基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

基于禁忌搜索-免疫粒子群算法的无功优化

在考虑经济性网损的基础上,研究了电压稳定对无功的影响,建立了多目标无功优化的数学模型,采用模糊权重法将多目标无功优化转化为单目标无功优化进行求解。针对粒子群算法易早熟和后期收敛性差的缺点,提出免疫算法和禁忌搜索算法协同进行机制,并将该算法应用于IEEE-30节点系统上进行测试,证明了改进粒子群算法的有效性。     

基于改进粒子群优化算法的配电网络重构

提出了一种求解配电网络重构的改进粒子群优化（PSO）算法。结合配电网络的特点改进了PSO算法粒子位置的更新规则，提高了迭代过程中有效解的产生概率；并结合禁忌（Tabu）搜索的记忆功能和藐视准则，克服了PSO算法的早熟问题。算，其结果与最优解吻合，证实了算法的有效性，并与较，表明了算法具有更好的搜索效率。最后对3个典型IEEE测试系统进行优化计Tabu搜索算法和遗传算法的计算结果相比     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

基于双重混合粒子群算法的配电网重构

为进一步优化配电网运行结构,将混合蛙跳思想引入粒子群算法,结合配电网结构简化、支路分组,提出一种基于双重混合粒子群算法的配电网重构策略。为提高粒子搜索效率、防止算法早熟,首先,等效简化配电网结构图,对支路分组,缩短编码维数;其次,将各粒子依据一定规则分组,采用基于混合蛙跳思想的二进制粒子群算法进行支路组搜索,且对粒子历史最优值进行多次分组,组内搜索采用二进制粒子群搜索算法。运用该方法分别对IEEE33节点配电系统和136节点配电系统进行仿真,并与遗传算法和粒子群遗传混合算法进行对比分析,结果表明该方法收敛速度快,可得到最优网络重构结果,有效降低网损。     

混沌粒子群优化算法在配电网无功优化中的应用

针对电力系统无功优化的特点,提出了一种基于传统粒子群优化(PSO)算法的改进型智能算法——混沌粒子群优化(CPSO)算法。CPSO算法采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值,利用该算法分别对IEEE14和IEEE30节点系统进行仿真测试。仿真结果表明,CPSO算法相对于PSO算法,优化效果理想,收敛速度快。     

基于混合粒子群算法的配电网滤波器优化配置研究

将人工萤火虫算法、禁忌算法与粒子群算法相结合,提出一种混合粒子群算法,并将其应用到电力系统滤波器优化配置中,用于减轻电网谐波污染。建立滤波器的基本模型,以滤波器投资最少为目标函数,采用混合粒子群算法进行寻优,得到滤波器相应优化参数。通过IEEE实例仿真分析,验证了所提改进算法及模型的正确可行性。     

粒子群优化算法及其在机组优化组合中应用

应用粒子群优化(PSO)算法对电力系统的机组优化组合问题进行研究,介绍了算法原理,分析了算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并以常用的测试函数进行验证,建立了相应的数学模型,并以IEEE3机6节点电力系统为实例进行研究。分析结果表明,PSO算法较之常用的遗传算法和混沌优化等算法,在算法结构、计算时间、搜索区间控制以及收敛速度等方面具有较好的特性,验证了该方法的有效性。     

基于改进粒子群算法混合储能优化调度

大多数风电储能调度研究从经济运行成本或环境保护成本出发,调度方案缺少对储能投资企业收益和风电消纳的研究,考虑储能经济收益和风电功率消解对调度的影响,提出了一种基于改进粒子群算法的风电混合储能优化调度方法。首先建立一种蓄电池和超级电容混合储能的储能方案;其次基于分时售电、电价差异的影响因素,建立了以储能经济收益最大和风电功率消解最大的优化调度模型;最后提出了一种基于粒子群的改进优化算法,粒子群算法引入帕累托排序和拥挤度排序法,并进行了理论分析和仿真验证。结果表明,只考虑储能经济收益最大时收益明显增加,只考虑风电功率消解最大时消解明显增多,同时考虑储能经济收益最大和风电功率消解最大双目标时,对于两种目标,均有较好的优化结果。     

基于量子粒子群算法的混杂系统参数辨识

针对电力电子电路的混杂系统模型的参数辨识问题,提出运用量子粒子群算法(QPSO)对电力电子电路中元器件的参数进行辨识,相对于传统的参数辨识,该方法能更加精确的辨识元器件.先测试函数证明算法的辨识性能,然后以非理想Boost电路为例,求解得到电路中所有关键元器件的特征参数值,在仿真中与基本算法和遗传算法(GA)比较,最后...     

