带分布式电源的配电网电能质量扰动源定位

为实现带分布式电源的智能配电网发生电能质量扰动时的自动精确定位,提出了一种粒子群优化算法和矩阵算法结合的电能质量扰动源自动定位算法。采用矩阵描述配电网拓扑结构和电能质量监测信息,建立了矩阵粒子群优化模型,构建了一种新的评价函数,通过矩阵粒子群迭代进行全局寻最优解。MATLAB仿真表明,该算法能实现在接入分布式电源情况下的扰动源自动精确定位,并具有定位准确、收敛性好、容错率高等优点。     

基于模糊控制模型的电压暂降监测装置优化配置

提出了一种基于模糊控制模型和粒子群算法的电压暂降监测装置的优化配置方法。针对传统基于可观测区域(MRA)的方法的不足,提出了模糊阈值和观测指数的概念。考虑监测点观测能力,建立模糊控制模型以构造优化目标函数,进而采用离散粒子群优化(BPSO)算法对电压暂降监测装置进行优化配置。通过IEEE 30节点测试系统对所提方法进行仿真分析,并将所提方法和传统方法得到的配置结果相比较,结果表明所提方法不仅实现了全网电压暂降的完全可观测,而且实现了监测装置的最优配置。     

基于量子行为粒子群优化-人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization, QPSO)的改进算法,用于优化人工神经网络(artificial neural network, ANN),实现电能质量(power quality, PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。     

计及监测可信度的扰动源定位粒子群算法

当智能配电网发生电能质量扰动时,由于网络结构、高斯噪声和监测误差等因素常存在扰动方向误判问题,而现有电能质量扰动源定位方法对此定位准确度低。由此提出一种计及监测可信度的扰动源定位粒子群算法。设计了一种监测可信度函数构建方法,来表征扰动方向判定的准确程度,创新性地建立了粒子群可信度优化模型,提出了独创的评价函数,通过粒子群迭代进行全局寻最优解。通过Matlab仿真表明,所提新算法实现了在部分监测数据有误情况下的扰动源自动精确定位,并具有定位准确、收敛性好和容错率高等优点。     

一种考虑电压暂降分布域的电能质量监测仪的优化配置方法

提出一种利用整数规划和粒子群优化算法,对考虑电压暂降分布域的电能质量监测仪进行优化配置的方法.通过PSCAD/EMTDC仿真建立一个能反映电压暂降域的0～1敏感度矩阵,形成整数规划的约束条件,以监测装置安装数量最小化为目标函数,采用粒子群算法进行优化.目的是在满足短时电压扰动阀值和配置规则的前提下,用最小数量的监测装置...     

网络化电能质量监测与分析系统的设计

概括了网络化电能质量（PQ）监测与分析系统的主要特性和关键研究课题。采用一种经济型的网络化监测与分析系统结构,并通过整数线性规划问题最优解求取的方法进行监测点数量和布置点的优化设计,实现系统构建的经济优化。提出了一种PQ事件源定位的改进型算法,基于虚拟PQ监视器（PQM,即电能质量采集终端）的定义实现系统覆盖矩阵和方向矩阵的扩展,经过简单的矩阵运算可实现事件源的自动精确定位。分别采用5节点环状系统和简单的辐射型配电系统验证了经济优化算法和事件源自动精确定位算法的有效性。     

基于改进量子粒子群算法的配电网络优化重构

为了更好地利用分布式电源(DG),需要调整配电网开关状态优化网络结构。基于此,旨在利用一种智能算法对含DG的配电网进行优化重构。以网损最小为目标函数,建立配电网重构模型,并给出重构需要满足的约束条件;按照DG接入配电网的接口类型将其分为PQ型、PV型、PI型和PQ(V)型四种类型,选择前推回代法对含DG的配电网进行潮流计算;通过分析二进制粒子群算法(BPSO)与量子粒子群算法(QPSO),提出了一种改进的量子粒子群算法—加权的二进制量子粒子群算法(WBQPSO)。以IEEE33节点配电系统为例,采用二进制编码方式,通过仿真结果可以发现WBQPSO通过对粒子的平均最好位置加权处理,改善种群多样性,提高收敛速度,可以得到更好的网络重构的优化结果。     

考虑虚拟电厂的分布式电源优化配置研究

为了分析大量分布式电源接入对配电网电能质量的影响,构建了考虑虚拟电厂的分布式电源配置电能质量优化模型,并提出一种PSO-DE优化算法进行求解.首先,对含有虚拟电厂电源的配电网进行了建模,分析了虚拟电厂电源接入对配电网的影响;接着,针对不利影响建立了包含电压偏差和畸变率综合最小为目标的电能质量优化模型;然后,改进传统粒子...     

