基于改进PSO算法的变压器局部放电超声定位方法

电力变压器局部放电源超声定位已经演化为一个多学科的研究课题，具有明确的应用背景和重要的理论研究价值。研究了油中局部放电时超声波传播特性，建立了局部放电源超声定位的信号参数估计模型，将超声定位问题转化为一个带约束的非线性连续函数优化问题，在最优化框架内，应用了国际上最近提出的粒子群优化(PSO)算法进行求解。算例表明，文中算法具有计算效率高、通用性强、收敛速度快的优点，能有效防止结果陷入局部最优，计算结果明显优于最小二乘法。     

一种新的电力变压器超声局部放电定位方法研究

近年来研究者已采用多种基于超声法的定位算法来确定电力变压器内局部放电源的位置,但多数方法会忽视超声信号复杂的传播路径对局放源定位的影响,造成较大误差。本文首先分析了由局放产生的声波信号在变压器内复杂的传播过程,尤其是超声信号穿过变压器外壳后被传感器接收过程中的波形转换现象。然后根据实际变压器尺寸建立了变压器模型,该模型中任意一个节点可代表一个局放源的潜在位置。在建立的模型基础上,提出了优化传播路径搜索算法,该算法可还原声波的传播过程并计算出从潜在局放点到传感器位置间的最快路径,进而实现局放源的精确定位。最后在35 kV变压器实验平台上进行了局放定位实验,结果优化传播路径算法的平均定位误差为18.3 cm,验证了该算法的可行性与精确度。     

基于声电联合传感阵列的变压器局部放电诊断技术研究

该文提出了一种基于光纤超声-超高频联合感知的局部放电溯源和模式辨识方法。首先采用光纤超声传感器与特高频传感器融合,构成声电联合传感阵列。然后,简化到达时间差溯源定位算法,并比较了传统遍历空间搜索与萤火虫优化算法、混沌精英哈里斯鹰优化算法的优化效果,混沌精英哈里斯鹰优化算法计算效率提高98.24%,平均定位误差减小8.16%。通过方差精简PRPD谱图特征量,并结合精细KNN算法实现了局部放电的模式辨识。实验结果表明,溯源定位平均误差为36.1 mm,故障识别准确率达到88.10%。最后,试制了变压器局部放电声电联合智能感知系统,实现了对变压器局部放电源的精准定性和精确定位。     

基于多传感器的变压器特高频局部放电定位方法研究

研究了基于多传感器的变压器特高频局部放电定位关键技术——时延估计方法和定位算法,阐述了时延估计方法、原理以及实现流程,并对定位算法进行了说明。结果表明:基于最小均方算法(LMS)的自适应时延估计法具有较高的精度,模拟退火算法计算出的放电源位置与真实放电源的位置距离最近,两者相结合能够判断放电信号的来源,并实现放电源的定位。     

一种用于车载变压器的局部放电高精度协同定位方法

针对车载变压器局部放电难以精确定位的情况,提出了一种基于局部放电超声波信号的协同定位算法,以提高车载变压器局部放电的定位精度.综合差分进化算法和粒子群优化算法的优点,提出了一种混合的DE-PSO算法,利用计算结果对代价函数进行修正,并将计算结果作为牛顿法的初值,经迭代后得到精确的局部放电源位置.仿真和试验结果表明,与传统的智能算法相比,具有精度高、鲁棒性强等优点,能够满足现场应用的需要.     

超宽带射频技术对变压器多局部放电源的定位

电力变压器局部放电故障大多是在很短时间间隔内相继出现多个放电源,因此对于多放电源的有效定位是定位技术成功的关键,为解决多点局部放电源的定位问题,采用基于最短光程原理的超宽带射频定位技术,用4阵元传感器阵列检测局部放电源激发的电磁辐射波,获取3个相对时延作为计算参量,利用时间差算法实现对局部放电源空间几何位置进行搜索定位,在实验室环境下进行了空间多点模拟局部放电源的定位试验,多放电源的定位误差控制在10cm以内。此外,还介绍了最近在现场真实设备上进行局部放电定位的探索研究,为该技术向实用化方向的发展做出了有益的尝试。     

