基于改进多元宇宙算法的主动配电网故障定位方法研究

针对现有智能优化算法在求解主动配电网故障定位问题时存在的收敛速度慢、易陷入局部最优解、容错性差、种群质量低等问题,提出一种改进的多元宇宙优化算法(improved multi-verses optimization, IMVO)。首先构建具有容错能力的主动配电网模型,根据故障定位问题的特点对多元宇宙的种群进行离散化编码。其次将自适应精英策略融入改进算法的多元宇宙种群的更迭中,以保证多元宇宙的种群质量。设计基于非线性曲线变化的虫洞存在概率(wormhole existence probability, WEP)与旅行距离率(travel distance rate, TDR)的更新机制,以提高算法前段搜寻相对最优宇宙的能力与后段调整最优探测距离的精度。最后通过自适应突变操作增强改进算法的局部搜索能力,进而提高全局寻优能力。仿真实验结果表明,改进多元宇宙优化算法在单点、多点以及信息畸变故障定位中全局寻优能力显著,相较于其他优化算法在解决配电网故障定位问题上具有更高的准确率与收敛速率。     

基于IBBDE算法的交直流混联系统无功优化

随着高压直流输电工程(HVDC)投产规模持续增长,交直流混联电网的格局初步形成,给传统电网无功优化带来挑战。文中提出一种改进骨干差分进化算法(Improved Bare-bones Differential Evolution,IBBDE)求解交直流混联系统无功优化问题。在骨干差分进化算法的基础上,IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率的改进措施以提升种群的全局寻优能力。以含HVDC的IEEE 30节点系统为算例进行分析,结果表明,与差分进化算法和骨干差分进化算法相比,所提IBBDE算法可获得更优的无功优化效果,且寻优稳定性更好。     

基于准定向变异和变异回滚微分算法的风电场无功补偿

电网无功补偿方案求解是高维非线性寻优问题,大规模风电场的接入增加了求解这一问题的难度。微分进化算法是求解此类问题的有效算法,但该算法对初始种群依赖性强且前期寻优逼近能力弱,因此提出准定向变异和变异回滚策略对其进行改进。以全网母线电压偏移和为目标函数,以基于准定向变异和变异回滚策略的改进微分进化算法为求解工具,建立求解大规模风电场无功补偿方案的计算模型。与普通微分进化算法相比,该算法在寻优初期具有寻优能力强且快速逼近最优解的优点,其确定的补偿方案可明显提高地区电网的电压水平。     

基于改进双粒子群算法的舰船电力系统网络故障重构

舰船电力系统环形网络故障重构本质上是带约束的多目标非线性组合优化问题。为了解决舰船电力系统发生故障时的供电恢复问题,提出了一种改进双粒子群优化算法进行求解。此算法分为主、辅两个粒子群,主粒子群改进了种群初始化、自适应调整惯性权重和学习因子,提高了主粒子群算法的全局寻优能力。同时,辅助粒子群还采用改进的混沌局部搜索策略,增强了种群多样性及局部寻优能力,有效地解决了粒子群算法中容易陷入局部极值的问题。通过系统仿真,分别将几种不同的优化算法进行比较。结果表明该算法具有很高的搜索效率和寻优能力,能有效地提高故障恢复的速度与精度,在处理舰船电力系统网络故障重构方面具有较好的效果。     

基于NW小世界的量子进化算法在无功优化中的研究

针对量子进化算法的早熟问题,提出了一种适于电力系统无功优化的NW（newman-watts）小世界量子进化算法。该算法引入了NW小世界网络模型,以一种新颖的随机加边方式动态改变种群个体的邻域拓扑结构,从而保证了整个优化过程中的种群多样性,提高了算法的全局搜索能力。应用该算法对IEEE-14节点和IEEE-57节点系统进行无功优化的仿真分析,结果表明,NW小世界量子进化算法在电网无功优化计算中具有较强的全局寻优能力和较高的收敛精度。     

基于改进郊狼算法的新能源制氢能量优化调度

针对离网风光互补发电波动性较大及使用氢能进行电能消纳时带来的电网稳定性较差等问题。以建立典型的离网微电网系统框架模型为基础,采取寻优性能高效的改进郊狼优化算法,以微电网功率过剩和不足最小为目标函数,对磷酸铁锂电池组和质子交换膜(proton exchange membrane, PEM)电解槽功率进行合理调度优化。针对算法在模型求解时收敛速度缓慢、易陷入局部最优等不足进行改进,引入一种可变分散概率的郊狼成长和受全局影响的种群间个体交换方法。在提高收敛速度的同时,降低陷入局部最优解的可能。算例分析显示,改进后的郊狼优化算法寻优能力更强,收敛速度更快,可以有效解决微电网中能量调度优化问题。     

一种基于PSO-GWO的电网故障诊断方法

针对基本优化算法在电网发生复杂故障时求解的准确度不高、易陷入局部最优等问题,提出了一种粒子群混合灰狼算法(Hybrid Algorithm of Particle Swarm Optimization and Grey Wolf Optimization,PSO-GWO)优化电网解析模型的诊断方法.引入了一种计及误动、拒动等完备故障信息的完全解析模型,以应对复杂故障时产生的不确定问题.利用粒子群算法具有个体记忆性的特点,提出了一种与灰狼算法在结构上混合的优化算法.通过包含不确定信息的算例分析,发现混合算法具有平衡算法的局部搜索和全局开发的能力,并且诊断结果能够对故障情况作出解释,验证了混合算法比基本算法更适用于电网故障诊断.     

