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.     

基于离散粒子群算法的测试选择

本文将离散粒子群算法(BPSO)首次应用于测试选择,结合测试选择自身的特点,重新定义了粒子及其速度;通过定义带有测试选择指标的适应度函数对粒子进行优化,并根据其容易陷入局部最优的特点,引入了线性惯性权重因子;同时本文将故障发生的概率作为评价测试集优劣的一个重要指标,具有重要的应用价值.文中的实例验证了该算法的有效性,利用该算法不仅可以获得较高的故障检测率、故障隔离率及较小的测试矢量集,而且还可以很快地找到发生概率大的故障.     

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。     

基于Multi-agent和粒子群引导最小生成树的配电网重构算法

在最小生成树的基础上提出了粒子群引导的最小生成树算法,并结合粒子间互学习,优秀粒子自学习,优胜劣汰机制和Multi-agent系统的特点,构成了一种新的配电网重构算法.该方法加强了信息在环境中的传递,有效地解决了一般最小生成树的盲目性,边值的难以确定性和改进粒子群优化算法仿生学意义的不明确性等缺,点.在Multi-agent系统中,粒子通过竞争与合作,提高了粒子间的相互交流,加快了粒子向全局最优点靠拢.对粒子进行互学习和自学习操作,使算法的收敛速度得到进一步的提高.通过对PG&E69系统进行仿真,结果表明提出的算法具有计算速度快,收敛性好,求解可靠等优点.     

基于Multi-agent和粒子群引导最小生成树的配电网重构算法

在最小生成树的基础上提出了粒子群引导的最小生成树算法,并结合粒子间互学习,优秀粒子自学习,优胜劣汰机制和Multi-agent系统的特点,构成了一种新的配电网重构算法。该方法加强了信息在环境中的传递,有效地解决了一般最小生成树的盲目性,边值的难以确定性和改进粒子群优化算法仿生学意义的不明确性等缺点。在Multi-agent系统中,粒子通过竞争与合作,提高了粒子间的相互交流,加快了粒子向全局最优点靠拢。对粒子进行互学习和自学习操作,使算法的收敛速度得到进一步的提高。通过对PG&E69系统进行仿真,结果表明提     

基于粒子群算法的电力系统无功规划

对基于粒子群算法的无功规划进行了研究,建立了以无功设备投资和系统有功网损的综合费用最省作为目标的目标函数,同时将节点电压越限和发电机无功出力越限以罚函数的方式进行处理.将该算法应用到IEEE30节点系统,计算结果证明了该算法正确有效并具有较好的实用价值.     

基于粒子群算法的铁心截面优化设计

介绍变压器铁心截面积计算的数学模型、粒子群算法的基本概念及使用粒子群算法进行铁心截面优化设计的方法,并对使用效果进行了分析。     

基于差分粒子群算法的变电站选址定容规划

针对标准粒子群算法(particle swarm optimization,PSO)易陷入局部最优,差分进化算法(differential evolution,DE)后期收敛速度慢的缺点,提出差分粒子群算法(differential particle swarm optimization,DEPSO)将二者进行混合优化,提高群体的收敛速度和全局寻优能力,并应用于配电网变电站规划。在变电站选址数学模型中结合Voronoi图来确定变电站供电范围和规划容量,继而校验变电站实际负载率,简化计算过程,提高搜索效率。通过某市城区远期规划实例验证得知该算法正确有效,可以满足城区配电网的规划要求。     

基于粒子群优化粒子滤波算法的SOC估算研究

准确的获得电池的荷电状态(SOC)有助于缓解汽车行驶过程中的里程焦虑。针对粒子滤波估算SOC中存在的粒子退化的问题,将粒子群算法与粒子滤波融合的改进粒子滤波算法(GPSO-PF)算法应用于SOC的估计。在迭代中不断优化粒子所处位置,从而解决了粒子贫化的问题,提高了SOC的估算精度。同时,针对SOC估算容易受到温度的影响,建立基于温度的等效电路模型,并将其应用于提出的SOC估算算法中。选取两节相同型号的磷酸铁锂电池,分别在不同工况下利用GPSO-PF算法估算SOC值,SOC的最大估算误差均低于0.72%。通过对比,与基于温度等效电路模型相结合后,GPSO-PF算法能够有效提高SOC的估算精度。     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于改进粒子群算法的含分布式电源配电网规划