Optimal Power Flow Using a Hybrid Optimization Algorithm of Particle Swarm Optimization and Gravitational Search Algorithm

Abstract—This article presents a hybrid algorithm based on the particle swarm optimization and gravitational search algorithms for solving optimal power flow in power systems. The proposed optimization technique takes advantages of both particle swarm optimization and gravitational search algorithms by combining the ability for social thinking in particle swarm optimization with the local search capability of the gravitational search algorithm. Performance of this approach for the optimal power flow problem is studied and evaluated on standard IEEE 30-bus and IEEE 118-bus test systems with different objectives that reflect fuel cost minimization, voltage profile improvement, voltage stability enhancement, power loss reduction, and fuel cost minimization with consideration of the valve point effect of generation units. Simulation results show that the hybrid particle swarm optimization–gravitational search algorithm provides an effective and robust high-quality solution of the optimal power flow problem.     

基于混合粒子群算法的分布式微网电源规划

将自然选择机理与粒子群算法结合应用到可再生能源分布式微网电源规划中,应用罚函数法引入约束条件,建立微网电源规划模型,以满足负荷、成本的需求。在实际算例中将混合粒子群算法与基本粒子群算法进行对比,说明了混合例子群算法在分布式微网电源规划中的有效性。     

遗传粒子群混合算法在配电网络重构多目标优化中的应用

针对配电网络重构多为单一性能最优重构的问题,文章提出了使配电网线损、负荷均衡、供电电压质量最佳的多目标配网优化模型。结合GA中的进化思想和粒子群算法(PSO)中的群体智能技术,采用遗传粒子群混合算法寻优,通过随机权重方法来获得目标是Pareto前沿面的可搜索方向,体现出较GA和PSO更好的寻优性能。寻优过程中,部分个体以PSO方法迭代,其它个体进行GA中的选择、交叉和变异操作,整个群体信息共享,同时采用自适应参数机制和优胜劣汰的思想进化。在此基础上制定的配网优化方案能够在保证配网呈辐射状、满足馈线热容、电压降落要求和变压器容量等的前提下,最大限度地提高配电系统安全性和经济性。算例表明该算法在求解性能和效率两方面都有比较显著的优势。     

基于混合粒子群算法的短期负荷预测模型

由于电力负荷内在的非线性特性,传统基于梯度搜索的参数辨识技术可能陷入局部最优,影响了预测精度,故提出了混合进化和粒子群优化算法。将进化算法的基本思想引入粒子群优化算法,不但保持了粒子群算法结构简单、易于实现的特点,而且充分发挥了进化算法的全局搜索能力,可有效提高算法的精度和收敛速度。对上海地区电网进行短期负荷预测,与实际值相比较,结果表明,该算法具有较高的预测精度,是一种有效的短期预测方法。     

基于改进粒子群算法的电力系统无功优化研究

阐述了一种改进粒子群的无功优化方法.粒子群优化(PSO)算法是进化计算领域中的一个新的分支,其源于对鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,文章提出混沌粒子群算法,该算法可以较好地避免PSO算法过快收敛于局部最优解,有较快的收敛速度.文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的.     

基于粒子群算法的故障测试集优化

为加速测试进程和减少测试开销,数字集成电路在生成测试矢量后必须进行故障测试集的优化。文中利用粒子群优化算法生成最小完备测试集,根据故障测试集优化问题的具体特点,构造粒子的表达方式和编码规则,建立粒子群的速度一位置模型;同时为提高优化效率,引入混沌优化算法来初始化粒子群。实验结果表明,在测试生成后,该方法能在较短的时间内生成最小完备测试集,验证了它的实用性和有效性。