基于C-PSO的水火电混合电力系统电源规划

提出了一种粒子群算法与遗传算法结合的组合粒子群算法,并将其用于求解复杂的、非线性的水火电混合电力系统电源规划问题.该结合算法引入的遗传算法成功地提高了基本粒子群算法的全局搜索能力,同时也比基本遗传算法的收敛速度更快.算例结果表明:对于短期规划,该算法能可靠、快速地收敛到全局最优解,对于大型电力系统的中长期电源规划问题也可得到较好解.     

SA-PSO在水火电混合电力系统电源规划中的应用

电源规划是电力系统电源布局的战略决策,在电力系统规划中处于十分重要的地位。其核心问题是要确定在规划期内随着负荷的增长,系统应在何时、何地、建什么类型、多大容量的电厂。由于其本身的的复杂性,用传统的优化方法求解需采取简化措施,寻求一个满足各种约束条件和可靠性指标及环保要求的最优电源建设方案,以满足系统负荷发展的需要。为此,提出一种粒子群算法与模拟退火算法结合的模拟退火粒子群算法,并将其用于求解复杂的、非线性的水火电混合电力系统(包含核电)电源规划问题。该组合算法在粒子群算法中引入了模拟退火算法成功的提高了基本粒子群算法的全局搜索能力。算例结果表明:该算法能可靠、快速的收敛到全局最优解,特别适合于大型电力系统的中长期电源规划。     

基于改进粒子群算法的配电网分布式电源规划

合理地对分布式电源进行选址和定容对于实现配电网网损最小是至关重要的。应用改进粒子群优化算法进行配电网分布式电源（DG）规划,并结合罚函数法将DG规划问题转化成无约束求极值问题,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。     

基于人工鱼群算法的最优潮流计算

提出了基于人工鱼群优化算法(AFSA)的最优潮流(OPF)计算方法;算法结合动态调整罚函数的方式,将最优潮流问题转化为一个无约束求极值问题,有效提高了算法的全局收敛能力和计算精度.应用此算法对标准IEEE30节点的电力系统进行最优潮流计算,并与粒子群算法和遗传算法进行了比较,仿真结果表明,该算法能够更好地获得全局最优解,具有实用意义.     

基于改进粒子群算法的配电网分布式电源规划

合理地对分布式电源进行选址和定容对于实现配电网网损最小是至关重要的.应用改进粒子群优化算法进行配电网分布式电源(DG)规划,并结合罚函数法将DG规划问题转化成无约束求极值问题,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MAQPSO 的电力系统无功优化研究

文中提出一种多智能体量子粒子群优化算法(Multi Agent Quantum Particle Swam Optimization,MAQPSO)求解电力系统无功优化问题,改善了传统量子粒子群算法后期收敛速度慢、易陷入局部最优解等缺点。该算法结合了量子粒子群算法和多智能体进化思想,每一个Agent相当于量子粒子群优化算法中的一个粒子,通过Agent的邻域竞争、自学习等操作,使得算法能够更迅速、更精确地收敛到全局最优解。通过对IEEE14、30、57和118节点系统的优化仿真,结果表明该算法有收敛精度高、寻优速度快等优点。     

一种新型的电力系统无功优化算法

介绍一种类似于遗传算法的进化算法———粒子群优化算法, 并把它应用到电力系统无功优化问题中。对基本的粒子群优化算法作了适当改进, 在粒子速度更新公式中增加了一项即上一代的全局“最优”值, 相当于增加了全局极值的权重, 提高了算法的收敛性。以粒子群优化算法为基础, 选取适合于该算法的无功优化目标函数。通过对 IEEE- 14节点的仿真计算, 证明了该算法优于基本的粒子群优化算法, 且与遗传算法相比能在更少的迭代次数内搜索到更好的全局最优解。     

