基于自适应强引导粒子群算法的电力系统无功优化

在简单比较遗传算法、模拟退火算法、Tabu算法、传统粒子群无功优化算法的基础上,提出一种改进的粒子群无功优化算法即自适应强引导粒子群的电力系统无功优化算法,该算法在粒子群算法的基础上引入强引导思想,在搜索初期,利用数学中的外推技巧对粒子位置的更新加以引导,减少算法随机性,利用群体适应度方差判别种群的多样性,并相应调整变异概率作出变异判别实现自适应更新粒子速度和位置,提高全局和局部搜索能力,进一步解决寻优后期粒子可能陷入早熟收敛的问题,可以更有效地搜索到全局最优解。通过对福建某高压配电网进行无功优化,本文算法优化后最优降损率可达15.3%,最低电压从0.8950pu提高到0.9973pu,结果表明本文算法及模型的可行性和有效性。     

基于自适应变异粒子群算法的电动汽车换电池站充电调度多目标优化

大规模电动汽车用户的无序充电行为会对电网造成“峰上加峰”等影响,因此电动汽车规模化应用迫切要求实现对充电行为的引导和调度.电动汽车换电站具有受可调度时间约束影响小等特点,与个体电动汽车相比较易实现充电调度.根据换电站的特点以换电站各时刻的充电功率为控制对象,建立多目标的调度策略数学模型,并采用自适应变异的粒子群算法求解...     

基于自适应变异粒子群算法的分布式电源规划

针对分布式电源(DG)规划问题,建立配电网网损最小、电压偏差最小、静态电压稳定裕度最大的多目标DG规划模型。采用模糊集理论将多目标优化问题单一化,通过使总体满意度最大化,提升整体性能。同时采用自适应变异粒子群算法(AMPSO)对建立的模型进行求解,在一定程度上克服了基本粒子群算法容易早熟收敛的问题。在IEEE 33节点配电网系统上进行仿真计算,验证了模型和算法的有效性。     

基于自适应粒子群算法的目标位置测量方法

针对现有目标位置测量算法复杂和标准粒子群算法收敛速度慢的缺点,提出了一种基于自适应粒子群算法的目标位置测量方法。该方法通过自适应惯性权重平衡PSO的全局搜索和局部改良能力,通过自适应变异策略提高算法摆脱局部极值和局部寻优的能力,实现了目标位置的快速测量。仿真结果表明,该方法在测量时差精度为100ns的条件下,目标位置测量精度小于100m,且能够有效地避免早熟收敛问题,具有较快的收敛速度。     

自适应变异粒子群算法及在输电网规划中的应用

针对标准粒子群优化（SPSO）算法易陷入局部最优的缺点,引入了一种自适应变异的粒子群优化（AMPSO）算法,并应用于电力系统输电网规划。该算法在迭代过程中加入变异操作,并根据种群适应度方差值自适应地调整变异概率的大小,以此来增强算法跳出局部最优的能力。在输电网规划算例中的应用结果表明,变异操作改善了算法的寻优性能,使得AMPSO算法的寻优效率远高于SPSO算法。     

自适应变异粒子群优化算法在水轮发电机优化设计中的应用

本文介绍了一种应用于水轮发电机优化设计的新的全局优化算法--粒子群优化算法(PSO算法),并对其进行了改进.改进后的PSO算法(称之为AMPSO)的优化结果与未改进的粒子群优化算法(PSO)和遗传算法(GA)优化结果相比,具有很好的全局收敛性,能有效地避免早熟收敛问题,适用于电机的优化设计.     

基于变异粒子群的快速运动估计算法

为了提高视频编码效率,提出了一种基于变异粒子群的快速运动估计算法.新算法将运动矢量特性和粒子群算法的全局搜索特性结合,通过迭代寻找全局最优解.为了避免粒子群算法陷入早熟收敛,在每次迭代中加入了变异算法.同时采用合适的终止策略降低运算复杂度.实验结果表明,新算法对运动平缓的视频序列,搜索精度和运算复杂度与以往快速搜索算法...     

