兼顾用户满意度和发电侧收益的微电网系统量子粒子群优化（英文）

兼顾微电网系统发电侧与用户侧的综合利益,从能量管理的角度出发,建立了以用户满意度和发电侧收益为目标的优化模型。首先,采用多目标局部变异-自适应量子粒子群算法(Multi-objective local mutation adaptive quantum particle swarm optimization, MO-LM-AQPSO)获得用户满意度及发电侧收益的Pareto前沿。然后,引入缺电损失,以发电侧收益最大为目标,选取了非支配解中的最优解,并通过算例仿真验证其有效性。进而引入可平移负荷及分时电价激励机制,通过合理的峰谷电价比以引导用户积极参与需求侧响应。仿真结果表明,合理的激励措施,可提高微电网收益和用户满意度实现可再生能源的最大化利用及蓄电池运行损耗的有效减少。     

基于改进量子粒子群算法的PID参数优化

受遗传算法中变异机制的启发,提出一种引入变异因子的改进量子粒子群算法(MQPSO),粒子以不同的概率在种群最优解的位置附近进行变异。在典型函数的测试中,MQPSO算法的收敛精度要好于QPSO算法。应用于电厂主汽温控制系统PID参数优化,仿真结果表明,系统获得了较好的控制效果。     

复杂系统可靠性冗余优化的量子粒子群算法研究

由于复杂系统可靠性函数常常具有非线性的特点，因此如何确定复杂系统各单元冗余数，设计既满足可靠度要求、又使系统成本最小是冗余优化问题中的难点。针对复杂系统的特点，提出了基于量子粒子群算法的求解方法。根据数学模型，详细探讨了量子粒子群算法在系统的可靠性优化计算中应用的可行性，并给出了基于粒子群算法的可靠性的求解策略，同时对桥式系统的可靠性优化设计问题进行分析计算。仿真表明，该算法具有较强的局部搜索能力，与其他方法相比，该算法有较高的搜索效率，能够找到更优的解。最后验证了该算法在复杂系统可靠性优化中的可行性和有效性。     

基于量子粒子群优化算法的斜齿轮设计

粒子群优化算法是一种基于群智能的优化方法,量子粒子群优化算法是基于PSO进行改进的算法,规则简单、收敛速度快、易于编程实现。对于多约束条件的斜齿轮传动的优化设计,笔者提出了一种基于量子粒子群优化算法优化求解的方法,实践表明能够快速、有效求得优化解,是求解齿轮优化设计问题的一个较好方案。     

基于免疫粒子群优化算法的微电网谐波抑制策略

为解决微电网中变频器和电力设备运行引起的非线性负载谐波问题,提出了基于免疫粒子群优化(IPSO)算法的微电网无源滤波器谐波抑制策略,将免疫系统的免疫机制原理引入粒子群算法中,有助于提高粒子群算法全局收敛能力,主要目的是实现免疫粒子群算法优化滤波器参数,最终通过优化滤波器的方式达到微电网谐波抑制。从仿真结果可以得出,并网模式与孤岛模式相互转化过程中,IPSO算法可以有效地降低负载侧输出电压谐波比。     

基于改进粒子群算法的独立热电联供微电网优化运行

微电网运行时需要考虑到运行成本及环境污染等诸多因素,现提出了一种基于改进粒子群算法的优化模型,针对微电网中发电成本及污染气体排放等问题建立目标函数,使得其在不同条件下可以选择不同的调度方案;同时以某个目标为例,选择发电成本和环境污染的权重比为9∶1和1∶9时得到了2种优化后的调度方案,结果表明使用改进后的粒子群算法可以实现对独立热电联供微电网的优化。     

基于量子粒子群算法的制造网格资源调度问题研究

对制造网格资源调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解。该算法采用整数编码方式,将网格资源调度问题转化成准连续优化问题,并采用加权目标组合的方式处理多目标条件。最后通过具体实例,对该算法进行了仿真验证,结果表明,在求解制造网格资源调度这类NP—Hard问题时,量子粒子群算法能获得比遗传算法更优的求解效果。     

基于量子粒子群算法的SOC测试调度优化研究

在基于IP核复用技术的SOC(system-on-chip,SOC)芯片中,测试资源的稀缺性限制了IP核并行测试的能力,导致了SOC测试耗时过长的局面.同时SOC测试时必须满足一定的功耗约束,否则会造成测试芯片的损坏.针对SOC测试时间与测试功耗协同优化这一难题,本文采用群智能优化算法-量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法来实现这一目标.结合QPSO算法和测试调度问题,设计算法的适应度计算法则并建立测试时间与测试功耗的协同优化数学模型.通过实验确定算法中参数的最佳取值.最后利用算法搜索最优解确定IP核在TAM (test access mechanism)上的分配,实现SOC功耗与时间的协同优化.经过国际标准SOC电路验证表明在解决功耗约束下的SOC测试调度优化问题上量子粒子群算法与已有算法相比,不仅能够更好的达到缩短SOC测试时间的目的,而且算法收敛速度快,需要调整的参数少,实现简单.     

