基于粒子群-最小二乘混合算法的参数自适应故障测距方法

对于双端故障测距频域法,为了消除线路参数不确定性和双端数据不同步的影响,必须建立多维非线性故障测距观测方程进行求解,其求解方法的有效性将决定测距结果的成败,而目前采用的方法均存在着局限性。为此,利用粒子群优化算法的全局搜索能力与最小二乘迭代算法的快速精确收敛能力,提出一种基于粒子群—最小二乘混合算法的参数自适应故障测距方法。为了提高实用性,还针对前置低通滤波器和具有并联电抗器的输电线路等问题进行了研究。以1 000 kV特高压输电线路故障测距为例,进行全面仿真验证,证明了测距方案的正确性。     

基于模拟退火-最小二乘混合的故障测距新方法

输电线路双端频域法故障测距中,考虑线路参数自适应等因素后测距观测方程未知量个数将大大增加.为此,提出一种基于模拟退火-最小二乘混合的输电线路参数自适应故障测距算法,该算法充分利用了模拟退火法的全局搜索能力以及最小二乘法在初值良好情况下快速寻优能力,能有效求解含多个未知数的测距观测方程.基于EMTP的大量仿真计算验证了该算法具有较高的计算精度和稳定性.     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSO-LSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSO-LSSVM算法能获得最优的LSSVM参数,且采用PSO-LSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

粒子群优化算法和最小二乘支持向量机的 雷电过电压识别

为了提高雷电过电压的识别率,满足雷电过电压识别的实时性,提出了粒子群优化算法和最小二乘支持向量机的雷电过电压识别模型。首先提取多种特征作为雷电过电压识别的输入向量,然后采用最小二乘支持向量机设计雷电过电压识别的分类器,采用粒子群优化算法确定最合理的分类器参数,最后通过实验分析其有效性和优越性。结果表明,PSOLSSVM可以描述雷电过电压信号与特征间变化关系,提高了雷电过电压识别率,加快了雷电过电压识别速度,识别结果优于其他模型。     

基于PSO算法和Butterworth低通滤波器的参数自适应故障测距时域法

利用故障前、后线路两端电气信息,分别建立参数自适应和故障测距时域观测方程;利用粒子群优化(PSO)算法的全局寻优能力,构造相应的PSO求解模型以求取最优解,从而确保了观测方程求解的精确性和稳定性;分析了所需信息时间窗与计算冗余时间的关系.另外,提出了Butterworth前置低通滤波器方案,以消除故障暂态高频信号频谱混淆和线路参数依频特性的影响.基于电磁暂态仿真程序ATP-EMTP,采用JMarti依频线路模型建立超高压输电系统仿真模型进行全面系统的仿真验证,结果表明所提故障测距方案在精度、稳定性和实用性等方面都能很好地满足工程要求.     

基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。     

基于参数识别的时域法单端故障测距

提出了一种基于参数识别的时域单端故障测距算法,此算法利用故障环路信息,结合相模变换后的边界条件和故障模分量网络图列出测距微分方程,充分利用故障暂态信息构建测距的冗余方程组,采用最小二乘算法求解故障距离.算法不需要对侧系统参数,不受系统运行方式和频率变化的影响.经EMTP仿真验证此算法原理正确且有较高测距精度.     

双端不同步线路参数自适应时频域故障测距算法

故障测距时域法所需时间窗短,能弥补频域法的不足,但考虑线路参数不确定及双端不同步影响时,其精度和稳定性偏低。利用故障前正常状态的稳态工频相量,建立含双端不同步时间差和线路工频参数的自适应观测方程,利用粒子群优化 — 最小二乘混合算法求解;建立Bergeron模型的故障测距时域观测方程,应用粒子群优化算法求解,实现双端数据不同步及参数自适应的时频域故障测距。通过建立1 000 kV特高压输电系统模型进行全面仿真验证,结果表明,所提出的故障测距方案能在较短时间窗内实现准确故障测距,且不受线路参数变化及两端数据不同步的影响。     

基于自适应粒子群算法的目标位置测量方法

针对现有目标位置测量算法复杂和标准粒子群算法收敛速度慢的缺点,提出了一种基于自适应粒子群算法的目标位置测量方法。该方法通过自适应惯性权重平衡PSO的全局搜索和局部改良能力,通过自适应变异策略提高算法摆脱局部极值和局部寻优的能力,实现了目标位置的快速测量。仿真结果表明,该方法在测量时差精度为100ns的条件下,目标位置测量精度小于100m,且能够有效地避免早熟收敛问题,具有较快的收敛速度。     

基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用

提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法.为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡.试验结果证明:该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用.     

