含分布式电源的改进PSO算法配电网无功优化

在电网无功供电性能优化问题的研究中,针对包含分布式电源的配电网无功优化的特点,利用一种改进粒子群算法,对含分布式发电的配电网系统进行了无功优化的计算.考虑了电网损最小、节点电压和发电机无功出力的约束作为优化目标函数,采用粒子群算法,在其速度进化方程中引入了自适应惯性权重和收缩因子以提高,并运用遗传算法中的交叉技术,对PSO算法产生的粒子进行遗传交叉运算来改善全局搜索能力,并在迭代后期将其取消来提高计算速度,仿真结果对比表明,提出的优化算法能够有效地提高电网电压质量和减少功率损耗.     

分布式可再生能源发电并网的无功优化研究

提出了基于杂交粒子群优化算法的分布式可再生能源并网的无功优化算法,从网损和静态电压稳定裕度两个角度出发,构建了含分布式发电系统的配电网无功优化的数学模型.在美国PG&E 69节点配电系统上进行效验.结果表明,该算法收敛性好、精度高;分布式电源并网后能有效降低系统的有功网损,提高电压稳定性,对分布式电源并网运行具有一定的...     

改进的细菌觅食优化算法及其应用研究

为了解决离散域问题,提出了改进的细菌觅食优化算法,并用该算法以减少分布式发电单元总的功率损耗,提高径向配电系统的电压分布。该算法旨在改进细菌觅食优化算法的性能。实验结果表明,提出的改进的细菌觅食优化算法得出的结果优于细菌觅食优化算法。最后将电力系统的12路、34路总线径向分布系统组成的11和33节进行仿真比较,证明了所提出的优化方法的可实现性和方便性。     

粒子群算法在电网无功优化中的应用研究

为解决目前电网系统无功优化潮流计算中存在的问题,如计算量大,计算结果中的各节点电压值可能导致无功电源出力接近极限值,并可能与系统电压安全发生冲突,发电机出力越限等。本文采用带罚函数、学习因子和惯性权重的改进粒子群算法,通过模拟编程,求解了在给定约束条件情况下,两个典型系统（5节点典型系统 和39节点典型系统）的无功优化潮流计算问题。通过计算结果分析比较,总结出了在无功优化计算中,如何对电网中的约束条件进行处理,以及如何设置粒子群算法中的相关参数和范围。并讨论了电网的约束条件对无功优化结果的影响,给出了粒子群算法中罚函数、惯性权重及学习因子等参数的设置原则以及对算法收敛性的影响,并对算法的改进进行了展望。     

基于改进量子差分进化的含分布式电源的配电网无功优化

差分进化算法（DE）已被证明为解决无功优化问题的有效方法.随着越来越多的分布式电源并网,对配电网潮流、电压均有一定改变,同时也影响了DE的鲁棒性和性能.本文在研究DE基础上,针对其收敛过早、局部搜索能力较差的缺陷,分析了量子计算思想和人工蜂群算法的优势,提出改进量子差分进化混合算法（IQDE）.通过量子编码思想提高了种群个体的多样性,人工蜂群算法的观察蜂加速进化操作和侦查蜂随机搜索操作分别提高了算法的局部搜索和全局搜索性能.建立以有功网损最小为目标的数学模型,将IQDE算法和DE算法分别用于14节点和30节点标准数据集进行大量仿真实验.实验结果表明,IQDE算法用更少的收敛时间、更小的种群规模便可以获得与DE算法相同甚至更佳的优化效果,并且可以很好的应用于解决难分布式电源的配电网无功优化问题.     

计及分布式电源接入的三相不平衡配电网无功优化研究

分布式电源输出功率具有的波动性特征增加了三相不平衡配电网无功优化的复杂程度。针对分布式电源接入后三相不平衡配电网无功优化变的更加困难的问题,在对分布式光伏和分布式风电输出功率特征分析的基础上,建立了计及分布式电源接入的三相不平衡配电网无功优化模型,模型的求解则采用提出的改进退火蚁群法。通过与其它方法在建立的含分布式电源IEEE33节点三相配电网系统的无功优化对比分析,验证了本优化模型及求解方法的具有的优势。本优化模型及方法可为含分布式电源的三相不平衡配电网无功优化提供有效的技术指导。     

