水火电系统短期经济调度的遗传算法

本文研究探讨了用遗传算法进行水火电系统短期经济调度的方法。为了提高运算速度和避免不成熟收敛，对遗传算法进行了改进。算例表明，改进后的遗传算法具有较好的运算速度和收敛特性。     

基于改进粒子群算法梯级水电站短期优化调度研究

应用改进粒子群算法求解梯级水电站短期优化调度问题.考虑发电效益和存水效益结合峰谷电价建立综合效益最大模型,针对粒子群算法存在的后期收敛速度慢和易陷入局部最优等缺点,引入收缩因子和杂交算子对其进行改进.应用改进粒子群算法对水布垭水电站一隔河岩水电站一高坝洲水电站进行短期优化调度,分别采用传统优化模型和峰谷优化模型进行实例计算,结果表明实施峰谷电价,对于提高梯级水电站综合效益,同时缓解高峰期用电紧张局面有更高的应用价值;应用改进粒子群算法求解梯级水电站短期优化调度问题在求解时间、求解精度上都得到了较满意的效果.     

一种改进的水电站优化调度粒子群求解算法

重点分析了常规粒子群算法(Panicle Swarm Optimization,PSO)在水电站优化调度应用中存在的问题和出现的原因,并针对问题提出了相应的解决方法,形成了基于粒子群算法的水库优化调度改进应用方法.改进前后计算结果的对比分析表明,改进后的粒子群算法可明显提高求解水电站优化调度问题的收敛速度和求解精度.     

基于改进蝙蝠算法的水火电力系统短期优化调度

提出了一种求解水火电力系统短期优化调度问题的改进蝙蝠算法(EBA)。EBA算法在标准蝙蝠算法(BA)的基础上,采用反向学习初始化蝙蝠位置和动态自适应更新蝙蝠速度以改善种群多样性,同时采用Tent混沌映射更新脉冲发射率以提高算法的全局收敛性。在一个含4个水电厂的梯级水电站和3台火电机组的典型测试系统上进行仿真计算,结果表明相对于BA算法和其他智能优化算法,EBA算法可获得更优的发电费用。     

梯级水电站优化调度的改进粒子群算法

针对粒子群算法易陷入局部最优的缺点,提出了一种双适应度方法、动态邻域算子和随机动态调整惯性权重机制有机结合的混合改进策略.算例计算表明,该改进策略能增强粒子的局部收敛能力,加快算法的收敛速度,便于处理复杂约束条件,为求解具有复杂约束条件的非线性规划问题提供了一种简单有效的方法.文中探讨了梯级水电站优化调度的相关问题,考虑了丰枯分时电价因素,建立了梯级水电站长期优化调度数学模型,并应用改进粒子群算法进行求解.实际梯级水电站计算表明,该模型使枯水期大部分时间出力均匀平稳,丰水期能兼顾防洪和蓄水的不同要求,有利于电力系统的稳定运行.改进粒子群算法计算速度快、收敛精度高,为梯级水电站长期优化调度提供了一种简单实用的求解方法.     

基于改进粒子群算法的水库优化调度研究

在分析以往水库优化调度模型优缺点的基础上,提出了基于动态调节惯性权重的粒子群优化方法的水库优化调度模型,对基本粒子群算法进行了改进。改进的算法通过时变权重的设置来实现,从而克服了PSO搜索精度不高,易陷入局部最优的缺点,并通过引入罚函数解决强约束问题。以某综合利用水库优化调度为实例进行研究,并与动态规划模型计算结果进行对比分析,实例计算表明:改进PSO算法原理简单,易于编程实现,而且占用计算机内存小,收敛速度快,搜索效率高,能以较快的速度收敛到全局最优解,是一种有效的搜索算法。     

基于改进粒子群算法的水电站水库优化调度

文章提出了应用改进粒子群算法求解水电站优化调度问题的方法,粒子群算法模拟了鸟类群体觅食的搜索过程来寻找水电站最优调度计划。对传统粒子群算法进行了改进,克服了早熟和陷入局部最优的缺点。实例计算表明,粒子群算法可以求解具有复杂约束条件的非线性水电站优化调度问题,与经典算法相比,该算法原理简单,易于编程,占用内存少,求解精度高,收敛速度快,是一种有效的搜索算法。     

水库发电优化调度改进粒子群算法应用

为进一步提升粒子群算法在水库发电调度中的应用效果,应用粒子群算法建立水库发电优化调度模型,从初始种群生成、寻优模式、更新策略等方面对算法进行改进,将均匀设计理念和混沌理念分别引入粒子群算法并对惯性权重进行了非线性自适应设计.计算结果与标准粒子群算法以及传统的动态规划进行了对比.结果表明,粒子群及其改进算法在水库发电优化调度中应用效果良好,综合考虑算法收敛能力、稳定性及计算耗时等指标,改进粒子群算法具有较高的实用价值.     

