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。     

基于改进粒子群优化算法的永磁球形电机驱动策略研究

永磁球形电机（PMSpM）是一种结构紧凑、可多自由运动的单关节传动装置。该文提出一种适用于PMSpM驱动策略优化的改进粒子群优化（IPSO）算法，该算法可实时计算PMSpM期望转矩所对应的线圈驱动电流。首先，通过圆环函数建立PMSpM转矩解析模型，并构建转矩Map图；然后，在确定种群数量后为标准粒子群优化（PSO）算法引入自适应动态惯性权重和自适应学习因子，将所提IPSO算法与PSO算法进行仿真对比，仿真结果表明，在同样的精度下采用IPSO算法计算驱动电流比采用PSO算法有更快的计算速度；最后，通过PMSpM控制试验进一步证明了该仿真结论的正确性。     

基于改进粒子群算法的火电机组经济优化调度

为了提高火电机组运行的经济性,以火电机组运行成本最小为目标函数,综合考虑火电机组运行过程中的 各项约束,利用收缩因子对粒子群算法进行改进,建立基于改进粒子群算法的火电机组经济优化调度模型,并采用 IEEE30节点系统进行算例分析,结果表明采用IPSO算法优化的火电机组最小运行成本为24.13万元,IPSO算法在 迭代次数和收敛精度上均优于PSO算法,验证了模型的正确性和实用性.     

改进黑洞粒子群算法在电力系统环保经济调度中的应用

针对电力系统中的环保经济调度问题,采用了一种改进随机黑洞粒子群算法进行优化计算。该算法通过引入随机黑洞策略、惯性权重和学习因子动态更新及小概率随机变异改进了粒子群算法,提高了全局搜索能力,稳定了计算结果,加快了收敛速度。通过对IEEE30系统仿真计算,结果验证了该算法的有效性和优越性,系统的经济性和电能质量都得到了提升。     

基于改进PSO算法的FESS的PI参数优化

提出了一种改进粒子群优化（IPSO）算法用于FESS的PI控制器的参数优化设计。IPSO算法通过混沌初始化、迭代中加入混沌扰动和自适应调整惯性权重系数来克服传统PSO算法效率低、易陷入局部极值和算法早熟等缺陷。基于IPSO算法,以ITAE指标最小为目标函数对FESS的PI控制器参数进行优化,并以FESS接入四机系统为例,通过非线性仿真验证了优化结果的有效性,并通过与其他优化方法比较,得出IPSO具有更好的优化性能的结论。     

基于改进粒子群算法的电力系统有功调度

针对电力系统有功优化调度,提出了一种改进的粒子群算法,该算法考虑了火电厂的煤耗量,污染物排放量,以及线路损耗等,通过分别求解各个单目标优化问题和定义各单项目标的隶属度函数,把多目标优化问题转化为单目标优化问题,从整体上降低电力系统的发电成本。该算法以标准粒子群算法为基础,对其参数进行了改进,并对其搜索速度加以限制。将其应用于电力系统的3机组模型,算例仿真结果表明该算法节省了收敛时间,具有收敛速度快,计算精度高的优点。     

基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

自适应混合粒子群算法在梯级水电站群优化调度中的应用

针对梯级水电站群长期优化调度发电量最大模型,提出了一种自适应混合粒子群进化算法（AHPSO）。该算法引入混沌思想生成初始解,并定义了粒子能量、粒子能量阈值、粒子相似度和粒子相似度阈值来描述算法的自适应变化以及群体进化程度,同时结合遗传变异思想进行粒子操作,最后提出了一种基于邻域的随机贪心策略以解决算法后期进化速度慢的缺点。以澜沧江下游梯级水电站群为计算实例的结果表明,AHPSO比基本粒子群算法有更好的收敛性和优化结果,计算时间比逐步优化算法少,且优化结果相近,是一种可供选择的计算方法。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

基于改进PSO算法的FESS的PI参数优化

提出了一种改进粒子群优化(IPSO)算法用于FESS的PI控制器的参数优化设计.IPSO算法通过混沌初始化、迭代中加入混沌扰动和自适应调整惯性权重系数来克服传统PSO算法效率低、易陷入局部极值和算法早熟等缺陷.基于IPSO算法,以ITAE指标最小为目标函数对FESS的PI控制器参数进行优化,并以FESS接入四机系统为例,通过非线性仿真验证了优化结果的有效性,并通过与其他优化方法比较,得出IPSO具有更好的优化性能的结论.     

