基于改进粒子群算法的PMU装置数量增加过程中的最优配置方法

针对现有电力系统相量测量装置(PMU)在系统中的最优配置问题,进一步考虑了系统发展过程中PMU数量增加的最优配置问题。以电力系统线性量测模型为基础,通过拓扑分析方法,以全系统可观为约束,以系统最大冗余度为目标,并使用改进的粒子群算法进行计算,实现PMU数量增加过程中的最优配置。通过算例证明了算法的有效可靠。     

基于改进粒子群算法的PMU装置数量增加过程中的最优配置方法

针对现有电力系统相量测量装置(PMU)在系统中的最优配置问题,进一步考虑了系统发展过程中PMU数量增加的最优配置问题.以电力系统线性量测模型为基础,通过拓扑分析方法,以全系统可观为约束,以系统最大冗余度为目标,并使用改进的粒子群算法进行计算,实现PMU数量增加过程中的最优配置.通过算例证明了算法的有效可靠.     

PMU最优配置问题的混合优化算法

为使得电力系统在完全可观测的条件下,PMU安装数目最少,提出了一种混合优化算法以解决相量测量单元PMU的最优配置问题.混合优化算法以粒子群优化算法为主体,引入交叉、变异操作,并结合模拟退火机制控制粒子的更新.在处理解的约束问题时,采用了一种基于概率的启发式修补策略,避免修复后的解特征单一.将混合算法与其他算法在多个IEEE标准系统上进行了比较分析,结果表明在较大规模系统上,混合优化算法收敛率比标准粒子群算法提高数倍,计算量比模拟退火算法减少了数十倍,表明了较好的可行性和较高的效率.     

基于小生境优化的变权重粒子群算法在PMU优化配置中的应用

针对相量测量单元优化配置问题展开研究,提出了一种基于小生境优化的变权重粒子群算法来解决该问题.所提算法以离散粒子群算法为基础,通过基于共事函数的小生境技术优化初始粒子群,改进权重系数的取值函数来提高算法的收敛效果,最后进行冗余度比较得出最优方案.该算法与常用算法相比,提高了计算的收敛速度和全局性,实现了算法多峰性,可通过分析问题模型有效得出相量测量单元(PMU)优化配置方案.并通过IEEE 14母线系统和新英格兰39母线系统仿真实例验证了所提方法的有效性.     

变权重蛙跳算法在PMU优化配置中的应用

以电力系统状态信息完全可观测为前提,配置相量测量单元PMU(phasor measurement unit)数目最少为目标,建立PMU优化配置问题的数学模型,并应用一种变权重蛙跳算法进行求解。首先以混合蛙跳算法为基础,建立考虑PMU配置数目和系统可观性的适应度函数;然后通过改变蛙体基因段的权重,指引蛙体跳跃的方向,解决了收敛性较差和跳出局部最优解较慢的缺点,实现了最优配置方案多样性;最后进行冗余度比较确定最优方案。通过新英格兰39母线系统和IEEE 57母线系统的仿真分析,验证本文方法较一般算法具有更佳的收敛效果和全局性。     

动态状态估计中PMU配置的离散粒子群优化算法

以提高动态状态估计精度为目标,采用离散粒子群优化(discrete particle swarm optimization,DPSO)算法对同步相量测量单元(phsor measurement unit,PMU)的配置点进行优化。该方法克服了传统解析优化方法难以适应不连续目标函数和不连通约束域等情况的缺点,同时,在配置有限PMU的情况下使PMU量测量发挥最大效益。最后对基于扩展Kalman滤波算法的动态状态估计模型进行仿真,证明了经DPSO优化后的配置与随机配置相比最大可能地利用了PMU的高精度量测信息,充分发挥了PMU量测的优点,大大提高了动态状态估计的精度。     

改进二进制粒子群算法在配电网重构中的应用

将混合蛙跳思想引入粒子群算法,并结合遗传算法中的选择交叉操作,提出一种改进二进制粒子群算法,来解决配电网重构中的问题。并且动态调整粒子速度更新公式中的惯性系数,使粒子能够随更新次数的变化动态改变全局和局部搜索能力,防止算法早熟,以找到全局最优解。文章最后对典型IEEE33节点算例进行仿真,并与遗传算法进行对比分析,结果表明该方法不仅能有效避免算法早熟、快速收敛,而且稳定性好。     

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题.网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题.对电网拓扑进行简化,配合破圈法更新粒子,得到100%的有效解,大大提高了计算速度.提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度.最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力.     

