMU配置方案进行冗余性检验,由此以全网完全可观测、PMU数目最少和N-1量测冗余度最高为目标建立了PMU多目标优化配置数学模型,并设计了一种结合免疫系统信息处理机制的二进制粒子群优化算法对模型进行求解。该算法综合了粒子群优化算法简单快速和免疫系统种群多样性的优点,明显改善了进化后期算法的收敛性能和全局寻优能力。对新英格兰39母线系统进行PMU多目标优化配置仿真及量测冗余性分析的结果表明,该法对PMU配置方案的量测可靠性及其所需PMU数量进行综合评价可方便快捷地得到性价比最优的方案,较之普通的PMU单目标优化配置方法更为合理和灵活。     

基于改进粒子群优化算法的负荷分配方法研究

针对多目标粒子群优化算法求解负荷优化分配问题时所出现的最优解分布不均,局部最优等问题,引入了精英交叉算子并基于拥挤度对非劣解集进行排序,给出了精确计及网损时的机组出力等式不等式约束处理方法。最后在有无网损两种情况下针对3机组系统进行负荷优化分配。仿真结果表明改进后的粒子群优化算法寻优能力得到提升,同样利用模糊隶属度函数筛选Pareto解集得到的结果明显优于常规粒子群优化算法,有效降低了发电成本及污染物排放,且求解结果严格满足约束条件。     

含海水淡化系统的海岛微电网经济运行优化

针对海岛供电供水困难的现状,将海水淡化系统引入到微电网中,解决海岛居民的水电供应问题。针对微电网经济运行优化算法容易陷入局部最优的问题,将遗传算法中的小生境种群策略引入粒子群算法中,提出了一种改进小生境粒子群算法,对学习因子进行异步变化调整,对惯性权重进行指数递减,改善了算法寻优性能。以考虑海水淡化经济收益的孤立微电网系统经济运行成本最低为目标,建立数学优化模型,以改进算法进行优化计算,分别与标准粒子群算法计算结果以及不考虑海水淡化系统的微电网经济运行优化结果进行对比,验证了引入海水淡化系统可提高系统的经济性,所提改进算法具有良好的寻优能力。     

基于免疫BPSO算法与拓扑可观性的PMU最优配置

以电力系统状态完全可观测和相量测量单元PMU配置数目最小为优化目标,基于PMU的功能特点和电力网络的拓扑结构信息,形成快速且通用的电网拓扑可观测性判别方法,并设计了一种结合免疫系统信息处理机制的二进制粒子群优化算法对目标函数进行求解,该算法综合了粒子群优化算法简单快速和免疫系统种群多样性的优点,明显改善了进化后期算法的收敛性能和全局寻优能力.最后通过对IEEE14和新英格兰39母线系统进行PMU优化配置仿真及量测冗余性分析,验证了本文方法的有效性和优越性.