基于PSO-RBF神经网络的微电网等效建模

提出一种改进粒子群优化的RBF神经网络微电网动态等效模型及建模方法,利用RBF人工神经网络的非线性映射特性解决微电网系统并网接入的等效建模问题。基于微电网公共接入点(PCC)的电压、电流、功率等量测数据构建RBF神经网络等效模型,将接入点电压和电流分别作为神经网络的输入和输出,使神经网络的输入输出更具独立性。将混沌优化的全局遍历性引入粒子群优化算法中,构建基于全局最优解的变邻域混沌搜索提高粒子群算法的全局搜索能力,利用改进粒子群算法优化RBF神经网络模型参数提高模型计算精度。最后通过微电网并网仿真实验验证本文提出等效模型的准确性和建模方法的合理性。     

局部遮阴下基于改进PSO的多峰值MPPT研究

局部遮阴下,光伏阵列的P-U特性曲线呈现多峰现象,此时传统的MPPT算法容易陷入局部寻优而失效。针对这一问题,采用一种基于改进粒子群寻优的MPPT算法。通过对局部遮阴下光伏阵列输出特性曲线进行分析,计算出可能存在的峰值点电压,作为粒子位置的初始值,同时引入状态因子δ对惯性权重、学习因子进行线性调整,以避免粒子陷入局部最优,减小追踪过程的震荡。最后将标准粒子群算法与改进粒子群算法进行Matlab仿真对比,验证了改进粒子群算法的优越性。     

基于混沌海鸥优化算法的含光伏发电系统负荷模型参数辨识

针对分布式光伏发电系统广泛接入配电网,导致电力系统潮流计算速度和精度较低的问题,提出一种基于混沌海鸥优化算法的含光伏发电系统负荷模型参数辨识模型。首先,在综合负荷模型的虚拟母线上接入等效光伏发电系统的负荷模型,从而建立配电网广义负荷模型;之后,提出一种将混沌优化与海鸥优化相结合的优化算法,基于该算法完成配电网的等值,并在此基础上进行含光伏发电的综合负荷模型参数辨识。最后,通过仿真表明该文提出的算法,相比于传统的粒子群算法和单一海鸥优化算法,在计算精度和收敛速度等方面具有优越性,并可应用于负荷模型的参数优化。     

基于改进混沌粒子群算法的火电厂经济负荷分配

提出了一种改进混沌粒子群算法,将抛物线与混沌序列相融合产生惯性权重,并引入遗传算法中的交叉思想,增加种群中粒子的多样性.建立了考虑汽轮机阀点效应的火电厂经济负荷分配模型,并采用等概率负荷调整约束处理方法处理经济负荷分配中的约束条件,以40台机组经济负荷分配为例进行仿真计算.结果表明:与传统混沌粒子群算法相比,改进混沌粒子群算法优化后的煤耗成本最佳值约降低0.78%;通过与其他智能优化算法的对比,验证了所提出的改进算法具有更好的优化效果和鲁棒性.     

基于Bezier函数光伏阵列建模对比仿真研究

针对光伏阵列建模存在所需参数较多和计算较繁琐的弊端,基于一种新型的Bezier函数光伏阵列建模方法,利用厂商给定参数对BN20-M进行建模,并与传统迭代法的计算结果进行对比,利用已有的实测数据进行验证,结果表明,Bezier函数计算精度虽略低于迭代法,但具有参数获取方便和计算简单的特点,并能够有效地缩短仿真时间,提高计算效率,证明了Bezier函数在光伏阵列建模中的适用性和有效性。     

基于GA-PSO的分布式光伏发电最大功率跟踪控制

为解决局部阴影下光伏阵列采用传统最大功率点跟踪(MPPT)易陷入多峰值的局部最优点问题,采用分布式构架的光伏阵列,提出了一种基于遗传粒子群(GA-PSO)的MPPT混合算法,GA-PSO算法结合了粒子群算法(PSO)的位置转移和遗传算法(GA)的全局搜索能力,使混合算法拥有比GA算法和PSO算法更好的追踪准确性和快速性。在MATLAB/Simulink平台上建立了基于GA-PSO的分布式最大功率跟踪控制(DMPPT)电路拓扑结构的光伏阵列仿真模型,仿真结果验证了所提算法的可行性和有效性,为MPPT技术改进提供一种参考方案。     

