改进粒子群优化算法在水电站群优化调度中的应用研究

针对常规粒子群优化算法易早熟，后期收敛慢且易陷入局部最优解的不足，提出一种新的惯性权重系数更新策略—自适应指数惯性权重系数（SEIWC）代替线性递减惯性权重系数（LDIWC），同时，将遗传算法中的染色体交叉、变异思想引入粒子的更新策略，提高粒子的多样性，增强算法的全局搜索能力。使用Rosenbrock函数和Schaffer函数验证了改进粒子群优化算法的有效性。以福建电网闽江流域水电站群优化调度为例，建立基于改进粒子群优化算法的库群长期优化调度模型，计算结果表明，该模型的调度结果显著优于常规粒子群优化算法，与逐步优化算法获得的结果达到相当水平。     

线性微分递减自适应粒子群算法在水电站优化调度中的应用北大核心

针对求解水电站优化调度粒子群算法的改进,分析了粒子群算法在求解水电站优化调度问题时对关键参数惯性权重调整的需要,提出了线性微分递减的自适应粒子群算法。通过前期减小缓慢的惯性权重,增加算法的探索能力跳出局部最优解;通过后期减小较快的惯性权重,提升算法的开发能力加快算法收敛。以葛洲坝水电站优化调度为例,对比了改进算法和传统算法。优化调度实例表明:线性微分递减自适应策略增强了算法的寻优能力和稳定性。改进算法能够有效改善由于水电站优化调度目标函数非凸性带来的粒子群求解易早熟问题,为水电站优化调度粒子群算法惯性权重的改进提供了新思路。     

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。     

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。     

线性微分递减自适应粒子群算法在水电站优化调度中的应用

针对求解水电站优化调度粒子群算法的改进,分析了粒子群算法在求解水电站优化调度问题时对关键参数惯性权重调整的需要,提出了线性微分递减的自适应粒子群算法。通过前期减小缓慢的惯性权重,增加算法的探索能力跳出局部最优解;通过后期减小较快的惯性权重,提升算法的开发能力加快算法收敛。以葛洲坝水电站优化调度为例,对比了改进算法和传统算法。优化调度实例表明:线性微分递减自适应策略增强了算法的寻优能力和稳定性。改进算法能够有效改善由于水电站优化调度目标函数非凸性带来的粒子群求解易早熟问题,为水电站优化调度粒子群算法惯性权重的改进提供了新思路。     

改进粒子群优化算法在水库优化调度中的应用

为解决粒子群优化算法寻优过程中易出现种群趋同化而导致早熟收敛的问题,引入粒子群的进化速度和种群多样性适应度方差两个因素,构建了自适应的动态的惯性因子取值机制,并讨论了惯性因子的收敛性及参数的独立性,从而改进了传统粒子群优化算法的惯性因子线性取值机制。将改进的粒子群优化算法应用于某水库的优化调度中,验证了该算法能以较快的速度收敛得到全局极值,克服了易陷入局部最优的缺点,为水库优化调度问题提供了一条新途径。     

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.     

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TIPSO的水电站优化调度研究

针对水电站多目标联合优化调度问题,提出双层改进粒子群算法(TIPSO)。该算法通过动态廊道约束,提高粒子群算法中粒子初始解的质量;通过改进动态权重系数,增强粒子群算法在前期的全局寻优能力和后期的局部寻优能力,提高粒子群算法的收敛性。将该算法应用于求解河南省陆浑水电站多目标优化调度问题,计算结果表明双层改进粒子群算法具有较好的收敛性能;通过与动态规划算法计算结果对比,表明该算法求解高维、复杂、多约束问题的可靠性和有效性。     

粒子群算法在水库(群)优化调度研究中的应用综述

简要介绍粒子群算法的工作原理和水库(群)优化调度模型,然后较全面地阐述粒子群算法在水库(群)优化调度中的应用及存在的问题,最后总结了算法的各种改进,并对粒子群算法在水库(群)中的研究进行了展望。     

Improved particle swarm optimization algorithm for multi-reservoir system operation

In this paper, a hybrid improved particle swarm optimization (IPSO) algorithm isproposed for the optimization of hydroelectric power scheduling in multi-reservoir systems. The conventional particle swarm optimization (PSO) algorithm is improved in two ways: (1) The linearly decreasing inertia weight coefficient (LDIWC) is replaced by a self-adaptive exponential inertia weight coefficient (SEIWC), which could make the PSO algorithm more balanceable and more effective in both global and local searches. (2) The crossover and mutation idea inspired by the genetic algorithm (GA) is imported into the particle updating method to enhance the diversity of populations. The potential ability of IPSO in nonlinear numerical function optimization was first tested with three classical benchmark functions. Then, a long-term multi-reservoir system operation model based on IPSO was designed and a case study was carried out in the Minjiang Basin in China,where there is a power system consisting of 26 hydroelectric power plants. The scheduling results of the IPSO algorithm were found to outperform PSO and to be comparable with the results of the dynamic programming successive approximation (DPSA) algorithm.     