基于差分进化的改进细菌觅食算法在智能配电网故障定位方法中的应用

为了解决含分布式电源的配电网的故障定位问题,提出一种基于差分进化的改进细菌觅食算法进行配电网故障定位,首先针对分布式电源投切问题,构建能够动态适应多个分布式电源投切的开关函数,然后结合区域划分思想,通过将各个配网支路分为有源树和无源树进行故障信息筛选,降低解空间,提高故障定位的速度;同时针对细菌觅食算法精度不高和全局搜索能力较差的问题,借鉴差分进化中的变异和交叉机制,通过多样性控制与交叉操作协调来实现细菌觅食算法在细化搜索与扩展新区之间的协调,提高算法的寻优精度和全局寻优能力,适用于复杂的含分布式电源的配电网络。通过算例对该故障定位方法进行仿真,结果表明该算法能准确定位,并具有一定的有效性和容错性。     

基于细菌觅食算法的分布式电源配电网重构研究

分布式电源由于可以降低网损,在节能减排与可持续发展中发挥着巨大的作用,如今越来越受到人们的重视。而配电网重构已经不再是单一考虑开关的开闭组合的优化,还必须考虑分布式电源的影响。文章根据配电网自身特点对细菌觅食算法进行了改进,提高了其效率,建立了系统网络损耗的目标函数,并进行了仿真验证。     

基于改进混合蛙跳-K均值聚类算法的无功电压控制分区

针对无功电压控制分区的特点,并借鉴聚类算法思想,提出一种基于改进混合蛙跳-K均值聚类算法的无功电压控制分区.依据无功源控制的思想,以电网中的节点为分类对象,每个无功源对其控制作用构成这个对象的特征指标,将系统各节点映射到一个多维空间中,在此基础上通过改进混合蛙跳-K均值聚类算法得出被控节点所在的分区号,最后通过发电机节点归并原则确定发电机节点的分区.应用所述方法对IEEE 39节点系统进行了分析计算,分区结果与其它算法结果进行了比较,验证所提出的算法的准确性和可行性.     

混沌优化细菌觅食算法的传感器节点部署策略

为了增加节点的有效覆盖率,设计一种混沌优化细菌觅食的节点部署策略.首先使用节点有效覆盖率、节点闲置率和剩余能量均衡函数作为优化因子构造目标函数综合优化模型.在优化阶段,设置菌群密度函数因子、细菌碰壁反弹因子、混沌扰动的趋向序列、动态趋向步长、菌群交叉和变异算子及动态细菌迁徙概率等机制改进细菌觅食算法以提升优化效率.仿真实验表明,使用改进后的混沌细菌觅食优化策略能够有效优化无线传感器网络的节点覆盖,使优化后的无线传感器网络具有更高的网络综合利用率及更长的监测寿命.     

一种新的融合粒子群算法的混合蟑螂群算法

针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题.首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优.仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法.     

基于PSO的模糊控制器参数优化设计

本文提出了将微粒群优化(PSO)算法应用于模糊控制器的参数优化设计中,针对常用的工业对象模型进行了仿真实验,仿真结果表明基于微粒群算法优化模糊控制器参数可以获得满意的控制效果,PSO算法为模糊控制器的设计提供了一种的新的思路.     

一种用于求解TSP问题的混沌优化算法

针对TSP问题,提出了一种用于解决组合优化问题的混沌优化算法。在寻优过程中,对解矩阵不断进行“交换”和“移位”两种操作,利用混沌搜索方法确定所进行操作的矩阵位置。仿真结果表明,该方法的搜索效率要明显高于其他的优化方法。同时,寻优结果对参数的变化不很敏感。     

基于改进粒子群算法的无人机爬升轨迹优化

研究无人机控制优化爬升性能问题,由于单独提高速度或节省燃油问题,均存在互相影响。为了使无人机能够快速、省油地爬升到预定高度,综合考虑了油耗和时间这两个因素。在分析了无人机爬升段数学模型的基础上,提出将油耗和时间的综合运营成本作为优化指标,并提出了一种改进粒子群算法的无人机爬升轨迹优化方法。将无人机轨迹优化问题转化为有约束的参数优化问题,并用改进粒子群算法进行参数优化,从而得到综合指标最优的爬升轨迹。对某无人机实例进行爬升轨迹优化,仿真结果比传统方法更节省了运营成本,证明了改进方法的优越性。     

