基于TIPSO的水电站优化调度研究

针对水电站多目标联合优化调度问题,提出双层改进粒子群算法(TIPSO)。该算法通过动态廊道约束,提高粒子群算法中粒子初始解的质量;通过改进动态权重系数,增强粒子群算法在前期的全局寻优能力和后期的局部寻优能力,提高粒子群算法的收敛性。将该算法应用于求解河南省陆浑水电站多目标优化调度问题,计算结果表明双层改进粒子群算法具有较好的收敛性能;通过与动态规划算法计算结果对比,表明该算法求解高维、复杂、多约束问题的可靠性和有效性。     

基于分段粒子群算法的梯级水库多目标优化调度模型研究

提出了约束破坏向量、分段粒子群算法以及多目标分段粒子群算法,有效解决了在时间步长较小、计算时段数目较多时,传统智能优化算法解水库优化调度问题的寻优效率低下甚至无可行解的问题。该方法基于粒子群算法框架,引入约束破坏向量、分段操作和特殊变异操作来增强进化过程中的种群质量,从而提高算法的计算效率。闽江流域金溪梯级水库多目标优化调度的实例分析表明,在解时间步长较小、计算时段数目较多的水库优化调度问题时,分段粒子群算法、多目标分段粒子群算法相对其他算法具有明显优势。     

基于改进多目标粒子群算法的南水北调东线江苏段工程联合优化调度研究

针对南水北调东线江苏段工程优化调度问题,构建协调系统缺水量和抽江水量两目标的联合优化调度模型,研发基于改进多目标粒子群算法的模型求解方法,建立组合赋权-TOPISIS方法进行多属性决策方法,形成基于"两线-三湖-四水源-六区间"的水资源调配空间格局,提出以大型泵站工程为核心的骨干枢纽联合调度方案。在50%、75%和95%来水条件下,经优化调度后受水区缺水量与常规调度相比分别降低了10.2×10~8m~3、16.4×10~8m~3、7.1×10~8m~3,系统抽江水量分别减少了17.4×10~8m~3、14.8×10~8m~3和12.2×10~8m~3。该方案可有效提高供水保障水平,充分发挥三大湖泊的调蓄能力,降低系统运行成本,具有显著的社会、经济等综合效益。     

基于混合粒子群算法的梯级水电站多目标优化调度

提出多目标混合粒子群算法以求解梯级水电站多目标联合优化调度模型。该算法采用混合蛙跳算法的分组-混合循化优化框架以增强算法的全局搜索能力;在族群内通过粒子群算法的飞行调整策略指导个体进化;同时,引入外部精英集,建立了基于自适应小生境的外部精英集维护策略,提高了算法的收敛性和非劣解集的多样性。最后将该算法应用于三峡梯级水电站多目标优化调度工程,计算结果表明,本文算法能够获得计算实时性强、分布均匀、收敛性好的调度方案集,并以此分析明确了调度目标间的耦合关系,可为梯级电站的多目标调度决策提供科学依据。     

基于混合粒子群算法的梯级水电站多目标优化调度

提出多目标混合粒子群算法以解决梯级水电站多目标联合优化调度模型求解的难题。该算法采用混合蛙跳算法的分组－混合循化优化框架,增强算法全局搜索能力,在族群内通过粒子群算法高效灵活的飞行调整策略指导个体进化,同时,引入外部精英集,建立一种基于自适应小生境的外部精英集维护策略,提高算法的收敛性和非劣解集的多样性。最后将该算法应用于三峡梯级水电站多目标优化调度工程应用实例,结果表明,本文算法能够获得计算实时性强、分布均匀、收敛性好的调度方案集,并以此分析明确了调度目标间的耦合关系,为梯级电站的多目标调度决策提供了科学依据。     

梯级水电站优化调度的改进粒子群算法

针对粒子群算法易陷入局部最优的缺点,提出了一种双适应度方法、动态邻域算子和随机动态调整惯性权重机制有机结合的混合改进策略.算例计算表明,该改进策略能增强粒子的局部收敛能力,加快算法的收敛速度,便于处理复杂约束条件,为求解具有复杂约束条件的非线性规划问题提供了一种简单有效的方法.文中探讨了梯级水电站优化调度的相关问题,考虑了丰枯分时电价因素,建立了梯级水电站长期优化调度数学模型,并应用改进粒子群算法进行求解.实际梯级水电站计算表明,该模型使枯水期大部分时间出力均匀平稳,丰水期能兼顾防洪和蓄水的不同要求,有利于电力系统的稳定运行.改进粒子群算法计算速度快、收敛精度高,为梯级水电站长期优化调度提供了一种简单实用的求解方法.     

基于粒子群算法的梯级泵站优化调度研究

针对大型梯级泵站运行特点,用调度周期内的机组启动次数衡量维修成本,建立以抽水电费最小和机组启动次数最少为优化目标、以调度周期不同时段下流量分配为决策变量的双目标优化调度模型,并利用线性加权方法评估双目标之间的关系,最终采用粒子群求解算法进行模型求解。工程实例分析表明,基于线性加权的梯级泵站双目标优化调度,不仅可以获得抽水电费与机组启动次数之间的权重关系和最优运行方案,也可为梯级泵站调度决策提供理论依据。     

基于混合PSO算法的梯级水库优化调度研究

提出基于混合粒子群优化（PSO）算法求解流域梯级单目标优化调度问题方法的一般结构,并对三峡梯级的发电和洪水优化调度问题进行了研究。该算法利用离散微分动态规划法（DDDP）算法对粒子群优化算法的gBest粒子进行二次寻优,加快了算法的收敛速度和精度。     

