邻域退火粒子群算法在配电网重构中的应用

为求解多目标非线性整数组合优化的配电网络重构问题,建立了以电压均衡指数和网损为目标的配电网重构数学模型。为了克服粒子群算法容易局部收敛的不足,提出了一种基于正态分布的局优邻域闭锁方法的退火技术的粒子群算法(LA-PSO),改进了扰动机制,设计了自适应退火策略,对邻域内的粒子执行并行化退火操作,从而弥补粒子群算法爬山能力的不足,提高了算法的全局寻优能力。用3个不同规模的算例测试提出的算法并与基本算法的性能进行了比较。结果表明,该算法有效改进了粒子群优化算法的局部收敛问题,与单一算法相比,在收敛特性、全局寻优能力和稳定性等方面都有所提高。     

基于自适应折射学习和精英搜索SSO算法的电力系统无功优化

对电力系统无功优化问题进行研究,提出了一种基于自适应折射学习和精英搜索SSO算法(ARLESSO)的电力系统无功优化方案。针对群居蜘蛛优化(SSO)算法易于陷入局部最优和收敛精度不高的缺陷,引入多功能子族群划分策略:依据蜘蛛个体适应度大小,动态地将蜘蛛种群划分为精英群、扰动群和保持群;精英群和扰动群分别采用精英搜索和自适应折射学习进化机制,以提高算法全局深度搜索能力和种群样本多样性,在此基础上,构建最小网络损耗无功优化模型,并采用ARLESSO算法进行问题求解。IEEE节点测试系统仿真结果表明,同其他无功优化方案相比,所提算法全局寻优能力更强、精度更高,并且能够有效给出电力系统无功优化结果。     

基于改进粒子群算法的微网优化运行

微网作为分布式电源并网的一种有效途径,其优化运行成为研究的重要课题之一。在多方利益的权衡下,考虑了经济成本、环境成本、网损和节点电压偏差等多个运行指标对微网的优化运行进行建模;引入精英反向学习策略和最劣粒子排斥法对粒子群算法(particleswarmoptimization,PSO)进行改进,并将其用来解决多目标多约束的微网优化运行问题,在搜索过程中对当前最优粒子进行混沌扰动,以加强局部探索能力,提高粒子跳出局部最优解的能力。在相同的条件下,分别用改进前后的算法求解所建立的微网优化运行模型,优化结果验证了改进后算法的优越性。     

基于差分策略的多目标电力系统无功优化

针对计及有功网损、电压偏差和电压稳定裕度的多目标无功优化问题,提出一种基于差分策略的粒子群算法对多目标电力系统无功优化进行求解。在粒子的速度更新操作中引入差分策略,防止算法陷入局部最优;应用目标序列排序矩阵评价个体适应度,根据适应度大小选择最优引导粒子;该算法在寻优机制中嵌入非劣排序和拥挤距离排序以对种群实施精英选择操作,使算法快速收敛到Pareto前沿;引入自适应参数调整策略,提高了算法的鲁棒性。对IEEE14节点系统和IEEE 30节点系统进行测试仿真,结果验证了所提方法的有效性和可行性。     

梯级水电站群优化调度多目标量子粒子群算法

为科学求解梯级水电站群多目标优化调度模型,提出一种基于量子行为进化机制的多目标量子粒子群算法(MOQPSO)。该方法以标准量子粒子群算法(QPSO)为基础,引入外部档案集合存储非劣粒子,利用个体支配关系实现档案集合的动态更新维护;依据个体领导能力优劣选择粒子历史最优位置与种群全局最优位置,维持搜索过程中个体进化方向的多样性;采用混沌变异算子对个体进行局部扰动,提升算法的全局收敛性能。乌江流域模拟调度结果表明,所提方法具有良好的收敛速度与寻优能力,可快速获得兼顾梯级水电系统经济性与可靠性要求的Pareto解集,能够为工程人员提供科学的决策依据。     

云计算多目标任务调度的优化粒子群算法研究

针对传统粒子群算法求解云计算多目标任务调度的收敛速度慢、精度低的缺陷,提出一种优化多目标任务调度粒子群 算法(MOTS-PSO)。 首先,引入非线性自适应惯性权重,改变粒子的寻优能力,避免算法陷入局部最优;其次引入花朵授粉算法 概率更新机制,平衡粒子的全局搜索和局部寻优,并对粒子的全局搜索位置更新公式进行改进;最后引入萤火虫算法,产生“精 英解”对局部搜索位置更新公式进行改进;同时利用“精英解”对粒子的位置进行扰动,跳出局部最优状态。 实验表明,MOTS-PSO 算法在收敛速度和收敛精度上,比 PSO 算法提高了 27. 1%、19. 9%,比 FA 算法提高了 22. 09%、5. 2%。 进一步实验表明, MOTS-PSO 算法在解决不同规模数量的任务调度时,比 PSO、FA 算法效果更优。     