Multi-objective reservoir operation using particle swarm optimization with adaptive random inertia weights

Based on conventional particle swarm optimization(PSO), this paper presents an efficient and reliable heuristic approach using PSO with an adaptive random inertia weight(ARIW) strategy, referred to as the ARIW-PSO algorithm, to build a multi-objective optimization model for reservoir operation. Using the triangular probability density function, the inertia weight is randomly generated, and the probability density function is automatically adjusted to make the inertia weight generally greater in the initial stage of evolution, which is suitable for global searches. In the evolution process, the inertia weight gradually decreases, which is beneficial to local searches. The performance of the ARIWPSO algorithm was investigated with some classical test functions, and the results were compared with those of the genetic algorithm(GA), the conventional PSO, and other improved PSO methods. Then, the ARIW-PSO algorithm was applied to multi-objective optimal dispatch of the Panjiakou Reservoir and multi-objective flood control operation of a reservoir group on the Luanhe River in China, including the Panjiakou Reservoir, Daheiting Reservoir, and Taolinkou Reservoir. The validity of the multi-objective optimization model for multi-reservoir systems based on the ARIW-PSO algorithm was verified.     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

新安江模型参数优选的改进粒子群算法

借鉴竞争演化和多种群混合的思想,对粒子群算法(PSO)进行改进,建立并行种群混合进化的粒子群算法(PMSE-PSO)和序列主-从种群混合进行的粒子群算法(SMSE-PSO)。数值模拟结果表明,这两种改进的粒子群算法具有较高的计算效率、较强的自适应性和稳定性。将PMSE-PSO和SMSE-PSO应用于新安江模型的参数优选中,通过与PSO和SCE-UA的比较可以看出,PMSE-PSO和SMSE-PSO不仅具有较好的全局优化性能和稳定性,而且在调用目标函数次数相同的情况下精度较高,是一种有效的新安江模型参数优选方法。     

基于改进粒子群算法的坝体位移监控模型

在基本粒子群算法的基础上,提出了一种基于以e为底的指数函数的惯性权重策略的改进粒子群算法。将粒子群算法引入大坝安全监控领域,并结合坝体位移的多元回归统计模型,建立基于改进粒子群算法的大坝安全监控模型,并应用于新安江大坝的安全监测。实际应用表明,改进粒子群算法与最小二乘法、基本粒子群算法相比,预报结果精度较高且收敛速度较快。     

基于改进的基本粒子群算法的Van Genuchten方程参数优化

针对目前土壤水分特征曲线Van Genuchten方程参数优化的不足,引入动态调整惯性权重对基本粒子群算法进行改进,使惯性权重随着迭代次数以及不同粒子与最优粒子之间的距离大小而变化,并将其运用到Van Genuchten方程参数识别,最后进行了模型验证和误差分析。结果表明改进惯性权重的粒子群算法计算精度高,适用性强。从3种准则函数的优化结果可以看出,加权耦合的绝对与相对标准差最小准则在参数优化理论上值得进一步研究,在Van Genuchten方程参数拟合问题中值得推荐,从而为Van Genuchten方程参数的优化求解提供了一条新途径。     

基于IPSO-RVM的大坝安全预警模型

针对SVM(Support Vector Machine,支持向量机)存在支持向量个数较多、核函数要求严格等不足,将性能更出色的RVM((Relevance Vector Machine,相关向量机)用于大坝安全预警模型的构建。核函数及其参数对RVM模型的性能有着重要的影响,组合局部核函数和全局核函数的混和核函数能提高模型的拟合精度和泛化能力,利用PSO(Particle Swarm Optimization,粒子群算法)能有效地对核参数进行寻优,针对标准PSO算法容易陷入局部最优点的缺陷,提出IPSO(Improved Particle Swarm Optimization,改进的粒子群算法)。将上述组合算法用于大坝安全模型的建立,实例分析表明,基于上述算法模型的性能得到了一定程度的提高。     

改进惯性权重的粒子群算法及其在边坡稳定性分析中的应用

改进PSO算法的惯性权重。不仅考虑了惯性权重随代数的纵向线性变化,还根据当前和迄今粒子的适应度重排序横向线性变化来改进惯性权重。横向线性变化上限不变,下限逐渐减小,使得线性变化数值范围随代数逐渐增大。惯性权重随着代数逐渐取负,并且适应度差的粒子取负的几率更大。这样得到基于粒子适应度排序改进惯性权重的粒子群算法(ASMIWPSO算法)。通过2个仿真算例对比ASMIWPSO算法和PSO算法的寻优结果,所获得的全局最优值前者多于后者。采用边坡工程实例进行ASMIWPSO算法、PSO算法和理正岩土计算软件结果比较,说明ASMIWPSO算法具有更好的优化结果。     

基于粒子群算法的水文模型参数多目标优化研究

在改进的粒子群算法基础上通过引入存档群体和拥挤距离机制,建立了基于粒子群算法的多目标算法,并将该算法应用于新安江模型参数多目标优化计算中,得到了最优解的Pareto集合.通过多目标距离函数法从Pareto集中求出一组单一解.将多目标优选的结果与单目标优化结果进行比较分析.结果表明,多目标参数优选方法综合考虑了水文过程的各种要素,比单目标优选结果具有更高的模拟精度.     

免疫粒子群算法在梯级电站短期优化调度中的应用

将免疫原理引入粒子群算法(PSO)中,利用其免疫记忆与自我调节机制保持各适应度层次的粒子维持一定的浓度,保证种群的多样性;引入疫苗接种等操作,对算法的进化过程进行有目的、有选择地指导,提高算法的搜索性能.随后在分析梯级电站短期优化调度数学模型及该算法特点的基础上,建立了基于免疫粒子群(IPSO)算法的梯级电站短期优化调度数学模型,并给出其具体的求解步骤.最后应用该方法进行仿真计算,并与常规调度及PSO算法进行对比,结果表明,该算法可获得较优的优化调度方案,并可提高解的精度,加快其收敛速度.