多目标粒子群优化算法在光伏MPPT中的应用

为提高光伏电池的利用率,需要进行光伏阵列的最大功率点跟踪(MPPT),针对传统粒子群优化算法在多目标优化中的不足,提出了基于最小粒子角度的多目标粒子群优化算法,利用目标空间中不同粒子之间的角度进行粒子全局极值更新,通过比较粒子的浓度值给出粒子群及粒子个体极值更新方法,并在Matlab/Simulink下进行了建模与仿真。仿真结果显示,该算法在外界环境变化时能快速准确地跟踪太阳能电池的最大功率点,并能保证系统的稳定性。     

基于HPSO算法光伏并网逆变器MPPT技术研究

为了解决光伏阵列最大功率点跟踪问题,提出一种基于神经网络与粒子群优化算法的最大功率点跟踪算法。在不同太阳辐射强度情况下,利用神经网络辨识光伏阵列的瞬时功率,并将此瞬时功率作为粒子群优化算法的粒子,利用粒子群优化算法求出最大功率点所对应的逆变器开关量。实验结果表明,将神经网络与粒子群优化算法相结合,可以准确实现光伏阵列最大功率点的跟踪。     

基于自适应变异粒子群算法的光伏MPPT控制研究

针对局部遮阴(PSC)时,光伏阵列输出P-U曲线出现多峰值现象,传统最大功率点追踪(MPPT)算法易陷入局部最优解,无法追踪到全局最优解的问题,该文提出基于自适应变异粒子群算法的光伏MPPT控制方法.在粒子群算法寻优过程中同步调整学习因子与惯性权重,以提高算法收敛速度与精度,同时引入变异机制以扩大粒子搜索范围,增强算法...     

基于能量守恒的光伏组件温度的估算

用逐层遮挡的方法模拟太阳电池不同的光能吸收率,采用自适应混沌粒子群算法辨识出相应状态下太阳电池模型的5个参数值,建立与光能吸收率之间的对应关系,并基于能量平衡方程进行光伏组件温度的估算。通过辨识模型参数确定吸收率,基于能量平衡估算光伏组件温度的模型能够较好地吻合实验数据。     

基于改进GA-CPSO融合算法的1 000 MW机组给水系统建模

为解决现有方法对1 000 MW机组给水系统建模复杂、算法收敛速度慢、精度低等问题,提出一种改进遗传算法融合混沌粒子群算法(Genetic Algorithm-Chaotic Particle Swarm Optimization, GA-CPSO)。首先,粒子群算法(Particle Swarm Optimization, PSO)中引入了自适应权重和收缩因子,提升粒子寻优能力;在一维Logistic的基础上提出二维Logistic混沌映射,避免寻优过程中陷入局部最优解;采用轮盘赌选择方法,选取粒子进行下一步的遗传算法优化,提升了全局寻优能力。其次,通过实验仿真数据和现场实际数据验证了改进GA-CPSO算法的精度。将该算法用于1 000 MW机组给水系统,建模精度提高了88.65%,仅需要迭代7次左右即完成收敛。然后,利用数据中加干扰实验进一步挖掘改进GA-CPSO算法的抗干扰能力。实验表明：加入外部大扰动建模误差仅有0.385,算法抗干扰能力强。最后,用皮尔逊相关系数方法验证了机组直流阶段模型间的相关性,相关系数达到了0.9以上,可用一个模型代表。     

基于区间建模的新能源电网无功优化策略

  目的  新能源发电具有间歇性和随机性,其功率为不确定性数据,会造成电网电压和频率的变化,对电力系统安全运行构成威胁。为保证大规模新能源并网后电网电压的安全,考虑新能源发电波动不确定性,提出一种基于区间建模的新能源电网无功优化策略。  方法  该策略采用区间数描述无功优化模型中的不确定参数,进而建立区间无功优化模型,采用基于优化场景的区间潮流算法求解区间潮流方程,获取状态变量区间,确定控制变量的可行性,在此基础上采用改进的粒子群优化算法求解区间无功优化模型,在粒子群算法中加入局部搜索环节和离散变量交叉处理操作以提高算法寻优能力。为了验证所提方法的有效性和优越性,分别采用IEEE 14节点和IEEE 30节点算例进行仿真计算,与自适应遗传算法和普通粒子群算法进行对比分析。  结果  仿真结果表明:与自适应遗传算法和普通粒子群算法相比,采用改进粒子群的区间无功优化策略具有更快的收敛速度,更强的寻优能力,并且可有效处理模型中离散变量。  结论  所提策略可有效解决区间无功优化问题,能保障大规模新能源并网后电网电压的运行安全。     