含分布式电源的配电网扩展规划研究

建立了分布式电源和线路年综合费用最小、线路损耗最小和分布式电源安装容量最大的多目标函数规划模型,针对多目标优化问题,提出了一种改进的多目标粒子群优化算法。网架规划采用离散二进制粒子群算法,分布式电源规划采用改进的粒子群算法。该算法利用Pareto非支配排序和计算拥挤距离方式更新粒子的个体最优位置和全局最优值。针对粒子群算法容易陷入局部最优的问题,引入Boltzmann学习策略,在算法前期温度较高粒子能够向不同的粒子学习,保持粒子个体多样性,提高算法全局寻优能力。在算法后期温度降低粒子群将向全局最优粒子学习,提高收敛速度。最后将该算法应用于某10KV配电网扩展规划,结果表明文中提出的方法能够得到合理的配电网扩展规划方案,并且提供了多样化的解集,方便用户根据实际情况灵活选择方案。     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

改进二进制粒子群算法在配电网重构中的应用

将混合蛙跳思想引入粒子群算法,并结合遗传算法中的选择交叉操作,提出一种改进二进制粒子群算法,来解决配电网重构中的问题。并且动态调整粒子速度更新公式中的惯性系数,使粒子能够随更新次数的变化动态改变全局和局部搜索能力,防止算法早熟,以找到全局最优解。文章最后对典型IEEE33节点算例进行仿真,并与遗传算法进行对比分析,结果表明该方法不仅能有效避免算法早熟、快速收敛,而且稳定性好。     

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。     

广义蚁群与粒子群结合算法在电力系统经济负荷分配中的应用

提出了一种结合广义蚁群算法和粒子群算法的优化算法,并将其用于求解复杂的非凸、非线性的电力系统经济负荷分配问题.该结合算法同时具有广义蚁群算法的大规模寻优特性和粒子群算法的较强局部搜索能力,在确保全局收敛性的基础上,能够快速搜索到高质量的优化解.多个算例的仿真结果表明了该结合算法的有效性和可行性.     

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.     

改进APSO算法在光伏MPPT控制中的应用

局部阴影条件下,光伏发电系统中P-U曲线会呈现多峰现象,传统的最大功率点跟踪(Maximum Power Point Tracking, MPPT)算法易失效,粒子群(PSO)算法适用于复杂多极值系统的寻优,因而在多峰全局MPPT中得到应用。针对寻优过程中传统PSO算法搜索精度低以及易出现早熟现象的缺点,本文提出了自适应惯性权重粒子群(APSO)算法,在PSO算法中引入非线性惯性权重,以提高多峰全局寻优的精度与速度。最后利用MATLAB/Simulink对系统进行仿真,仿真结果表明：在均匀光照和可变阴影条件下,APSO算法能有效提高系统寻优的收敛速度与精度。     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是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,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

粒子群优化算法在电力系统中的应用综述

粒子群优化(PSO)算法是一种新兴的群体智能优化技术,其思想来源于人工生命和演化计算理论,PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化。该算法简单易实现,可调参数少,已得到广泛研究和应用。在大量参阅国内外相关文献的基础上,简要介绍了PSO算法的工作原理,较为全面地详述了粒子群优化方法在电力系统中的应用,如电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面,并对今后可能的应用指出了研究方向。     

日无功计划优化模型和算法的研究

根据实际无功电压管理工作的需要,建立了日无功计划数学模型。应用一种充分结合粒子群优化算法和遗传算法各自优点的混合优化策略来求解该模型,提出将遗传算法中的变异原理引入传统粒子群优化算法,以弥补粒子群优化算法全局搜索能力较弱的欠缺,充分发挥两种算法的优点,改善优化的性能。对北京市电网的计算和分析表明了本文所提出模型和算法的正确性和实用性。     

混合粒子群优化算法在电网规划中的应用

在含被动聚集因子的粒子群优化(particle swarm optimization with passive congregation,PSOPC)算法和和谐搜索(harmony search,HS)的基础上,构建了一种新的混合粒子群优化(heuristic particle swarm optimization,HPSO)算法。该算法根据电网规划的特点,采用“飞回机制”处理变量的约束条件,利用和谐搜索处理规划问题的约束条件,使粒子群在迭代过程中始终保持在可行域内,同时该算法中引入了被动聚集因子,有效改善了粒子的进化机制,提高了粒子的自由搜索能力。18节点算例验证了该算法应用于电网规划的正确性和有效性,HPSO算法、粒子群优化算法和PSOPC算法的比较结果表明该HPSO算法具有较好的收敛性能。