基于粒子群优化算法的PSS参数优化

GOOSE是IEC61850对数字化变电站的重要贡献,其出发点是变电站自动化功能的分布式实现。通过深入分析IEC 61850标准针对GOOSE实时性所作的规定,提出了全方位实现GOOSE实时性的观点,即在确保GOOSE服务正确可靠的前提下,在发送端、交换机和接收端分别采取措施尽可能地提高GOOSE报文的实时性。分析了在交换机提高GOOSE报文传输实时性、在接收端提高GOOSE报文处理实时性的原理。提出了GOOSE发送端多优先级发送队列的方法,解决了发送端GOOSE报文的延迟性和不确定性问题。     

基于粒子群优化算法的PSS参数优化

粒子群算法(PSO-ω)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法.基于单机无穷大系统模型,通过采用PSO-ω算法对电力系统稳定器(PSS)进行参数优化,以抑制低频振荡.该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力(ITAE准则).用Matlab软件进行仿真,结果表明,利用该方法设计的PSS,它的稳定性有了较大的提高.     

基于混合粒子群优化算法的PSS参数优化

将一种新的进化算法-粒子群优化算法(PSO)应用到电力系统稳定器(PSS)参数优化当中,文中使用引入交叉操作的混合粒子群优化算法(HPSO),可以获得更好的全局搜索能力和收敛速度.先以低频振荡范围内(0.1～2 Hz)PSS产生的附加阻尼转矩△Te与△ω尽可能同相位为目标优化PSS超前-滞后环节参数;再以小扰动时发电机功率和角速度振荡最小为目标整定PSS放大倍数.优化结果表明,HPSO算法可以有效地解决PSS参数优化问题.     

基于混合粒子群优化算法的PSS参数优化

将一种新的进化算法—粒子群优化算法(PSO)应用到电力系统稳定器(PSS)参数优化当中,文中使用引入交叉操作的混合粒子群优化算法(HPSO),可以获得更好的全局搜索能力和收敛速度。先以低频振荡范围内(0.1~2Hz)PSS产生的附加阻尼转矩ΔTe与Δω尽可能同相位为目标优化PSS超前-滞后环节参数;再以小扰动时发电机功率和角速度振荡最小为目标整定PSS放大倍数。优化结果表明,HPSO算法可以有效地解决PSS参数优化问题。     

基于自适应加速粒子群算法的PSS参数预整定

基于粒子群算法,提出了适用于PSS参数优化预整定的自适应加速粒子群算法(SAPSO)。对惯性权重和加速因子等参数进行动态自适应调整,并在粒子搜索过程中最容易陷入局部最优的阶段,有条件地引入随机变异环节来控制粒子寻优行为。建立PSS参数预整定仿真模型,利用SAPSO算法,对某网新投PSS设备进行了参数预整定研究。时域仿真和现场试验表明,预整定PSS参数阻尼效果更好,也验证了新投机组PSS参数预整定方法的有效可行。     

基于改进粒子群算法的PSS与TCSC控制器参数优化

电力系统中同时装有单独设计的电力系统稳定器(PSS)和可控串联补偿装置(TCSC)时,两者之间可能产生一定的交互影响,导致阻尼低频振荡的效果不佳.针对这一问题,采用改进粒子群算法(MPSO)对PSS和TCSC的控制器进行协调设计,此方法在PSO算法的基础上,通过改变惯性权重对其进行改进,保持了群体搜索的多样性.通过收敛性分析证明,此方法能收敛于全局最优.在IEEE-4机11节点的系统上进行了测试.时域仿真与特征值分析表明,该算法能有效地将系统特征根移到复平面目标函数限定的区域内,很好地抑制低频振荡.对不同优化方法的收敛性及计算时间进行了比对,结果表明改进粒子群算法的性能优于常规遗传算法以及模拟退火算法.     

基于随机聚焦粒子群算法的多机系统PSS参数优化

随机聚焦粒子群算法（SFPSO）是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法。通过采用SFPSO算法,对多机系统的PSS参数进行优化。该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS 参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力。通过仿真测试以及不同算法优化结果的对比,表明基于SFPSO算法优化的PSS在不同的干扰下都具有良好的性能,能够抑制低频振荡,并保持系统稳定,同时证明了SFPSO算法的有效性和优越性。     

基于随机聚焦粒子群算法的多机系统PSS参数优化

随机聚焦粒子群算法(SFPSO)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法.通过采用SFPSO算法,对多机系统的PSS参数进行优化.该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS 参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力.通过仿真测试以及不同算法优化结果的对比,表明基于SFPSO算法优化的PSS在不同的干扰下都具有良好的性能,能够抑制低频振荡,并保持系统稳定,同时证明了SFPSO算法的有效性和优越性.     

混合粒子群算法在PSS参数优化中的应用

通过采用一种新的混合粒子群算法对多机系统的电力系统稳定器(PSS)进行参数优化,以达到更好的低频振荡抑制效果.引入交叉操作的混合粒子群优化算法是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的改进粒子群算法(PSO).用Matlab软件进行仿真,结果表明,该方法设计的PSS稳定性有较大提高.     