改进二进制粒子群优化算法在配电网络重构中的应用

配电网络重构是一个非常复杂的大规模组合优化问题。网络重构中,能否得到有效解,即保证辐射状网络,是一个很关键的问题。对电网拓扑进行简化,配合破圈法更新粒子,得到100％的有效解,大大提高了计算速度。提出一种应用于配电网络重构的改进二进制粒子群优化算法,并结合禁忌搜索算法,使PSO算法跳出局部最优化陷阱,改善了算法的搜索效果,加快了寻优速度。最后对IEEE 69节点系统进行计算,并与相关文献结果进行对比,表明本文改进算法具有快速、高效的全局寻优能力。     

基于改进二进制粒子群算法的孤岛划分方法

当分布式电源（distributed generation, DG）发生孤岛效应并停止运行时,可能导致重要负荷供电中断、DG弃光率升高和配电网供电可靠性降低。提出了一种基于改进二进制粒子群算法的孤岛划分新方法。根据线路电阻确定停电区域内负荷与各DG的电气距离,将其划分为多个单DG初级孤岛,以降低算法复杂度、避免功率远距离输送;给出具有“移动”“寻优”“突变”特性的速度更新公式和逐级约束的位置更新公式,并利用其划分各初级孤岛,以避免算法陷入局部最优解,从而提高其寻优速度;调整不满足约束条件和存在孤岛融合的供电区域,以保证孤岛运行的稳定性和最优性,实现孤岛划分。利用MATLAB/Simulink搭建IEEE 69节点配电系统,验证了该方法的有效性。     

基于WAMS/SCADA混合量测和离散粒子群优化算法的PMU优化配置

当前应用于状态估计的量测数据由广域测量系统(wide area measurement system, WAMS)和数据监控及采集系统(supervisory control and data acquisition,SCADA)采集, WAMS向量测量单元(phasor measurement unit,PMU)的优化配置问题成为研究的重点。本文在分析WAMS/SCADA混合量测数据成分、时间断面、精度、刷新频率4个方面差异的基础上,实现了混合量测数据的有效兼容,提出了一种基于无迹卡尔曼滤波(unscented kalman filter, UKF)动态状态估计和离散粒子群优化(discrete particle swarm optimization, DPSO)算法的PMU优化配置方案。采用该方案下的混合量测数据进行UKF动态状态估计,很好地提高了状态估计精度。在IEEE39节点系统上模拟日负荷变化验证了该PMU配置方案的有效性。     

基于改进二进制粒子群算法的电力系统机组组合

提出了1种改进的BPSO(二进制粒子群)方法求解机组组合问题.首先,利用优先顺序法确定初始的机组组合,根据这个结果,确定优化窗口的范围,在此范围内利用BPSO进行求解.在每次迭代过程中,通过启发式的调整策略使每代中的粒子都满足约束条件.在经济负荷分配问题上,采用经典的拉格朗日乘子法结合二分法进行求解,大大提高了求解效率.最后将所得结果与其他算法所得结果进行比较,证明所提方法有较强的优越性和实用性.     

基于改进二进制粒子群算法的配电网故障恢复

鉴于现有的配电网故障恢复算法普遍存在着计算速度慢或难以搜索到全局最优解的问题,提出了一种基于改进二进制粒子群算法的配电网故障恢复算法。首先采用等效负荷模型简化网络;在确定目标函数时,引入了层次分析法求解各指标的权重值,较之传统的经验确定法更符合实际;然后从惯性权重和学习因子的选取及粒子相似性控制2个方面对基本二进制粒子群算法进行了改进。算例分析表明,文中所提出的方法计算速度快,易收敛到全局最优解,能有效地求解配电网故障恢复问题。     

基于改进BPSO算法的微网中微电源的组合优化

深入分析了微网中微电源包括光伏发电、风力发电、微燃机、柴油发电机和燃料电池的电气特性,构建了多种微电网优化运行的模型,以微网的经济成本和环境成本最小为多目标函数,充分考虑了电压越限、功率平衡、微电源出力限制等约束条件,并应用改进BPSO算法进行求解。通过构造辅助搜索空间,提出了改进BPSO算法,解决了二进制粒子群算法易"早熟"、容易陷入局部最优解的问题。并通过典型的微网系统进行仿真分析,仿真结果验证了该算法的有效性。     

求解机组组合问题的改进离散粒子群算法

电力系统机组组合问题是一个高维数、离散、非线性的大规模复杂工程优化问题.文中提出了一种基于改进离散粒子群优化算法求解机组组合问题的新方法.首先采用新的策略生成粒子,以保证所有生成的粒子均为满足基本约束条件的可行解,使整个算法只在可行解区域进行优化搜索;然后引入优化窗口的概念和启发式的规则以缩短计算时间和提高优化精度.仿真结果表明所提出的算法具有解的质量高、收敛速度快的特点,充分证明了它能很好地解决机组组合问题.     

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.