基于协同量子粒子群的自动配煤系统优化

提出了一种基于量子粒子群算法的自动配煤优化方法,该方法首先对量子粒子群进行了改进,引入协同与学习策略提高了算法的搜索性能。在对自动配煤系统数学建模时,采用加权法将其由多目标优化问题转化为单目标优化问题,再通过协同量子粒子群优化求解。实验结果表明在对自动配煤系统的优化中,协同量子粒子群具有更优秀的搜索能力,能够快速、可靠、有效地获得最优解。     

基于粒子群算法的加工参数多目标优化技术研究

在数控加工中,为了尽可能提高生产效率和降低生产成本,采用粒子群优化算法对加工参数进行多目标优化。以切削速度、切削宽度和每齿进给量为决策变量,以加工时间和成本为目标函数,并以机床性能、刀具参数、工件质量等为约束条件,建立优化模型。采用罚函数法对约束条件进行处理,将多目标问题转化为单目标优化问题进行求解。为解决粒子群优化算法优化效果受参数影响较大的问题,提出了参数自适应协同粒子群优化算法(WCVPSO),算法参数按照一定规律变化,提高了优化算法的精度和收敛速度。实际加工试验表明,提出的优化方法提高了加工效率,降低了加工成本。     

考虑负荷重要性的微电网电源容量优化配置

微电网内负荷分为重要负荷和可中断负荷。该文采用粒子群优化算法,在根据负荷特性的分布式电源选址基础上,对并网运行的高渗透微电网和低渗透微电网进行电源容量优化,并考虑电压水平、微电网对大电网的渗透性、分布式电源容量的限制,采用分布式电源折算到每年的建设费用、运行维护费用、向上级大电网售电或购电费用、网络损耗费用的经济性模型。该模型符合现实优化要求,算法求解效率高,其结果更具有实用性和经济性,对实际的微电网规划具有一定的指导意义。     

基于粒子群和约束满足的钢轧一体化批量计划优化

在分析钢铁生产中的钢轧一体化批量计划编制问题基本特征的基础上给出了一体化编制策略,并建立了问题的约束满足优化模型。针对模型的NP难特性,提出了一种将改进离散粒子群算法、约束满足和邻域搜索相结合的混合算法。算法采用自然数矩阵编码,每个粒子代表其相应任务分配问题的解;在构造启发式解的基础上,利用邻域搜索方法计算粒子的适应值;为提高算法的收敛速度,利用约束满足技术生成初始化可行种群并修复迭代过程中产生的不可行解。基于企业实际生产数据的仿真实验结果验证了模型和算法的有效性。     

基于多目标粒子群算法的节能减排调度研究

在节能减排背景下,综合考虑最小化机组煤耗量和污染物排放量,提出了求解多目标节能减排负荷调度的模型及改进多目标粒子群算法。该改进算法引入半可行域的概念处理约束条件,避免了惩罚因子复杂的选取过程;采用精英归档技术构建了外部精英集和个体非支配解集,提高了算法的收敛速度和解的质量;采用了自适应网格法维护外部精英集,获得了分布均匀的Pareto前沿;并提出了基于半可行域概念的个体极值和全局极值选取规则。利用该方法对某电厂6台机组系统进行了节能减排最优负荷调度,获得了分布良好的Pareto最优解,有效降低了系统煤耗和污染物排放量,分析结果验证了该方法的有效性和可行性。     

供应链环境下产能优化配置问题的混合粒子群算法

针对供应链环境的协作特征,研究以下游企业需求为导向的产能优化配置,建立了以最大化企业盈利、设备利用率以及下游企业需求饱和度为目标的问题模型,并设计了基于精英集的多目标粒子群算法。算法结合模型的约束特征,采用约束满足技术生成初始解,基于惩罚函数的思想设计适应度函数,并对不可行解提出了修复规则;针对多目标优化特征,在求解过程中通过建立精英集来保存非劣解,并基于Pareto最优的概念更新精英集,利用基于k-means聚类的精英集裁剪策略,来保证精英集规模和粒子的分布性。实验结果表明了模型和算法的可行性和有效性。     