动态惯性权重粒子群优化算法

针对基本粒子群优化(Particle Swarm Optimization,PSO)算法的不足,提出动态惯性权重粒子群优化算法,其惯性系数随算法进化而动态减少。仿真结果验证了该改进算法的有效性:算法的收敛速度比基本PSO算法的收敛速度快;同时,算法得到的最优解比基本PSO算法好。     

基于自适应粒子群算法的直流输电PI控制器参数优化

针对传统粒子群算法(particle swarm optimization,PSO)的不足,提出了一种自适应粒子群优化(adaptive particle swarm optimization,APSO)算法,并应用于直流控制器比例–积分控制器(proportional integral,PI)的参数寻优。文中首先介绍了HVDC控制器的系统模型,然后推导出了贵广直流输电工程中的控制器传递函数,并利用APSO算法进行PI参数寻优。寻优过程采取时间乘绝对误差积分(integral of time multipled by the absolute value of error,ITAE)准则计算目标函数值,取对应ITAE目标函数最小的样本为最优PI参数,得到的PI参数可认为是全局最优解。结果表明了APSO算法在PI控制器参数优化中的全局寻优能力和有效性。     

基于自适应量子粒子群算法的塔机NFNN控制器参数优化

针对塔机正规化模糊神经网络控制中参数众多且难于分析的问题,提出了对正规化模糊神经网络优化的自适应量子粒子群算法。该方法采用量子旋转门对粒子进行更新变异,惯性权重根据当前适应度自动调整,在全局寻优过程中,当粒子远离目标时,学习因子变大,当粒子靠近目标时,学习因子变小,有效地提高了全局最优搜索能力及收敛速度。采用该方法对塔机NFNN控制器参数进行优化,结果表明,自适应量子粒子群算法对塔机NFNN参数优化效果优于传统量子粒子群算法,且加快了控制器的响应速度。     

自适应混沌粒子群算法在PSS设计中的应用

该文采用一种改进的粒子群算法PSO———自适应混沌粒子群算法ACPSO,对多机电力系统稳定器参数进行优化设计,以抑制系统低频振荡。该算法通过混沌初始化粒子群,在迭代计算过程中根据粒子的适应值自适应地调整算法惯性系数,从而可以获得更好的全局搜索能力和收敛速度。选取系统机电振荡模式最小阻尼比最大化为目标函数,将PSS参数优化转换为带不等式约束的非线性优化问题。以3机9节点系统为例,特征值和非线性仿真结果表明,运用该方法设计的PSS能够有效地抑制外界扰动引起的低频振荡。     

基于自适应粒子群算法的梯级小水电群优化调度研究

针对以发电为主的梯级小水电群,以各水库的发电引用流量为决策变量,建立了以发电量最大为目标的梯级小水电群优化调度数学模型;设计了PSO算法和APSO算法的工程实现方法,具体包括编码设计、迭代方法设计以及惯性权重设计等;通过一个具有两库串联的梯级小水电群实例,将PSO算法和APSO算法的仿真寻优过程进行了比较,结果显示两种算法是有效的,并且APSO算法具有更强、更快的全局搜索能力;将APSO算法的仿真结果与同一条件下的GA算法的仿真结果进行了比较,结果显示APSO算法的仿真结果更优,更能充分利用水能资源.     

基于自适应粒子群优化算法的机组组合

机组组合是一个大规模、非线性混合整数优化问题,求解比较困难,为了提高粒子群算法的全局和局部搜索能力,提出一种惯性权值自适应调整的粒子群算法。该算法按照适应度的大小将粒子群分成两个子群,然后根据适应度的进化速度和进化停滞系数动态调整惯性权值。通过对典型函数的测试以及10台机组24小时的优化调度,计算结果表明该方法收敛精度较高。     

基于自适应粒子群优化算法的机组组合

机组组合是一个大规模、非线性混合整数优化问题,求解比较困难,为了提高粒子群算法的全局和局部搜索能力,提出一种惯性权值自适应调整的粒子群算法.该算法按照适应度的大小将粒子群分成两个子群,然后根据适应度的进化速度和进化停滞系数动态调整惯性权值.通过对典型函数的测试以及10台机组24小时的优化调度,计算结果表明该方法收敛精度较高.     

粒子群优化算法中惯性权重综述

粒子群优化(particle swarm optimization,PSO)算法是基于鸟群觅食行为的一种新型的群体智能算法,而惯性权重是PSO算法中一个极其重要的参数,其值的选取直接关系粒子在寻优过程中的开发能力和探索能力。在介绍PSO算法的基本原理的基础上,分析惯性权重对粒子群优化算法在收敛性方面的影响,综述了现有文献对惯性权重的研究进展,并评述了各种惯性权重取值策略所取得的研究成果和存在的不足之处。     

基于自适应粒子群优化算法的AGC机组调配研究

提出了一种基于自适应型粒子群优化算法（APSO）的自动发电控制（AGC）机组调配方案。该方案针对考虑机组调节容量、调节速率等约束条件的AGC机组调配的数学模型,提出了一种改进的APSO。介绍了算法的基本原理．分析了不同参数取值对算法收敛性的影响。算例表明,该方法不仅可以克服整数规划法可能得不到最优解的缺点,而且与遗传算法比较,具有收敛性好、收敛速度快的优点。     

基于自适应模糊粒子群算法的电力系统无功优化研究

针对传统粒子群算法搜索精度低和易早熟的缺点,提出了一种自适应模糊粒子群算法(AFPSO)对电力系统进行无功优化.该算法对惯性权重进行非线性的调整,有效地提高了算法的收敛速度和精度,并对位置的更新采用模糊控制,较好地解决了粒子群易早熟的问题.将该算法应用于无功优化问题中,在IEEE-30节点系统上进行测试,证明了AFPSO算法的有效性和优越性.