基于反向云自适应粒子群算法的多目标无功优化

针对粒子群算法在高维复杂问题寻优时易陷入局部寻优的现象,提出了反向云自适应粒子群算法(OCAPSO),通过反向学习加快算法的收敛速度,使用云模型来平衡粒子的全部搜索和局部搜索能力,使用自适应突变机制增强种群的多样性。用高维广义Schwarz函数对OCAPSO的有效性进行验证,进一步以IEEE30节点系统进行单目标和多目标无功优化测试并将测试结果与粒子群优化（PSO）,进化算法（EA）等测试结果进行比较,证实了该算法的优越性。分析表明,OCAPSO算法用于解决多目标无功优化问题有效可行。     

基于最优值临近搜索的灾变粒子群算法在无功优化中的应用

粒子群算法在电力系统无功优化中容易出现局部收敛和早熟的现象,对传统粒子群算法进行了改进。改进算法对当前全局最优粒子进行临近搜索（NSGOP-PSO）,加快了粒子群的搜索速度和搜索精度。并加入了仿生进化算法中的灾变算法（NSGOP-CPSO）,按一定规律对群体全部粒子或部分粒子施行灾变,用于解决粒子群算法中的不收敛和早熟现象的问题。对该算法的作用原理进行了细致的分析和说明,并以IEEE-30节点系统的仿真图形及统计数据说明了该改进粒子群算法是有效的。     

基于Logistic混沌映射的自适应粒子群无功优化研究

针对自适应粒子群算法在无功优化中引入交叉变异等算子后出现收敛速度变慢的问题,将Logistic混沌映射引入到自适应粒子群算法之中,通过计算粒子适应度值,将具有较好适应度值的粒子位置即最优位置进行Logistic混沌优化。通过对IEEE 14节点及IEEE 57节点系统进行仿真计算,以网损最小为优化目标,验证了该算法可以提高粒子取值的有效性和多样性,能使无功优化的控制变量较快地跳出局部最优,加快了算法的收敛速度,对解决电力系统无功优化问题具有一定的参考意义。     

基于蜜蜂进化型粒子群算法的电力系统无功优化

为了提高电能质量,降低网损,采用蜜蜂进化机制与粒子群算法相结合的蜜蜂进化型粒子群算法（Bee Evolution Modifying Particle Swarm Optimization, BEMPSO）,对电力系统的无功优化问题进行求解。改进后的算法能够克服传统粒子群算法的收敛精度低,易陷入局部最优解的缺点。应用改进算法对IEEE6、30节点标准电网进行无功优化计算,并与其它优化算法相比较,结果证明BEMPSO算法具有较好的全局寻优能力,验证了该算法的正确性和有效性。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性。     

一种求解电力系统无功优化的改进粒子群算法∗

为了解决目前粒子群算法(PSO)在电力系统无功优化方面易陷入局部最优解的问题,对粒子群算法进化方式进行研究,提出了一种改进的粒子群优化算法。该算法对速度更新方程进行修改,添加二阶振荡环节,与基本粒子群和只改进权重(ω)的粒子群相比,一定程度上解决了局部优化和盲目搜索的缺陷。最后,以IEEE-30节点为例,进行MATLAB仿真计算,结果表明,改进算法能够快速取得全局最优解,并且网损明显下降。     

水电站水库优化调度的改进粒子群算法

粒子群优化算法是通过粒子记忆、追随当前最优粒子,并不断更新自己的位置和速度来寻找问题的最优解。为了克服标准粒子群算法存在着早熟收敛、难以处理问题约束条件等缺点,本研究对递减惯性权值进行了改进,将其表示为粒子群进化速度与群体平均适应度方差的函数;给出了适合PSO算法的约束处理机制,提出了一种改进自适应粒子群算法,并将其应用于水库优化调度中。实例计算并与经典方法相比,表明该方法原理简单、易编程实现,能以较快的速度收敛于全局最优解。     

基于IPSO-WNN的综合能源系统短期负荷预测

针对传统小波神经网络(WNN)综合能源系统负荷预测模型存在收敛速度、易陷入局部最优等缺点而导致预测精度不高的问题,文中提出了一种基于改进粒子群(IPSO)的WNN综合能源系统短期负荷预测方法。利用Pearson系数对各影响因素进行分析,选择合适的因素作为综合能源负荷预测的输入量;对传统粒子群算法进行改进,在PSO中引入混沌算法并根据粒子适应度采用不同的粒子惯性权重选择策略;基于IPSO建立了WNN综合能源系统短期负荷预测模型。通过案例验证,基于IPSO的WNN预测模型相比于传统WNN预测模型,预测精度明显提升。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

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。