自适应粒子群求解资源动态分配项目调度问题

为了解决传统任务资源固定分配难以实现动态与高效调度的问题,建立了任务资源动态分配项目调度的数学模型,给出了任务调度方案的生成算法。为了克服基本粒子群优化算法的早熟收敛问题,平衡其全局与局部搜索能力,提出了一种改进的自适应粒子群优化算法,该算法采用惯性权重因子周期性衰减和改进的变异策略以及不变位交叉法实现粒子的更新。最后对通用标准库进行了测试,结果表明,所建模型和改进算法能够有效地缩短项目工期,提高资源利用率和算法效率。     

Application of multi-objective controller to optimal tuning of PID gains for a hydraulic turbine regulating system using adaptive grid particle swam optimization

A hydraulic turbine regulating system (HTRS) is one of the most important components of hydropower plant, which plays a key role in maintaining safety, stability and economical operation of hydro-electrical installations. At present, the conventional PID controller is widely applied in the HTRS system for its practicability and robustness, and the primary problem with respect to this control law is how to optimally tune the parameters, i.e. the determination of PID controller gains for satisfactory performance. In this paper, a kind of multi-objective evolutionary algorithms, named adaptive grid particle swarm optimization (AGPSO) is applied to solve the PID gains tuning problem of the HTRS system. This newly AGPSO optimized method, which differs from a traditional one-single objective optimization method, is designed to take care of settling time and overshoot level simultaneously, in which a set of non-inferior alternatives solutions (i.e. Pareto solution) is generated. Furthermore, a fuzzy-based membership value assignment method is employed to choose the best compromise solution from the obtained Pareto set. An illustrative example associated with the best compromise solution for parameter tuning of the nonlinear HTRS system is introduced to verify the feasibility and the effectiveness of the proposed AGPSO-based optimization approach, as compared with two another prominent multi-objective algorithms, i.e. Non-dominated Sorting Genetic Algorithm II (NSGAII) and Strength Pareto Evolutionary Algorithm II (SPEAII), for the quality and diversity of obtained Pareto solutions set. Consequently, simulation results show that this AGPSO optimized approach outperforms than compared methods with higher efficiency and better quality no matter whether the HTRS system works under unload or load conditions.     

基于改进量子微粒群的轨道导引小车系统建模与优化

为提高自动小车存取系统中轨道导引小车系统的出入库作业效率,提出了一种基于改进量子微粒群的优化方法。分析了轨道导引小车系统出入库作业任务队列特征,建立了数学模型。在此基础上利用量子微粒群算法进行优化调度,并在该算法中引入高斯变异算子,克服了其容易陷入局部最优的缺点。通过仿真实验表明了方法的可行性和有效性。     

A novel optimized hybrid fuzzy logic intelligent PID controller for an interconnected multi-area power system with physical constraints and boiler dynamics

In the fast developing world nowadays, load frequency control (LFC) is considered to be a most significant role for providing the power supply with good quality in the power system. To deliver a reliable power, LFC system requires highly competent and intelligent control technique. Hence, in this article, a novel hybrid fuzzy logic intelligent proportional-integral-derivative (FLiPID) controller has been proposed for LFC of interconnected multi-area power systems. A four-area interconnected thermal power system incorporated with physical constraints and boiler dynamics is considered and the adjustable parameters of the FLiPID controller are optimized using particle swarm optimization (PSO) scheme employing an integral square error (ISE) criterion. The proposed method has been established to enhance the power system performances as well as to reduce the oscillations of uncertainties due to variations in the system parameters and load perturbations. The supremacy of the suggested method is demonstrated by comparing the simulation results with some recently reported heuristic methods such as fuzzy logic proportional-integral (FLPI) and intelligent proportional-integral-derivative (PID) controllers for the same electrical power system. the investigations showed that the FLiPID controller provides a better dynamic performance and outperform compared to the other approaches in terms of the settling time, and minimum undershoots of the frequency as well as tie-line power flow deviations following a perturbation, in addition to perform appropriate settlement of integral absolute error (IAE). Finally, the sensitivity analysis of the plant is inspected by varying the system parameters and operating load conditions from their nominal values. It is observed that the suggested controller based optimization algorithm is robust and perform satisfactorily with the variations in operating load condition, system parameters and load pattern.