基于扩展粒子群优化算法的同步发电机参数辨识

提出一种新的扩展粒子群优化(EPSO)算法并应用于同步发电机参数辨识。在粒子群优化(PSO)算法的基础上，EPSO算法采用更多粒子的位置值信息进行变异操作，并且提出根据各粒子的适应值大小确定算法控制参数的方法，保证了扩展后算法的收敛性，EPSO算法模型更具有通用性。仿真算例结果表明了在系统受到较大干扰的情况下，EPSO算法比EP算法和PSO算法具有更精确的参数综合辨识能力，并且EPSO算法比EP算法具有更高的收敛效率。     

基于粒子群-量子操作算法的同步发电机非线性模型参数辨识

为解决同步发电机三阶非线性模型参数辨识问题,在将参数辨识问题转化为非线性优化问题的基础上,引入粒子群优化(particle swarm optimization,PSO)算法.考虑到PSO收敛速度慢、参数辨识精度低,而量子粒子群优化(quantum particle swarm optimization,QPSO)算法收敛速度快、具有较好的全局搜索能力,将量子操作引入到PSO算法中,提出了粒子群-量子操作(particle swarm optimization with quantum operation,PSO-QO)优化算法.仿真试验结果表明,与PSO算法、QPSO算法相比,PSO-QO算法收敛速度快、参数辨识精度高、算法更为稳定;与经典扩展卡尔曼滤波(extended Kalman filter,EKE)方法相比,PSO-QO具有更强的鲁棒性,尽管强噪声条件下参数辨识精度有所下降,但效果仍优于EKF.     

基于混合算法的同步发电机参数辨识方法研究

提出一种同步发电机参数辨识的新方法:最小二乘法(LSM)和扩展粒子群优化算法(EPSO)相结合的混合算法。通过理论分析和算例验证得出这两种算法的优缺点,发现它们有很强的互补性,可将其综合使用,取长补短。仿真算例结果论证了该综合方法的可行性。     

基于改进混沌粒子群的PEMFC模型参数辨识

基于质子交换膜燃料电池(PEMFC)电堆的输出特性及相关电化学反应建立输出特性模型,提出改进混沌粒子群优化(CPSO)算法来优化PEMFC输出特性模型参数辨识问题。首先采用6种标准测试函数验证了CPSO算法的寻优性能,然后针对两种参数不同的电堆进行了输出特性模型参数辨识。结果表明,相较于遗传算法(GA)、粒子群优化(PSO)算法、受约束粒子群优化(B-PSO)算法、具有收缩系数的粒子群优化(PSO-χ)算法、引力粒子群优化(GSAPSO)算法以及差分进化算法(DE),CPSO算法辨识精度最高且收敛速度最快。静态工况下电堆1的均方根误差为0.213,平均相对误差为2.339%;电堆2的均方根误差为0.481,平均相对误差为1.243%,充分说明CPSO算法在PEMFC输出特性模型参数辨识方面的优越性。     

一种改进粒子群算法及其在热工过程模型辨识中的应用

为了提高基本粒子群优化(PSO)算法的收敛性,提出了一种引入选择与变异机制的改进PSO算法。该算法选择一定范围的优秀粒子代替较差粒子,并使粒子以不同的概率变异。仿真试验表明,引入选择与变异机制使PSO算法的收敛速度得到了提高,并且有效抑制了PSO算法的早熟。将改进PSO算法应用于热工过程模型辨识,在较少的迭代次数内得到了比较精确的模型辨识结果,且具有很好的收敛性能,获得了满意的辨识效果。     

基于扩展PSO和离散PI观测器的电池SoC估计

为了抑制锂电池固有的非线性特性以及复杂的车载环境所带来的外部干扰对锂电池荷电状态(state of charge,SoC)估算的影响,采用改进的Thevenin锂电池等效电路模型,利用扩展粒子群算法(extended particle swarm optimization,EPSO)离线辨识以及在线修正模型参数,并设计了一种离散PI观测器(discrete PI observer,DPIO)来获得锂电池SoC估算值,该算法具有结构简单,易于移植等优点。实际测量数据结合MATLAB/Simulink仿真实验结果显示基于扩展PSO和离散PI观测器的锂电池SoC估计值最大绝对误差小于2.5%,优于基于扩展卡尔曼滤波算法的SoC估算算法和基于人工神经网络的SoC估算算法,而且速度更快,鲁棒性更好,能够胜任实际车载锂电池估算场合的需求。     

基于改进粒子群算法的锅炉再热蒸汽温度模型辨识

由于火电机组现场干扰及再热蒸汽温度本身特征的复杂性,传统辨识方法与基本粒子群(PSO)算法在再热蒸汽温度模型辨识方面均存在收敛速度较慢和寻优精度较低的问题。本文采用一种基于自然选择和自适应动态权重的粒子群优化(D-SPSO)算法,该算法较好地平衡了PSO算法的全局搜索能力和局部改良能力,提高了寻优性能,并且相比基本PSO算法未引入新的控制参数,避免了待调参数增多对模型辨识精度造成的负面影响。通过基于两种算法的仿真数据和超超临界660 MW机组压力直流锅炉现场数据对基本PSO算法和D-SPSO算法的再热蒸汽温度传递函数模型进行验证,结果表明,D-SPSO算法辨识得到的再热蒸汽温度更接近实际值,且寻优性能和搜索能力均有显著提升。     

自适应粒子群优化算法在电力系统无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。IEEE30节点无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

粒子群算法在电动机辨识中的应用及研究

介绍了粒子群算法(PSO)及其实现电动机参数辨识的工作原理,总结了应用粒子群算法实现电动机参数辨识的国内研究状况,并指出了粒子群算法在电动机参数辨识领域以离线电动机工程应用为主的发展趋势.     

