基于局部粒子群算法的家庭用电负荷优化控制策略

提出一种分时电价政策下电能总花费最低的家庭用电负荷优化控制策略.采用局部粒子群算法对家庭中4类常见用电负荷的花费进行优化,与无优化处理和传统粒子群算法进行对比分析,并在Python平台上搭建数学模型和开展仿真实验.结果表明,局部粒子群算法可大幅度减少家庭用电花费,具有全局搜索能力强、收敛速度快等优点,可推广应用到家庭能源管理领域相关研究.     

基于粒子群寻优的家电负荷有序使用策略研究

随着智能家居的推广,不断增长家庭电力需求,引起电网容量不足,对用户用电安全提出新的挑战。建立有效的家庭负荷有序使用策略以降低电网负荷峰值,已经成为电力需求侧管理的重要内容。针对这一问题,考虑用户用电的起始时间、结束时间、用电时长等用电习惯,提出一种基于粒子群寻优的家电负荷有序使用策略。首先,建立家电负荷优先级函数的模型,描述调控对于用户满意度的影响;其次,通过主客观赋权法对优先级函数的子目标进行权重分配,并根据优先级函数制定优化目标;而后,通过随机权重策略的粒子群算法寻优求解。最后,通过实验仿真,验证了该方法在有效降低用户用电负荷峰值的同时,还能够保证用户的用电满意度。     

采用改进粒子群算法的修正弹脉冲参数优化建模与仿真

为提高脉冲修正弹药的末段修正控制效果,对其脉冲参数的优化设计问题进行研究。针对脉冲修正弹药脉冲离散控制的特点,建立了脉冲修正弹道模型,提出了一种脉冲控制策略,以弹目落点偏差最小为第一优化目标、以消耗脉冲总冲最小为次优目标,在一定约束条件下建立了脉冲参数优化数学模型,应用改进粒子群算法对脉冲参数进行了优化。数值计算结果表明,基于改进粒子群算法的脉冲参数优化设计数学模型具有较快的收敛性,利用该优化方法获得的脉冲参数,按照设计的修正控制策略,能够获得较佳的修正控制效果。     

基于多目标优化模型的电动汽车充电调度策略

针对电动汽车充电带来的配网系统负荷峰谷差过大的问题,基于配网系统负荷变化基本情况,提出了动态多目标优化模型的电动汽车充电调度控制策略.构建了动态多目标优化模型,并提出了控制充电功率和控制起始充电时间两种优化调度控制策略,采用动态粒子群算法对模型进行了求解.仿真结果表明,优化控制方案能够起到削减负荷峰值的作用,和优化前相比负荷峰值下降约20%,节约充电成本40%～55%.     

基于改进粒子群算法的整流供电智能优化调度

针对粒子群算法易早熟收敛的局限性，提出了一种带变异的改进自适应粒子群优化(PSO)算法.该算法根据群体适应度变化率自动调整惯性权值，根据当前种群的平均粒距确定种群中部分粒子的变异概率.对于大型锌电解过程中的整流供电调度问题，建立了以用电费用及耗电量最少为目标的整流供电优化调度模型，并应用改进算法进行优化求解，获得最优调度方案.仿真结果证明了该算法的有效性.工业应用效果表明，按最优调度方案组织生产显著降低了用电费用，同时有利于电网负荷的平衡运行.     

电力系统经济负荷分配的改进粒子群算法

为解决电力系统中的经济负荷分配问题,将改进粒子群算法用于其中。该算法是以基本粒子群算法为基础,利用优化惯性权重策略以及改进最优最差粒子策略,使改进粒子群算法具有高效率全局搜索能力。对三个算例进行仿真测试,证实该算法可有效地解决经济负荷分配问题;性能对比显示,该算法求得的解优于基本粒子群算法及其它优化算法所求得的解。     

改进粒子群优化算法的PID交流伺服系统控制策略

交流伺服系统由于其具有稳定性好、响应速度快等优点,在工控领域得到了广泛应用.但是采用传统控制策略难以获得满意的控制效果.针对这一问题,本文提出一种基于改进粒子群优化算法的PID控制策略,利用粒子群算法对控制器的初始参数进行优化,消除控制器的初始值对控制效果的影响,同时克服不确定因素对系统响应性能的不利影响,使其达到最佳工作状态.Matlab仿真结果表明,该控制策略有收敛速度快、控制精确度高及抗干扰能力强等优越性,改善了常规PID控制器的性能.     

应用神经网络粒子群算法的多用户检测

为了减少最优多有户检测器的计算复杂度,提出了一种融合粒子群优化算法和神经网络的神经网络粒子群优化算法,并设计了一种解决CDMA通信系统的多用户检测问题的新方法。该方法是把神经网络嵌入到粒子群优化算法的每一代中以改进算法性能。通过混合神经网络到PSO中,还可以加快PSO的收敛速度,减少计算复杂度。仿真结果证明了所设计的检测器无论抗多址干扰能力和抗远近效应能力都优于应用Hopfield神经网络、遗传算法和粒子群算法的多用户检测器。     

家庭智能电器负荷调度和能量分配优化算法

为了解决家庭用电高额能耗问题和提高用户供用电收益,针对家庭中具有用电差异性的负荷进行能量调度.根据可转移属性,将家庭用电负荷分为2个类别：弹性负荷和非弹性负荷.联合分布式可再生能源和储能设备构建智能电器用电负荷调度优化模型,基于李雅普诺夫优化理论提出时变电价下的家庭用户多电器能量分配算法.所提算法充分考虑了不同智能电器的用电负荷响应及调度优化问题.理论性能分析证明,所提算法能够在不需要系统的先验统计信息的情况下使优化目标渐近最优.对所提算法的用户收益提升能力进行仿真验证,结果表明,相较于未考虑各家用智能电器实际需求和可容忍时延的分配算法,所提算法可将用户收益提高11.2%.     