基于NS-APSO算法的变压器局部放电超声定位方法

为了对变压器中的局部放电源进行精确定位,本文提出了一种基于自然选择自适应粒子群算法(natural selection-adaptive particle swarm optimization,NS-APSO)的超声定位方法。在自适应粒子群算法的基础上融入自然选择的思想,每次迭代都对种群中的粒子进行“优胜劣汰”处理,用好的粒子替换差的粒子从而提高种群的整体质量。为了增强算法的实用性,基于MATLAB中的GUI模块开发了一款能够对不同尺寸变压器内部局部放电源进行定位的软件。将定位结果与标准PSO算法得到的结果进行对比,结果表明基于NS-APSO算法的变压器超声定位方法具有更高的定位精度和全局搜索能力。     

基于空间谱估计的多局部放电源分辨和定位

提出基于空间谱估计的变压器局部放电源定位方法.利用电磁矢量传感器检测局部放电特高频(UHF)信号,该传感器是一个六元天线阵,能同时检测入射UHF信号的6个电磁场分量.对传感器输出数据进行窄带滤波,应用信息论的最小描述长度准则或平滑秩序列法估计局部放电源数,并应用空间谱估计理论中的多重信号分类算法实现多局部放电源的分辨和定位。通过仿真和实验研究,证明了单个电磁矢量传感器可以分辨并定向追踪3个局部放电源.     

大型变压器局部放电多目标定位实验

为了解决大型变压器内部局部放电源难以准确定位的问题,进行了以变压器内部同时存在多个放电源的定位为对象,通过传感器阵列接收放电源辐射的超声波信号,应用阵列信号处理技术中的空间谱估计理论,分析阵列传感器所接收信号的特征信息,实现局部放电的多目标定位的研究。研制了4阵元均匀等间隔线阵,建立了局部放电定位实验系统,针对单放电源和二个放电源的不同情况,对放电源空间位置进行了定位模拟实验。实验结果表明,该法具有良好的定位准确度,能有效地估计出变压器内多个放电点的空间位置,可实现电力变压器内部多局部放电源的定位,为变压器内多局放源的定位建立了实验研究基础。     

基于多传感器融合的电力变压器内部放电定位与辨识技术

针对电力设备状态监测中传感器信息融合的难题,应用油中溶解气体、特高频、光纤超声等监测传感器构建了适用于变压器的融合传感阵列,提出了变压器内部放电的辨识策略。采用超声信号到达时间差估算实现了放电源定位,建立了多传感器监测特征融合算法,并结合K邻近（K nearest neighbors,KNN）算法实现了放电模式辨识。实验结果表明：放电源定位平均误差为45.1 mm,放电类型辨识准确率达到90.6%;所构建的多传感器融合感知策略与系统,可实现变压器内部放电源的准确定位与辨识,具有一定的应用推广价值。     

Study of Partial Discharge Localization Using Ultrasonics in Power Transformer Based on Particle Swarm Optimization

The partial discharge source localization by ultrasonic measurements in power transformers is studied by the Particle Swarm optimization (PSO), and the signal parameter estimated model of ultrasonic localization has been established on the basis of the propagation properties of the ultrasonic wave. The experiment result shows that the PSO algorithm possesses high calculation efficiency and high convergence speed, and can efficiently prevent the result from falling into the local optimum, the localization error of the PSO algorithm is clearly better than that of the Least-Square algorithm obviously.     

Optimal power system operation using parallel processing system and PSO algorithm

In recent studies, PSO algorithm is applied to solve OPF problem. However, population based optimization method requires higher computing time to find optimal point. This shortcoming is overcome by a straightforward parallelization of PSO algorithm. The developed parallel PSO algorithm is implemented on a PC-cluster system with 8 Intel Pentium IV 2 GHz processors. The proposed approach has been tested on the test systems. The results showed that computing time of parallelized PSO algorithm can be reduced by parallel processing without losing the quality of solution.     

市场环境下中长期发输电协调检修计划优化

根据电力市场环境中检修计划的特点,建立了协调市场各方利益的发输电一体化检修计划优化的数学模型,该模型综合考虑电力系统安全经济性和电力市场公平性,并考虑机组检修和输电设备检修之间的相互关联关系.针对该优化模型的求解,利用遗传算法(GA)和粒子群优化(PSO)算法相似的优化框架和优化流程,提出一种充分结合GA和PSO算法各自优点的混合智能算法,该算法将群体分成2个子群,分别采用GA和PSO算法进行演化,并充分交换2种算法所获取的优化信息,形成一个紧密耦合的、新型的遗传粒子群优化算法.算例证明,该算法在求解发电、输电设备检修协调优化这样的大规模复杂优化问题时,在全局搜索和局部搜索方面都表现出了良好的均衡性.     