在不考虑网络扩展的情况下,建立了以包含分布式电源建设和维护费用、网损费用以及购电费用在内的配电网年费最小为目标的规划模型,并采用改进的粒子群算法对分布式电源的安装位置和容量进行优化计算,避免了粒子群算法早熟和边界聚集的问题。通过对IEEE33节点配电网系统进行仿真计算,验证了规划模型和算法的正确性和适应性。     

基于改进粒子群优化算法的多目标分布式发电规划

通过归一化处理和权系数选取,将以网络损耗最小、节点电压平均偏差最小、静态电压稳定裕度最大和总投资成本最小为目标的多目标分布式发电（distributedgeneration,DG）规划模型转化为单一目标。采用改进粒子群4~g415（improvedparticleswarmoptimization,IPSO）算法进行DG规划的优化计算,为避免陷入局部最优,对惯性权重进行非线性的自适应调整,并在计算过程中引入速度变异算子和位置交叉算子,较好地克服了计算后期易陷入局部收敛的问题。将IPSO算法应用于69节点配电网测试系统,仿真结果验证了IPSO算法是有效和可行的。     

基于改进粒子群算法的分布式电源接入规划

建立了含分布式电源的配电网规划经济性模型,以折算到每年的分布式电源的投资及运行费用和线路有功网损运行费用最小为目标函数,并应用改进粒子群优化算法进行配电网分布式电源(DG)规划,从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度。对69节点和33节点配电测试系统进行仿真计算,结果表明了论文采用的DG规划模型和改进粒子群优化算法的正确性和适用性。     

基于自适应变异粒子群算法的分布式电源选址与容量确定

在不考虑负荷新增节点的情况下进行分布式发电的布点规划,建立了以配电网年运行费用最小为目标的经济模型。模型中针对分布式电源运行费用引入固定安装费用权重因子,更准确地刻画了分布式电源接入后配电网费用的变化。同时,为克服粒子群算法存在的早熟问题,采用自适应变异的粒子群算法(adaptive mutation particle swarm optimization algorithm,AMPSO)对配电网中的DG选址和定容进行了优化。通过对IEEE 33节点配电网测试系统进行分析,验证了上述模型的准确性和求解算法的有效性。     

基于改进粒子群算法的含DG配电网无功优化

含分布式电源(DG)配电网的无功优化是一个复杂的非线性优化问题,文中采用改进的粒子群算法(PSO)对配电网进行无功优化计算,建立以系统网损和电压平均偏离最小为目标函数,节点电压和电容器投切容量为约束条件的优化模型。在PSO中引入位置方差防止PSO陷入局部最优解,根据种群中粒子的适应度值对粒子进行变异处理,在保证算法收敛速度的基础上,改善算法性能。以含分布式电源的IEEE14节点配电系统为例进行无功优化分析,结果表明DG能增强电网运行的稳定性,所提算法具有较好的优化性能。     

基于量子粒子群算法的分布式电源优化规划

针对配电网中分布式电源(distributed generation,DG)的选址和定容问题,在研究标准粒子群优化算法的基础上建立有功网损和DG运行费用最小的目标函数。考虑运行中的约束条件,利用旋转门更新的量子粒子群算法(quantum particle swarm optimization,QPSO)分析DG接入位置、容量不确定的情况下将目标函数和约束条件转换为综合目标函数,并求得最优解。对IEEE14节点配电测试系统进行算例仿真,比较仿真结果与粒子群算法优化结果,验证了QPSO在分布式电源规划上的收敛性和适应性。     

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。