基于改进粒子群算法的动态无功优化研究

根据电力系统中负荷不断变化的情况,提出了动态无功优化的数学模型,并依据负荷曲线的变化特点进行智能分段。对粒子群算法进行改进,使其具有更好的收敛性和精确度,有效的避免了陷入局部最优解的情况。IEEE6节点系统算例分析表明,改进后的粒子群算法相比改进前的粒子群算法有明显的改善,能够减小系统网损。     

拉伸技术粒子群优化算法的多用户检测器

粒子群优化算法是一类新型进化算法,为提高粒子群优化算法对复杂问题全局最优解的探测能力,该文引入一种基于拉伸技术的粒子群优化算法,把它应用到CDMA通信系统中抗干扰关键技术——多用户检测中,提出了基于拉伸粒子群算法的多用户检测器。仿真结果表明,该检测器在误码率性能、抗远近效应和增加系统容量方面的性能较之其他的检测器均有明显的提高。     

基于模拟退火PSO的电力系统无功优化

对粒子群优化算法方法进行改进,把模拟退火机制引入到粒子群优化算法方法中,提出了基于模拟退火粒子群优化PSOSA(PSO with Simulated Annealing)算法,通过适当选择种群大小、调整惯性权重系数ω和退火系数C,以温度的缓慢下降来控制粒子的寻优过程,提高了粒子群优化算法的全局收敛性,改善了粒子的局部搜索能力.建立了以网损最小为目标的电力系统无功优化模型.通过对IEEE-30系统的无功优化计算,结果表明,PSOSA算法具有更好的全局收敛性和良好的搜索能力.     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于新型建筑智能化平台的多储能装置协同控制方法研究

储能系统接入建筑配电网络可以起到"削峰填谷"的作用,有助于优化电能的分配与使用。当前储能装置的优化调度问题正在成为研究热点。新型建筑智能化平台采用的邻居节点交互机制,为实现多节点的协同控制提供了有效途径。本文针对现有控制方法难以适应多储能装置的协同调度问题,以用电负荷波动方差最小为优化目标,构建了多储能装置削峰填谷优化调度模型,基于新型建筑智能化平台,结合用户用电的负荷数据,利用粒子群算法实现了优化调度模型的求解。仿真实验结果表明,基于新型建筑智能化平台的多节点协同机制,可以实现多约束条件下用电负荷波动方差最小的优化目标,实现多储能装置的协同控制,证明了该方法的有效性。     

计及用户不满意度的家庭能量管理调度优化研究

针对家庭能量管理调度优化问题,本文建立了计及用户不满意度的家庭能量管理调度优化模型,综合考虑用户用电成本、用户对用电时间的不满意度和对温度的不满意度3个目标,采用多目标粒子群算法(multi-objective particle swarm optimization,MOPSO)对模型进行求解,并结合信息熵法对最优解进行选取,从而完成对各家用电器的优化调度。同时,对不同情景下的用电模式进行算例仿真。仿真结果表明,采用计及用户不满意度的家庭能量管理调度优化模型对家用电器进行调度,可以在降低用户用电成本的同时,兼顾用户用电的舒适度,验证了模型的有效性。该研究对智能家居的调度和用户的智能用电具有重要的理论和指导意义。     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

基于自适应粒子群算法的智能家居管理系统负荷优化模型

在能源互联网发展的背景下,针对电网需求侧响应的策略及用户节约用电成本的要求,设计智能家居管理系统(smart home management system, SHMS)的基本结构,构建智能家居管理系统负荷优化模型,并采用引入衰减因子的自适应粒子群算法对模型进行求解,可得到满足用户要求的家庭负荷运行方案。仿真算例采用了实际的分时电价、室外温度、负荷参数等信息,与优化前相比,用户负荷曲线得到改善,用电成本及用电量明显下降,验证了算法的有效性。     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

基于改进粒子群算法的热连轧粗轧短行程控制曲线优化

对热连轧粗轧短行程控制原理和模型进行深入的分析基础上,采用一种新的进化寻优方法一粒子群优化方法,简称PSO算法,对短行程控制曲线进行优化;为了保证粒子群算法的全局最优性,在算法中采用带有变异算子的改进粒子群算法．经实验仿真证明,获得满意的效果,采用改进PSO算法优化后的短行程曲线,可以降低板坯头尾宽度偏差,减少头尾切损量,是一种有效的短行程控制优化方法．     

基于粒子群优化的非线性预测控制算法的特性分析与仿真研究

介绍了基于粒子群优化的非线性预测控制算法(PSO-NPC)的基本原理和算法流程。通过仿真实验,分析了预测控制和粒子群算法参数对PSO-NPC控制性能的影响。针对基于预测误差的单目标优化的PSO-NPC常规算法不足之处,提出了粒子群多目标优化的非线性预测算法。仿真结果表明,提出的算法是正确有效的。