基于改进粒子群优化算法的水库生态优化调度研究

文中对传统粒子群算法进行改进,提高其优化算法的收敛度,并结合改进粒子群算法对观音阁水库生态调度进行优化计算。研究结果表明,采用改进粒子群算法的水库生态调度优化求解精度得到明显改善,不同月份观音阁水库下游河道最小和适宜生态径流满足度相比于改进前显著提高。研究成果对于水库生态优化调度算法具有重要参考价值。     

水库发电优化调度改进粒子群算法应用

为进一步提升粒子群算法在水库发电调度中的应用效果，应用粒子群算法建立水库发电优化调度模型，从初始种群生成、寻优模式、更新策略等方面对算法进行改进，将均匀设计理念和混沌理念分别引入粒子群算法并对惯性权重进行了非线性自适应设计。计算结果与标准粒子群算法以及传统的动态规划进行了对比。结果表明，粒子群及其改进算法在水库发电优化调度中应用效果良好，综合考虑算法收敛能力、稳定性及计算耗时等指标，改进粒子群算法具有较高的实用价值。     

水电站优化调度人工蜂群新算法

介绍了一种近年发展起来的、易于实现且收敛速度非常快的群智能优化算法——蜂群算法,并将其应用于考虑峰谷分时电价的水电站中长期发电优化调度。通过计算实例,验证了该算法求解峰谷分时电价下水电站中长期优化调度问题的有效性。     

基于NSGA-Ⅱ算法最优组合的风电功率预测的研究

风电场的出力是一个受风速波动性和各种气象条件影响的复杂过程,风电功率预测的准确性可以大大提高电力系统调度运行的效率,维持发、输、用电之间功率的平衡。针对于此,对风电场进行功率预测时,建立了表征风电功率波动的平稳性指标,考虑到风电的波动性越小,预测精度就越高,引入了带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ),以此来求取各个风力发电机组的最优组合,使得组合后的风电出力更加平稳,波动更小,得到了一组pareto最优解集。然后对pareto解集中的所有组合的风力发电机组,利用BP神经网络进行功率预测,预测精度最高的解就是最优的组合。通过仿真验证,证明该方法的有效性和合理性。并将所得到的结果与经典的风电功率预测方法—小波预测和粒子群优化的BP神经网络(PSOBP)预测进行对比分析,证明了所提方法的优越性。     

大渡河流域混联水库群长期优化调度

以大渡河混联水电站水库群为研究对象,建立了兼顾不同保证出力情形下以发电量最大为目标的长期优化调度模型,并采用逐步优化算法（POA）及基于变域变步长搜索的POA改进算法求解。结果表明：在总发电量增加前提下,改进算法计算耗时较传统POA缩短约90倍;不同保证出力情形下,梯级、整体考虑惩罚较单库惩罚考虑,其流域多年平均发电量分别增加了241GW.h和309GW.h。     

兼顾安全与经济的电力系统优化调度协调理论

建立了兼顾安全与经济的电力系统优化调度协调理论的整体框架，提出了优化调度在空间尺度、时间尺度、电力生产环节、控制对象、电网安全稳定控制策略、优化目标、“三公”调度等7个方面的协调调度机制及协调调度模型。在空间尺度与时间尺度上，提出了“自下而上预决策及申报、自上而下决策、整体优化、多级多类优化协调、逐级逐类细化”的优化调度协调模型及算法，该模型考虑了国调、区域调和省调的优化调度计划在当前时间级、上一时间级、下一时间级之间的相互优化协调，能够实现资源在全国范围内的优化配置。在电力生产环节，提出了基于市场机制的节能发电安排原则及节能发电调度模式。     

基于改进多目标粒子群算法的平原坡水区水资源优化调度EI北大核心CSCD

在分析平原坡水区水资源优化调度特点的基础上,构建了协调泵站提水量和受水区缺水量两个目标的优化调度模型。针对传统粒子群算法存在的容易陷入局部极值点、早熟等缺点,从惯性因子及学习因子选择、外部档案维护和全局最优选取策略3个方面进行改进,对比改进多目标粒子群算法与传统NSGA-Ⅱ算法在求解测试函数中的表现,验证改进算法的可行性和优越性。对宿迁市黄河故道及以南地区水资源优化调度进行实例研究,采用改进算法求解模型得到Pareto前沿,结果显示,两个目标函数值分布范围较广,且各频率来水调度方案集在空间中分布均匀。     

基于调度数据网的定值单管理系统

提出了基于调度数据网的继电保护定值单管理系统。该系统采用基于可扩展置标语言（XML）的定值单跨区传输技术,通过网络安全隔离装置将定值单从位于安全区Ⅲ的调度中心下发到位于安全区Ⅱ的变电站,解决了长期以来存在的下发难题。同时,系统通过引入不可逆加密、数字签名等技术,提高了系统的安全性与可靠性。整个系统完成了电力系统定值单的自动网络流转,能较好地满足实际应用的需要。     

基于文化基因算法的梯级电站负荷分配研究

为了解决传统基于种群进化的搜索算法求解电站负荷分配中搜索精度低、易陷入局部最优的问题,结合文化基因算法的框架,以粒子群算法(PSO)作为全局搜索策略,分别引入爬山算法(HP)与模拟退火算法(SA)作为局部搜索策略,形成HPMA、SPMA两种文化基因算法。设计了相应的局部搜索激活机制,并针对负荷分配问题初始可行解生成效率低的问题提出了一种初始种群快速生成方法。实例计算表明,两种文化基因算法较单独使用SA、PSO等算法具有更好的求解精度,同时SPMA算法优于HPMA算法,SPMA算法有利于提高了梯级水电站负荷分配问题的求解质量。