自适应粒子群优化算法及其在无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。某具有151个节点、71个控制变量的实际电网无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

Multi-area Environmental Economic Dispatch with Reserve Constraints Using Enhanced Particle Swarm Optimization

In this paper, the multi-area environmental economic dispatch (MAEED) problem with reserve constraints is solved by proposing an enhanced particle swarm optimization (EPSO) method. The objective of MAEED problem is to determine the optimal generating schedule of thermal units and inter-area power transactions in such a way that total fuel cost and emission are simultaneously optimized while satisfying tie-line, reserve, and other operational constraints. The spinning reserve requirements for reserve-sharing provisions are investigated by considering contingency and pooling spinning reserves. The control equation of the particle swarm optimization (PSO) is modified by improving the cognitive component of the particle's velocity using a new concept of a preceding experience. In addition, the operators of PSO are dynamically controlled to maintain a better balance between cognitive and social behavior of the swarm. The effectiveness of the proposed EPSO has been investigated on four areas, 16 generators and four areas, 40 generators test systems. The application results show that EPSO is very promising to solve the MAEED problem.     

Economic load dispatch with nonsmooth cost functions using evolutionary particle swarm optimization

This paper presents an evolutionary particle swarm optimization (EPSO) method for solving the nonconvex economic load dispatch (ELD) problem. In practice, the nonconvex and the discontinuous cost function should be considered when optimizing ELD problem with constraints such as valve point effects, prohibited operating zones, ramp‐rate limits, and transmission loss of the system. In view of these constraints, the ELD problem is difficult to solve by any mathematical method. In EPSO, the evolutionary programming concept (combination, tournament competition, sorting, and selection) is employed in the classical PSO method in order to find the best individual and best group position based on the survival particle. The effectiveness of the EPSO is tested on 3‐, 6‐, 15‐, and 38‐unit systems. The results obtained by EPSO are also compared with classical PSO and other results reported in the literature. It is concluded that the EPSO method can produce lower generation cost compared to the existing methods. © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

增强输电能力的TCSC选址与定容研究

提出了一种新的TCSC选址方法,采用简易粒子群算法求出系统中较为敏感的支路群,用改进的粒子群算法在较敏感支路群中确定TCSC的最佳安装位置,并求出TCSC的最佳安装个数和安装容量,来达到系统输电能力最大的目的。针对PSO易陷入局部最优的缺陷,把种群熵的概念引入粒子群算法对其进行了改进,IEEE30节点系统的仿真计算结果验证了所提方法的有效性。     

MOCLPSO算法在EED问题中的应用

针对粒子群优化PSO算法进行改进,对其容易陷入局部最优解的缺点提出了多目标综合学习粒子群算法(multi-objective comprehensive learning particle swarm optimization,MOCLPSO)算法.该算法采用了新颖的学习策略,即一个粒子可以学习其他所有粒子的pbest来更新自己的速度,以达到有效降低陷入局部最优解的可能性.将其应用于环境/排放规划EED问题,采用IEEE-30节点系统进行仿真,并将试验结果与经典的求解EED问题的算法相比较.验证了该算法具有较高的效率与全局搜索能力.     

基于粒子群支持向量机的短期电力负荷预测

在分析支持向量机SVM(Support VectorM ach ine)回归估计方法参数性能的基础上,提出粒子群算法PSO(Partic le Swarm Optim ization)优化参数的SVM短期电力负荷预测模型。PSO算法是一种新型的基于群体智能的随机优化算法,简单易于实现且具有更强的全局优化能力。用所建立的负荷预测模型编制的M atlab仿真程序,对某实际电网进行了短期负荷预测,结果表明预测精度更高。     

群体智能的系统辨识

概括了系统辨识的方法,重点介绍了最小二乘法、群体智能算法中的粒子群算法和改进的粒子群算法,给出了估计模型的选择方法,并结合某1000MW火电机组实例,运用两种方法进行了系统辨识和仿真.仿真结果表明,最小二乘法可以完成对系统的辨识,但存在较大偏差;采用粒子群算法辨识结果良好.     

改进粒子群算法及其在电力系统经济负荷分配中的应用

提出了一种用于求解一般形式的非连续、非凸、非线性约束优化问题的改进粒子群算法，用于求解复杂的非凸、非线性电力系统经济负荷分配问题。基于随机分析理论，证明了该算法依概率收敛至全局最优，且收敛性与粒子群的初始分布无关，并提出一个收敛的充分条件。多个算例的仿真结果表明：文中提出的算法有效、可行，可望应用于更广泛的优化问题     

基于粒子群算法的无刷交流发电系统PI参数整定

在MATLAB/Simulink软件中搭建三级式无刷交流同步发电机调压控制系统模型时,需要选取合适的PI参数使系统的输出电压满足相应的指标。考虑到传统的PI参数整定方法计算复杂,且计算出的参数需要经过多次调整才能满足系统指标,设计了一种基于粒子群(PSO)算法整定PI参数的方法,用以提高三级式同步发电机调压控制系统模型的PI参数整定效率。仿真结果验证了PSO算法整定无刷交流发电系统PI参数的可行性,可以根据需要的输出电压指标整定合适的PI参数。     

Generator parameter identification using evolutionary programming

This paper presents a new approach of evolutionary programming (EP) to the parameter identification problem. The EP is used to identify the generator parameters based on the measurements of generator outputs which are highly contaminated by noise. The EP is a very powerful search method and can be used for parameter identification of complex systems, by contrast to the conventional techniques such as the extended Kalman filter (EKF) method. Comparison between the two different methodologies, EP and EKF, is presented in the paper to show the potential of applications of the EP to parameter identification and system modelling.