一种基于混沌和单纯形法的水波优化算法

水波优化(Water Wave Optimization,WWO)算法是一种基于浅水波理论的新兴元启发式优化算法,通过模拟水波的传播、碎浪、折射操作在解空间中进行全局搜索。为提高算法的收敛速度和精度,提出了一种基于混沌(Ch-aotic)优化和单纯形法(Simplex Method,SM)的水波优化算法,简称为CSMWWO。在CSMWWO算法中,引入了混沌优化策略来降低随机初始化的种群对收敛速度和求解精度的影响,在混沌优化策略的基础上又引入了局部搜索能力较强的单纯形法来提高WWO算法的收敛速度。将CSMWWO与包括WWO在内的4个启发式算法在12个基本测试函数上进行了测试,结果表明改进后的算法在计算精度和收敛速度上都有一定程度的提高,所提出的混合水波优化算法能改进水波优化算法的整体性能。     

Distributed Momentum-Based Frank-Wolfe Algorithm for Stochastic Optimization

This paper considers distributed stochastic optimization,in which a number of agents cooperate to optimize a global objective function through local computations and information exchanges with neighbors over a network.Stochastic optimization problems are usually tackled by variants of projected stochastic gradient descent.However,projecting a point onto a feasible set is often expensive.The Frank-Wolfe(FW) method has well-documented merits in handling convex constraints,but existing stochastic F...     

基于混合粒子群的航班着陆调度优化研究

研究终端区航班着陆调度优化控制问题,为对多目标着陆实现实时调度,克服粒子群算法易陷入局部最优的问题,提出了一种免疫思想和禁忌搜索的混合粒子群调度算法,在粒子群算法的基础上引入了免疫系统的抗体浓度调节机制,以保证群体多样性.针对算法后期进化速度慢的缺点,采用了具有自适应能力的禁忌搜索算法进一步优化性能.最后将混合粒子群调度算法在不同规模的实例上进行了测试,并与其它几种具有代表性的算法进行了比较.实验结果表明,改进算法不仅较好地避免了陷入局部最优,提高了收敛速度,还有效地减少了航班着陆调度中的延迟.     

若干新型智能优化算法对比分析研究

智能优化算法(IOA)指的是一类以自然界的生物生存进化过程或物理现象为算法原理,用于解决最优化问题的算法,较为知名的智能优化算法有遗传算法、粒子群算法、模拟退火算法等。智能优化算法属于启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路。随着科学技术的进步和应用场景的改变,传统的智能优化算法在收敛速度、求解精度等方面已无法满足日益复杂的优化问题,因此不断有新的更高效的智能优化算法被提出。选取了近几年国内外提出的几种新型智能优化算法:蝴蝶优化算法(BOA)、飞蛾扑火算法(MFO)、正弦余弦优化算法(SCA)、蝗虫优化算法(GOA)、哈里斯鹰优化算法(HHO)、麻雀搜索算法(SSA)。阐述了各算法的基本原理、算法步骤、相关的改进策略及存在的优缺点。为客观对比各算法性能,进一步通过3种类型共21个测试函数及6个指标评价各算法性能,最后归纳总结各算法的特点并对智能优化算法的发展前景进行展望。     

蚁群优化算法的研究现状及研究展望

本文首先简要地介绍蚁群优化算法的来源、对应的生物原理和算法实现的框架．然后详细地讨论了算法的研究现状以及在各种优化问题中的应用情况，同时也指出了蚁群优化算法在当前应用中的一些不足．针对这些不足提出了解决方法，描述了几种蚁群优化算法的修正策略.最后对蚁群优化算法下一步的研究方向进行了展望．     

基于优化策略的混合定位算法

针对无线传感器网络(Wireless sensor network, WSN)的应用需求提出一种基于优化策略的混合节点定位算法. 选择1-hop节点最多的点作为初始点, 利用多维标度(Multi-dimensional scaling, MDS)方法计算初始节点及其1-hop节点的相对坐标, 并将这些节点的坐标发送给周围未定位节点; 未定位的节点根据接收到的坐标与节点间的距离, 利用极大似然法估算自身的坐标; 最后通过坐标变换计算所有节点的绝对坐标. 在此基础上, 进一步提出将本文节点定位算法与集中式和分布式优化策略相结合来优化网络节点的估计坐标, 以提高节点定位精度. 仿真结果表明本文提出的算法是有效的, 能够较好地完成无线传感器网络节点的定位.