基于自适应变异特性粒子群算法的无功优化

针对电力系统无功优化问题,提出了1种自适应变异特性粒子群算法来克服粒子群优化方法容易早熟而陷入局部最优解的缺点。该方法以种群适应度方差为量化指标,动态衡量和监视粒子群体的聚集情况,并对聚集的粒子赋予变异操作,用以提高整个群体的全局寻优能力。通过对IEEE-6和IEEE-30测试系统的无功优化问题计算及结果分析表明该方法快速、高效、准确。     

基于自适应变异粒子群算法的独立多元互补微网经济环保运行

独立多元互补微网对于解决许多可再生能源丰富但是传统电网供电困难地区的用电问题有着非常重要的作用。为保证供电可靠性,提高整个微网系统的经济性和环保性,需根据实际条件对系统运行进行优化。综合考虑了运行成本、气体污染排放量等运行指标,建立了微网优化运行数学模型。设计了系统调度策略,最终采用带变异的自适应粒子群算法实现了微网经济环保运行。具体算例结果验证了该算法的合理性和有效性。     

电力系统无功优化自适应粒子群算法

针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。     

Particle Swarm Optimization with Adaptive Mutation

A new adaptive mutation particle swarm optimizer, which is based on the variance of the population’s fitness, is presented in this paper. During the running time, the mutation probability for the current best particle is determined by two factors: the variance of the population’s fitness and the current optimal solution. The ability of particle swarm optimization (PSO) algorithm to break away from the local optimum is greatly improved by the mutation. The experimental results show that the new algorithm not only has great advantage of convergence property over genetic algorithm and PSO, but can also avoid the premature convergence problem effectively. Translated from “Particle Swarm Optimization with Adaptive Mutation” published in Acta Electronica Sinica, 2004, 32(3): 416–420 (in Chinese)     

基于改进鸡群算法的电动汽车有序充电策略研究

为了减小电动汽车无序充电给配电网安全稳定运行带来的不利影响,提出一种基于改进鸡群算法的电动汽车有序充电策略。首先,综合考虑电动汽车用户和配电网的利益,建立以用户充电费用最小和配电网负荷峰谷差最小为目标的电动汽车充电多目标优化数学模型;在此基础上,提出一种有序充电策略,该策略将随时间推移不断滚动更新电动汽车的充电计划;其次,运用鸡群算法求解该问题,并针对标准鸡群算法中出现的易早熟,收敛精度不高等问题,引入双亲引导机制对其进行改良;最后,以某一配电网为例进行具体分析,仿真结果验证了充电策略的实用性和改进算法的有效性。     

基于二进制粒子群的充电桩故障定位系统配置与定位方法

电动汽车充电桩网络作为泛在电力物联网的重要组成部分,其电能采集终端配置和故障定位问题已成为一项重要课题.文中提出了一种基于整数线性规划的充电桩网络电能采集终端优化配置模型和故障定位模型.所建立的配置模型以配置成本最低为目标函数,通过规划采集终端的接入位置保证系统各节点电压和各支路电流的可测性;故障定位模型能够针对系统故...     

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。     

自适应粒子群优化灰色模型的负荷预测

针对传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果变差这一局限性,引入了比标准粒子群优化算法效率更高的自适应粒子群优化算法,并与GM(1,1)模型相结合,利用自适应粒子群算法求解GM(1,1)模型中的参数a和u,提出一种自适应粒子群优化灰色模型.通过对四个地区的用电量进行实例仿真,证明该模型具有较广的适用范围和较高的预测精度.     

基于变权Voronoi图和混合粒子群算法的电动汽车充电站规划

针对城市电动汽车充电站规划布局及服务范围划分的问题,提出一种基于变权Voronoi图和混合离散粒子群算法的优化算法。为解决离散粒子群算法在达到最优解时容易发生变异的问题,改进了离散粒子群算法中的概率映射函数,提高算法迭代中后期的全局搜索能力;引入加权Voronoi图生成过程中可随充电站的服务能力和最大服务半径约束动态调整的变权重系数,使充电站服务范围的划分可控且更为合理;利用最短路径法求得用户充电行驶过程中的交通路径距离来取代传统的欧式距离,提高算法的准确性。运用改进后的混合离散粒子群-变权Voronoi图算法求解算例模型,通过算例结果验证了所提算法用于电动汽车充电站规划的有效性。     

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。     

基于自适应量子遗传算法的电动出租车充电站规划

电动出租车充电基础设施的科学布局与建设对于电动出租车的推广具有重要的意义。考虑到对于以收益最大为目的的电动出租车驾驶员而言,时间价值具有重要的意义,以充电站建设及运行维护年费用、出租车前往充电站耗时年成本、充电等待时间年成本及配电网网络损耗年费用构建全社会年总成本目标函数,以配电网安全运行为充电站布局规划的约束条件建立模型。在量子遗传算法中引入自适应调整策略,并与Voronoi图法相结合对模型进行求解,基于Voronoi图划分的充电站服务范围,采用排队论的M/G/c对充电站容量进行优化配置,从而实现电动出租车充电站的选址定容。最后,以36节点的路网和33节点的配电网络为例说明了模型和方法的有效性和实用性。