用改进遗传算法求解水火电力系统的有功负荷分配

水火电力系统的短期有功负荷分配在电力系统的经济运行中发挥着重要的作用，从本质上讲它是一个具有复杂约束条件的非线性大型动态优化问题，处理起来十分复杂，采用传统优化算法难以得到理想的结果。文中提出对决策变量直接采用浮点数编码技术，并根据给定的概率分布进行杂交操作和实施参数变异的改进遗传算法（RGA），用以求解此问题，最后用具体算例对该方法进行了验证。通过与二进制编码遗传算法所得结果进行对比分析，表明此法计算结果正确合理，收敛速度快，求解精度高。这也说明RGA不失为一种行之有效的优化方法，具有应用潜力。     

基于改进粒子群算法的水库优化调度研究

对粒子群优化算法易陷入局部最优的缺点作了改进,提出了一种带有扰动项的改进的粒子群优化算法,并将其应用于水电站水库优化调度中。实例计算证明,改进后的粒子群优化算法具有较好的全局搜索能力,能够有效克服陷入局部最优的缺点,是水库优化调度比较有效的方法。     

考虑禁止区间约束的水火电力系统短期调度优化

由于火电机组组件的物理限制,发电机在某些区间内运行,会使其轴承振动放大,这对于机组的运行来说是不利的。基于上述原因,提出了一种含有火电机组禁止运行区间约束的水火联合调度优化模型。禁止区间约束条件采用逻辑运算的方式构建,并以惩罚项的形式加入到适应度函数中。基于MATLAB软件,运用SSA算法对包含6台火电机组和4个水电厂的梯级水电站群的测试系统进行仿真计算,与PSO算法与GWO算法对比,计算结果表明所提模型的合理性,以及SSA算法在求解该问题时的有效性。     

粒子群算法在水电站日优化调度中的应用

针对传统的动态规划方法求解水库优化调度问题存在的“维数灾”问题,给出一种全局随机优化算法[1]——粒子群优化算法并应用于水库日优化调度问题中。相对于动态规划,该算法原理简单,易编程,占用计算机内存少,能以较快的速度收敛到全局最优解,从而为分时电价环境下的水电站日优化调度问题提供了一种有效的解决办法。     

水电站机组优化组合的混合粒子群优化算法

机组组合是水电站短期发电计划中一个非常重要的问题,合理的组合运行能带来显著的经济效益,开展对机组优化组合的可行性和有效性研究有重大的现实意义。建立了该问题的数学模型,并提出了混合粒子群算法（Hybrid Particle Swarm Optimization,HPSO）的工程实现方法,采用量子粒子群算法解决机组方案的确立,并采用粒子群算法求解负荷经济分配。设计了粒子的适应度计算方法和速度更新方法,提出了HPSO算法的求解步骤。仿真分析表明：HPSO算法求解机组优化组合问题是可行和有效的,该算法实现简单,具有更快更好的收敛性能。     

基于混合PSO算法的梯级水库优化调度研究

提出基于混合粒子群优化（PSO）算法求解流域梯级单目标优化调度问题方法的一般结构,并对三峡梯级的发电和洪水优化调度问题进行了研究。该算法利用离散微分动态规划法（DDDP）算法对粒子群优化算法的gBest粒子进行二次寻优,加快了算法的收敛速度和精度。     

基于粒子群优化算法的盲图像复原技术研究

针对高斯模糊及失焦模糊图像,提出利用粒子群优化算法鉴别模糊图像的PSF,再将鉴别后的PSF与模糊图像进行Wiener滤波复原,得到估测复原图像,并计算其目标函数值,判断图像是否清晰,决定粒子的演化方向。根据PSO的演化机制,经过N个迭代的计算,粒子最后会收敛在最佳解上,此时得到的估测复原图像最接近原始图像。仿真实验表明,本算法比其他复原算法具有更好的复原效果。     

改进粒子群算法在梯级水库优化调度中的应用

针对粒子群优化算法搜索精度不高和易陷入局部最优解的缺陷,结合梯级水库联合优化调度的实际问题,提出了惯性权重的余弦处理机制和自适应选择学习对象策略,并结合分层交叉思想对粒子群算法进行了改进。实例计算表明:该算法合理、可靠,有效地提高了计算精度与效率。     

水火电力系统短期优化调度的不确定性模型

分析了电力市场中日前交易与实时交易的关系,考虑了水火电力系统的水力联系和电力联系,针对各种不确定性因素的影响,基于机会约束规划提出了一种新的水火电力系统短期优化调度的不确定性模型。允许所形成的调度方案在某些比较极端的情况下不满足约束条件,但这种情况发生的概率必须小于某一置信水平。兼顾日前交易和在此计划下可能存在的实时交易的费用,实现系统的火电机组和用以实时平衡的功率调整的费用最小化,并针对该模型给出了基于粒子群算法和蒙特卡罗仿真的求解方法。算例仿真说明了该方法的有效性。     

基于混合微粒群算法的堆石坝土石方调配计算

基于微粒群算法和模拟退火算法,构成混合微粒群算法.建立混合微粒群算法数学模型,用于堆石坝土石方调配计算.在河口村水库面板堆石坝土石方调配计算的应用中,计算成果为施工组织设计提供了较为详尽、可靠的数据支持.与其他算法相比,利用混合微粒群算法解决土石方调配问题方便、可行.     

混沌粒子群优化算法在马斯京根模型参数优化中的应用

针对目前马斯京根模型参数率定中存在的求解复杂、精度不高等问题,本文将混沌搜索机制引入粒子群优化算法中,构建混沌粒子群优化算法对马斯京根模型参数进行率定。这种方法利用混沌运动的遍历性,改善了粒子群优化算法的全局寻优能力,避免算法陷入局部极值,使得粒子群体的进化速度加快,提高了算法的收敛速度和精度。通过实例应用表明,混沌粒子群优化算法可以有效地估算出马斯京根模型参数,优化效果明显优于粒子群优化算法及试错法,因此该算法具有很好的实用性。