基于改进微分进化算法的电力系统无功优化

提出了一种改进的微分进化算法求解电力系统无功优化问题。在进化过程中，该算法根据进化情况采用动态参数调整机制提高算法的搜索效率，并且对种群重叠状况进行实时监视，对重叠个体利用混沌搜索策略来进一步提高算法的全局寻优能力。通过对IEEE 6、IEEE 30、IEEE 118标准测试系统及某地区实际系统的无功优化问题计算及结果分析表明，文中提出的改进微分进化算法高效、且全局寻优能力强。     

改进小生境粒子群算法应用于电网故障诊断

通过对电网中断路器、保护等设备动作信息分析,建立适合智能算法优化的电网故障诊断分析模型。电网故障模型维数高、离散型、非线性、动态性等特点对智能算法寻优性能要求极高。粒子群优化算法在多维函数寻优、动态目标寻优等方面有着收敛速度快、求解质量高和鲁棒性好等优点。针对电网故障模型的特点,从基本粒子群优化算法的优化特性出发,引入小生境搜索的思想,提出了改进的小生境粒子群优化算法。算例结果表明,改进的优化算法大幅度提高了搜索速度和收敛精度,从根本上提高了电网故障定位精度和故障抢修的反映速度,具有很好的应用前景。     

基于时段耦合特性的动态环境经济调度求解方法

基于电力系统动态环境经济调度(dynamic economic emission dispatch,DEED)在时段间的耦合特性,提出了一种改进的教与学优化算法,用于求解DEED问题,对燃料费用和污染气体排放量同时进行优化。采用反向学习策略改善种群的多样性,单时段教与学过程来提高算法的局部寻优能力,单时段贪婪选择机制在全局范围内找到新的搜索空间,平衡局部寻优与全局寻优能力。对10机39节点系统进行仿真分析,结果表明所提策略可以显著提高算法的收敛速度和收敛效果,得到高质量的解。     

基于改进贪婪算法的多场景负荷组合优化

随着售电侧市场化竞争格局的逐步形成,售电公司通过负荷组合优化,在用户侧可以提高负荷率,降低购电成本,在供电侧可以提高设备利用率,降低线路损耗,提高电网安全运行水平和供电质量。针对不同发展阶段的售电公司如何根据电力负荷的互补性、多样性整合优化用户资源的问题,首先基于用户负荷特性分析,提出了分别在购售电利益、交易电量及综合负荷率最大的场景下用户负荷组合优化模型。其次,对贪婪搜索算法进行改进,引入随机因子,解决算法在初始估计和优化效果判定上的缺陷,提高了算法求解的质量与精度。最后采用改进贪婪搜索算法求解不同场景下的组合优化模型,验证了该算法在求解该组合优化问题时具有更强的搜索能力和适应性。     

基于FVM-HGA的河流水质模型多参数识别

针对解析法求解河流水质模型的不足和传统方法在求解河流水质模型多参数识别问题遇到的困难,提出了采用有限体积法结合混合遗传算法(FVM-HGA)的参数识别算法。由于水质模型中源项的广泛存在,对流项的离散采用了满足有界性条件的非线性高精度格式-MINMOD格式。由于优化算法对参数识别反问题具有的普遍适用性,因而反演算法采用了全局寻优能力很强的遗传算法;为了克服传统遗传算法局部搜索能力较弱的缺点,采用了遗传算法与最速下降法相结合的混合遗传算法。两个算例的计算结果表明,采用FVM-HGA算法对常系数河流水质模型和变系数水质模型都能给出较好的反演结果。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

多策略改进 MPA 算法与 HKELM 的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法( MPA) 与混合核极限学习机 (HKELM)的变压器故障辨识方法。 首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特 征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进 MPA,加强全局开发能力;最后使用改 进的 IMPA 算法对 HKELM 的参数寻优,构建变压器故障诊断模型。 为验证模型有效性,分析比较常用算法优化的 HKELM 的 4 种变压器故障诊断模型。 其中 IMPA-HKELM 的诊断精度为 94. 7%,相比于另外 3 种基础算法优化的模型,诊断精度分别提升 了 5. 4%、8%、10. 7%。 结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

改进支持向量机在电力变压器故障诊断中的应用研究

针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法。通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力。通过仿真和实例进行对比分析,验证了该方法的优越性。结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力。基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了7.50%,具有一定的实用价值。     

计及保护和断路器告警信息可信度的电网故障诊断优化模型

为提高已有电网故障诊断解析模型的容错性与求解效率,提出了计及保护和断路器动作状态告警信息可信度的电网故障诊断优化模型.首先,基于保护及断路器自检信息对告警信息的可信度进行评估.其次,以保护和断路器的告警信息与期望动作状态差异最小、期望动作状态可信度最大为优化目标,构建故障诊断多目标优化模型.进一步线性化优化模型,基于加...     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...