基于自适应粒子群的模拟电路故障诊断

为了加快模拟电路故障优化算法收敛性和优化效率,采用了一种基于自适应粒子群算法的模拟电路故障诊断方法。利用小波分解技术提取待诊断电路的测试信息作为故障特征,借助于遗传变异的思想在粒子群算法中引入"变异"理念,然后使用自适应的粒子群算法优化RBF神经网络的结构参数,实现模拟电路的故障诊断。仿真结果表明,利用自适应粒子群算法与传统的粒子群算法相比,其训练步数明显加快,扩大算法的搜索范围,从而有效提高了网络的训练速度和优化精度。     

基于自适应小生境粒子群优化算法的电力系统无功优化

针对电力系统无功优化问题,提出用自适应小生境粒子群优化ANPSO(Adaptive Niche Panicle Swarm Optimization)算法来克服粒子群优化(PSO)算法容易早熟而陷入局部最优解的缺点.以粒子的位置状况及其2个向量点积的符号动态生成小生境半径,根据各粒子之间的距离组成小生境种群.在小生境群体中运用粒子群优化算法进行寻优,对于更新后的群体根据粒子间的距离,利用共享机制改变粒子的适应度,用以提高整个群体的全局寻优能力.通过对IEEE 6、14、30和118节点测试系统的无功优化问题计算及结果分析,并且与其他算法进行比较,结果表明该算法收敛成功率高,能获得较好的解.     

基于自适应粒子群算法的MPPT控制策略

最大功率点追踪(MPPT)技术的使用使得光伏组件的转换效率大幅提升,在有遮挡的情况下,光伏阵列会呈现多峰的输出曲线,传统的MPPT方法容易陷入局部最大功率点,无法追踪到全局的最大功率点.全局算法中,传统粒子群算法存在收敛速度慢、种群容易早熟、对初始条件敏感等问题,为解决这一问题,提出了一种全新的基于自适应粒子群(ada...     

基于自适应强引导粒子群算法的电力系统无功优化

在简单比较遗传算法、模拟退火算法、Tabu算法、传统粒子群无功优化算法的基础上,提出一种改进的粒子群无功优化算法印自适应强引导粒子群的电力系统无功优化算法,该算法在粒子群算法的基础上引入强引导思想,在搜索初期,利用数学中的外推技巧对粒子位置的更新加以引导,减少算法随机性,利用群体适应度方差判别种群的多样性,并相应调整变异概率作出变异判别实现自适应更新粒子速度和位置,提高全局和局部搜索能力,进一步解决寻优后期粒子可能陷入早熟收敛的问题,可以更有效地搜索到全局最优解.通过对福建某高压配电网进行无功优化,本文算法优化后最优降损率可达15.3％,最低电压从0.8950pu提高到0.9973pu,结果表明本文算法及模型的可行性和有效性.     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题。该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力。通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收 敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题.该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力.通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快.     

基于粒子群算法适应度的变压器匝间短路保护方案

为了实现匝间短路的灵敏识别,根据匝间短路对变压器等效电路的影响,提出一种基于粒子群适应度的匝间短路保护方案。首先,根据变压器有功损耗方程构建用于电阻参数辨识的适应度函数;然后,采用粒子群算法展开辨识,得到寻优空间的最小适应度值;最后,基于最小适应度值构造判据识别匝间短路。计及过渡电阻、测量噪声对保护有效性进行仿真验证的同时,分析影响保护灵敏度的因素,并与基于回路平衡方程、励磁电感的保护原理进行灵敏度对比,最后开展动模试验,得出结论：此方案用于匝间短路识别具有很高的灵敏度,并且可以避免参数计算误差的影响;识别效果不受负载影响,在一定大小过渡电阻影响下,灵敏度仍然较高;相比于上述其他两种保护,识别效果更优;动模试验验证了保护的实用性。