遮阴条件下光伏MPPT自适应粒子群算法优化

针对在局部阴影情况下光伏阵列的功率-电压（P-U）特性曲线呈多峰特性,粒子群算法应用于局部阴影下的最大功率点跟踪（MPPT）跟踪,存在搜索速度慢、精度低的缺点。提出自适应惯性权重粒子群优化（PSO）算法的最大功率点跟踪算法,自动更新惯性权重w和学习因子C₁、C₂,通过仿真实验,优化前的全局最大功率点（GMPP）跟踪时间是0.045 s,输出功率为468 W。优化后的自适应粒子群算法GMPP跟踪时间为0.020 s,输出功率稳定在为480 W,光伏阵列的输出功率跟踪误差小于30%。在所搭建辐照度突变模型仿真中,在4.022 s突变到300 W/m²时经过0.05 s又重新跟踪到了新的最大功率点稳定在0.075 MW。最后通过实验平台验证,优化后的自适应粒子群优化算法与传统的粒子群优化算法相比,追踪时间减少了55.5%,误差小于5%,验证了该算法可行性和实用性。     

基于DESAPSO混合算法的MMC-HVDC系统控制参数优化

针对传统外环控制器比例积分(PI)参数的选择需要经过长时间的调试且在大扰动下难以实时调节控制可能导致系统持续振荡的问题,提出了一种基于差分进化模拟退火粒子群优化混合算法(DESAPSO)的MMC-HVDC系统控制参数优化方法。基于MMC-HVDC系统的数学模型,在Matlab/Simulink平台上搭建MMC-HVDC系统仿真模型,采用时间绝对误差积分(ITAE)指标构建PI参数优化的目标函数,利用DESAPSO混合算法对PI参数进行优化。通过对比原参数、基于差分进化算法、模拟退火粒子群优化算法与差分进化模拟退火粒子群优化混合算法的优化结果,验证了该方法在MMC-HVDC控制系统参数优化中的有效性与优越性。     

基于混沌自适应人工鱼群算法的含家庭储能配电网快速重构方法

针对分布式电源接入配电网具有波动性和随机性的特点,提出一种基于混沌自适应人工鱼群算法的含分布式电源配电网快速化重构方法。在风电、光伏和家用储能的数学模型和节点划分基础上,以电网网损、开关次数以及失电负荷成本最小为目标函数,建立基于多目标优化的含分布式电源配电网的优化重构模型。利用混沌自适应人工鱼群算法对模型进行求解,通过对鱼群的混沌初始化和自适应动态调整步长参数,提高了算法的全局搜索能力和收敛速度。根据电化学储能系统出力特性划分配电网网架重构的典型工作场景,通过含分布式电源的IEEE 33节点测试系统仿真实例验证了该文方法的有效性。仿真结果表明,与单独考虑电网网损成本相比,由该文方法得到的配电网优化重构成本降低了50%以上,优化重构时间均小于0.9 s,实现了含分布式电源配电网的快速自愈。     

基于加权最小二乘支持向量机的月度负荷预测

考虑到实际电力负荷预测中各数据的重要程度并不相同,在标准最小二乘支持向量机回归算法的训练样本中设置权值系数,建立了加权最小二乘支持向量机模型,以实现样本的优化选择,达到历史数据"重近轻远"的学习效果;同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,提出了一种基于混沌思想的粒子群优化算法对模型参数进行优化,引入优势粒子和劣势粒子的权重自适应调节机制,使算法具有动态适应性。将改进的模型应用于江西省萍乡市月度负荷预测中,结果表明本文方法与常规方法相比降低了预测误差,且速度较快。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。