改进PSO算法在电力系统无功优化中的应用

将改进后的粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法运算过程繁琐、收敛精度不高、易陷入局部最优的缺点。该优化方法对粒子群算法进行了如下改进:采用简化粒子群优化方程和添加极值扰动算子两种策略,提出了简化粒子群优化(简称SPSO)算法、带极值扰动粒子群优化(简称DPSO)算法,将二者结合起来提出了带极值扰动的简化粒子群优化(简称DSPSO)算法。DSPSO以更小的种群数和进化代数获得了非常好的优化效果,使PSO算法更加实用化。对IEEE 6节点进行无功优化计算,并与其它算法进行了比较,表明该算法具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法。     

基于最优引导策略的分布式电源优化配置

针对分布式电源(distributed generation,DG)在配电网中的优化配置问题,考虑投资综合成本衡量方案的经济性、用系统网损衡量方案的环保性、用电压偏差衡量方案的电压稳定性,建立了分布式电源多目标优化配置模型。运用改进的多目标粒子群算法对分布式电源配置模型进行求解,引入最优极值引导策略对多目标粒子群算法的全局最优值选取进行改进,将非支配排序和精英保留策略嵌入算法中,有效地提高了算法的全局寻优性能,使算法能够快速有效地收敛到Pareto最优前沿。并以IEEE33节点配电网标准测试系统为例,对分布式电源的安装位置和容量进行优化,将所得到的结果与NSGA II算法进行比较,结果表明算法具有更好的全局收敛效率和寻优能力。     

基于自学习迁移粒子群算法及高斯罚函数的无功优化方法

针对粒子群算法在求解无功优化问题时存在早熟收敛,易陷于局部最优的现象,提出了自学习迁移粒子群算法(self-learning migration particle swarm optimization,SLMPSO).该算法在采用混沌序列对粒子群进行初始化操作,基于云模型理论的X-条件云发生器对粒子的惯性权重进行自适应调整的基础上,引入一种迁移操作,以引导全局最优粒子的飞行方向,解决粒子群后期朝单一进化方向进化的问题,有效地增强了算法的全局寻优能力.针对电力系统无功优化中的离散变量归整问题,首先将离散变量完全化为连续变量进行迭代求解,在寻求至全局最优解后引入高斯罚函数对离散变量进行归整操作.以网损和电压偏离最小为目标,对IEEE标准30节点算例进行仿真计算,验证了所提算法的有效性和可行性.     

用于配电网多目标无功优化的改进粒子群优化算法

针对配电网多目标无功优化的应用需求以及优化算法存在的收敛性和多样性问题,基于Pareto熵的多目标粒子群优化算法,提出一种应用于多目标无功优化的改进粒子群优化算法。该算法在全局外部档案更新过程中引入冗余集策略,避免迭代过程中陷入局部最优解。将算法应用于配电网无功优化中时,采用离散变量取整方法,加快算法的收敛速度。建立网损、电压偏差及无功补偿装置投资最小的配电网多目标无功优化模型,并以IEEE 33节点配电网络为算例进行仿真,结果表明改进后的算法兼顾了优化的收敛性和多样性,能够在不同的优化要求下得到有效的无功优化方案。     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散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。     

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。     

多时段可中断负荷调度的智能优化算法

考虑多个可中断用户的多时段可中断负荷优化调度问题一般是一个多目标的组合优化问题,建立了一个多时段多目标可中断负荷优化调度模型,可考虑中断补偿费用最小化和中断频率最小化等多个优化目标,并计入不同可中断用户的不同中断特性和时段耦合约束。给出了应用离散二元粒子群优化算法的多时段可中断负荷调度问题求解方法。基于一个含19个可中断用户和16个时段的可中断负荷调度问题的算例仿真,通过比较采用离散二元粒子群优化算法和遗传算法的优化结果,表明离散粒子群算法在收敛解的质量上优于遗传算法。     

多时段可中断负荷调度的智能优化算法

考虑多个可中断用户的多时段可中断负荷优化调度问题一般是一个多目标的组合优化问题,建立了一个多时段多目标可中断负荷优化调度模型,可考虑中断补偿费用最小化和中断频率最小化等多个优化目标,并计入不同可中断用户的不同中断特性和时段耦合约束.给出了应用离散二元粒子群优化算法的多时段可中断负荷调度问题求解方法.基于一个含19个可中断用户和16个时段的可中断负荷调度问题的算例仿真,通过比较采用离散二元粒子群优化算法和遗传算法的优化结果,表明离散粒子群算法在收敛解的质量上优于遗传算法.     