基于粒子群优化算法和电导增量法的多峰值MPPT控制

复杂环境条件下,光伏阵列由于被遮挡其输出特性呈现多峰值特性,传统最大功率点跟踪MPPT(maximum power point tracking)算法不再适用。为此,在研究光伏阵列多峰值输出特性的基础上,提出一种基于粒子群优化PSO(particle swarm optimization)算法和电导增量法INC(incremental conductance)的多峰值MPPT算法。该算法分成2步:第1步先由PSO算法将输入位置调整到最优值附近;第2步再由INC算法得到全局最优解,其中对传统PSO算法进行改进,INC算法采用变步长扰动。在Matlab中进行仿真,结果表明该算法可实现复杂环境条件下的最大功率跟踪,并具备较快的响应速度和稳定的寻优效果。     

基于改进粒子群算法的三维路径规划研究

针对基本粒子群算法(PSO)收敛速度快、易早熟，容易陷入局部误区的问题，提出了粒子群-人工蜂群混合算法(PSO-ABC)，并将提出的算法应用于无人机三维环境下的路径规划。该算法在改进粒子群算法的基础上，融合了人工蜂群算法来对无人机三维路径进行全局规划。首先引入非线型惯性权重和收缩因子，改进粒子的速度公式，然后利用人工蜂群算法的搜索算子对最优解再一次寻优，解决了粒子群算法因局部搜索能力较差陷入局部误区的问题。本文在三维环境下设置了两组实验，对比粒子群-人工蜂群混合算法与粒子群算法、人工蜂群算法的路径寻优性能。实验结果显示，本文提出的算法路径寻优能力有所提高，相比于粒子群算法，提高了6.1%，相比于人工蜂群算法提高了6.9%。     

基于改进粒子群优化算法的配电网络重构

提出了一种求解配电网络重构的改进粒子群优化（PSO）算法。结合配电网络的特点改进了PSO算法粒子位置的更新规则，提高了迭代过程中有效解的产生概率；并结合禁忌（Tabu）搜索的记忆功能和藐视准则，克服了PSO算法的早熟问题。算，其结果与最优解吻合，证实了算法的有效性，并与较，表明了算法具有更好的搜索效率。最后对3个典型IEEE测试系统进行优化计Tabu搜索算法和遗传算法的计算结果相比     

基于云自适应梯度粒子群算法的无功优化

粒子群算法存在着早熟的现象,易陷入局部最小点,为了克服这个缺点,文章首先将云模型引入粒子群算法,将粒子分成2部分,靠近最优粒子和远离最优粒子的部分,其中靠近最优粒子种群的惯性权重由云模型的X-条件发生器自适应调整,提出了云自适应粒子群算法(cloud adaptiveparticle swarm optimization,CAPSO),然后引入梯度的思想,提出云自适应梯度粒子群算法(cloud adaptive gradientparticle swarm optimization,CAGPSO)。以网损最小为目标函数,对标准IEEE 14和IEEE 30节点系统进行仿真计算,结果表明改进后的CAGPSO算法能够获得更好的优化解。     

多目标无功优化的向量评价自适应免疫粒子群算法

为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。     

基于改进PSO算法的UAV三维路径规划研究

提出一种根据适应度值使粒子侧重于不同寻优任务的改进粒子群优化(FPSO)算法,并将其应用于UAV三维路径规划问题。传统粒子群优化(PSO)算法对所有粒子设置统一的控制参数,寻优过程不够灵活,易陷入局部极值且收敛速度慢。改进的FPSO算法提出三种优化策略,即将PSO算法与遗传算法(GA) 结合、设置动态惯性权重、引入步长因子,以充分发挥不同适应度值粒子的搜索优势,使其动态侧重于局部搜索或全局搜索。仿真结果表明,FPSO算法搜索结果更优,迭代次数更少,平均消耗时间比PSO算法缩短22.0%、比GA算法缩短39.6%,具有显著的性能优势。