含分布式电源的配电网扩展规划研究

建立了分布式电源和线路年综合费用最小、线路损耗最小和分布式电源安装容量最大的多目标函数规划模型,针对多目标优化问题,提出了一种改进的多目标粒子群优化算法。网架规划采用离散二进制粒子群算法,分布式电源规划采用改进的粒子群算法。该算法利用Pareto非支配排序和计算拥挤距离方式更新粒子的个体最优位置和全局最优值。针对粒子群算法容易陷入局部最优的问题,引入Boltzmann学习策略,在算法前期温度较高粒子能够向不同的粒子学习,保持粒子个体多样性,提高算法全局寻优能力。在算法后期温度降低粒子群将向全局最优粒子学习,提高收敛速度。最后将该算法应用于某10KV配电网扩展规划,结果表明文中提出的方法能够得到合理的配电网扩展规划方案,并且提供了多样化的解集,方便用户根据实际情况灵活选择方案。     

基于MSI-APSO算法的多目标无功优化

采用多策略融合自适应粒子群优化(MSI-APSO)算法求解电力系统多目标无功优化。该算法采用分阶段调整加速因子,根据适应值自适应调整惯性权重,以平衡算法局部搜索和全局搜索的能力;同时,基于群体信息改善部分性能差的粒子,迭代性能改善后的粒子,并采取速度保持策略,以提高算法的搜索准确度与收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并采用MSI-APSO算法求解该模型。最后对IEEE 14和IEEE 30节点系统进行算例仿真,仿真结果证明了该算法在收敛速度和优化效果上具有比其他几种改进PSO算法更佳的性能,能有效求解电力系统多目标无功优化问题。     

基于多Agent粒子群优化算法的电力系统经济负荷分配

为更好地解决电力系统中经济负荷分配非连续、非凸、非线性的优化问题,提出一种新的基于多Agent系统竞争与合作机制的多Agent粒子群优化算法。该算法以粒子群算法和智能体技术为基础,将粒子群算法的群搜索特征和智能体的智能搜索特征相结合,使粒子在搜索过程中利用群体信息,环境信息共同决定搜索策略。每一个Agent相当于粒子群优化算法中的一个粒子,通过与其随机选取的邻居的竞争、合作操作,能够充分获得问题信息并自适应地权衡粒子的全局探索能力和局部开发能力,可更快、更精确地收敛到全局最优解。对IEEE3节点,IEEE13节点和IEEE40节点系统的仿真结果表明,该算法在求取电力系统ELD问题时具有较高质量的解和运行速度。     

基于改进MNPSO算法的微电网经济运行优化研究

为研究各种改进的粒子群优化算法对微电网的经济运行优化,通过构建微电网经济运行优化模型,用多个正态随机数扰动粒子群算法速度和位置的演进方向,对比了改进粒子群算法的收敛性和不同应用环境下的优化性能,采用实际简单协调风光储的微电网算例进行验证分析,证明了改进算法的优化效果并验证了优化微电网经济运行的科学性。     

流域梯级水电站群优化调度的多向导粒子群算法

针对发电侧市场开放后流域发电公司追求发电效益最大的特点,建立以流域梯级总收益最大为目标的梯级水电站群优化调度模型。为克服粒子群优化算法在迭代后期种群趋同化严重的弊端,在动态自适应惯性权重粒子群算法基础上提出一种多向导粒子群算法。该算法在粒子飞行方向上引入多向导策略：在粒子种群最优向导上引入最优向导集使种群最好解及其他较好解均有可能成为种群最优飞行向导;在个体最优向导上引入全面学习思想,使每个粒子以一定概率向其他粒子个体最好解学习。最后以我国西南某流域2库5级梯级水电站群为例进行计算,结果表明所提算法比相关方法更优。     

随机差分变异粒子群混合优化算法

针对传统粒子群优化算法与差分进化算法都易出现早熟等问题,提出了一种随机差分变异粒子群混合优化算法。算法结合粒子群与差分算法的各自特点,首先采用差分变异方法产生试探性候选个体,再将其代入到粒子群速度更新公式,引导粒子飞行方向,从而扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解,采用随机差分变异方式对当前最优粒子进行扰动,使算法在有效提高局部开采能力的同时,有效避免停滞现象的发生。算法分别在单峰及多峰等8个测试函数上与3个相关算法进行对比实验,实验结果表明,新的混合算法优于其他对比算法,有效提高了算法的性能。