基于回溯迭代搜索-粒子群算法的配电网无功优化研究

在考虑配电网电压质量和无功补偿设备容量限制的条件下,以有功网损最小为优化目标、网络拓扑结构为约束条件建立了无功优化模型。针对粒子群算法存在着早熟现象、收敛速度慢和易陷入局部最优解的特点,提出了一种基于回溯迭代的粒子群算法(BPSO)。该算法采用回溯迭代的"0-1"特性,在寻优过程中通过剪枝函数避免无效搜索,改善了优化的路径,从而提高了PSO全局寻优性能。通过IEEE 30节点配电网算例的仿真,验证了BPSO算法的优解性,并与常规PSO算法对比证明所提算法的优越性。     

含移动式储能的主动配电网分层优化控制方法

移动式储能技术具有灵活性强、应用场景广泛等优点。除应急供电外,移动式储能技术在配电网削峰填谷、提高电能质量等方面也有良好的应用前景。针对分布式发电接入的配电网的优化运行问题,文中考虑利用移动储能日常闲置情况提出了一种综合移动储能调度和无功优化的主动配电网分层控制策略。其中,上层优化模型综合考虑净负荷方差和移动储能总运行成本最优;下层优化模型考虑移动储能调度与无功优化相配合,以电网电压偏差最小、网损成本最小以及迁移成本最小为目标。此外,文中考虑该模型具有多维非线性特性,引入量子行为与概率表达特性,提出一种改进量子粒子群算法,采用量子位对粒子当前位置进行编码,利用量子行为进化方程实现对粒子最优位置的搜索,提高了算法收敛速度与寻优精度。最后,结合IEEE 33节点配电系统进行仿真分析,验证了所提控制策略和算法的有效性。     

Optimal allocation of phasor measurement unit for full observability of the connected power network

This paper presents binary particle swarm optimization (BPSO) technique for the optimal allocation of phasor measurement units (PMUs) for the entire observability of connected power network. Phasor measurement units are considered as one of the most important measuring devices in the prospect of connected power network. PMUs function may be incorporated to the wide-area connected power networks for monitoring and controlling purposes. The optimal PMU placement (OPP) problem provides reference to the assurance of the minimal number of PMUs and their analogous locations for observability of the entire connected power networks. Binary particle swarm optimization (BPSO) algorithm is developed for the solution of OPP problem. The efficacy and robustness of the proposed method has been tested on the IEEE 14-bus, IEEE 30-bus, New England 39-bus, IEEE 57-bus, IEEE 118-bus and Northern Regional Power Grid (NRPG) 246-bus test system. The results obtained by proposed approach are compared with other standard methods and it is observed that this BPSO based placement of phasor measurement units is found to be the best among all other techniques discussed.     

考虑节能效益的企业分布式电源优化配置

针对企业供配电系统分布式电源规划问题,以企业节能效益最大化为目标,建立企业分布式电源优化配置模型。采用改进粒子群算法进行求解,将参数自适应调节、粒子交叉、模拟退火算法融入粒子群算法,有效提高了粒子群算法的寻优效率。采用IEEE33节点配电系统进行了算例仿真分析,仿真结果表明,利用此模型对分布式电源进行优化配置后,配电网损耗降低、电压质量显著提高、企业节能经济效益得到最大化提升。算例有效验证了优化配置模型与改进粒子群算法的可行性。     

考虑谐振基于改进PSO算法的电容器优化配置

为了达到电容器的优化配置,避免配电网中电容器与系统、负荷阻抗发生串并联谐振,在考虑谐振的情况下,数学模型上将电容无功功率与串并联谐振频率的关系作为约束条件,采用改进的粒子群优化算法(PSO),提出时变的非线性三角函数方法来控制参数对电容器进行优化配置。最后将优化配置的电容器与优化前的经济费用、网损等进行比较,结果表明优化配置后的电容器具有明显的经济性,且有效地避免了谐振的发生。     

考虑运行风险的主动配电网分布式电源多目标优化配置

考虑配电网运行中的不确定性,文章通过改进蒙特卡洛法生成大量预想事故集,利用潮流计算和拓扑分析得到接入分布式电源后系统运的行风险。提出一种考虑主动配电网运行风险的分布式电源多目标优化配置模型,将主动配电网运行带来的运行风险RL与分布式电源运行成本CDG作为目标函数,采用改进的粒子群算法对多目标优化模型进行求解,获得分布式电源安装位置和安装容量以及运行风险与运行成本之间的权衡关系。仿真算例表明,所提出的考虑主动配电网运行风险的分布式电源多目标优化配置方法,与单一只考虑经济性或者可靠性的优化模型相比更加合理,适用于分布式电源的优化选址和定容,验证了该模型的可行性。     

Distribution Feeder Scheduling Considering Variable Load Profile and Outage Costs

In a deregulated power market, customers would have more choices for their power service and the improvement of service quality has become a challenge to power transmission and distribution companies. Distribution system reliability that was traditionally considered within the planning activities is now incorporated in the operational environment. This paper presents study results of a multiobjective feeder operation optimization problem that considers how to balance network efficiency, switching and reliability costs in a distribution network. The proposed method divides annual feeder load curve into multiperiods of load levels and optimizes the feeder configurations for different load levels in annual operation planning. Customer load profiles and seasonal varying data of feeder section failure rates and customer interruption costs are considered. Numerical simulations demonstrate the time-varying effects on the optimal distribution feeder configuration and operation costs. A binary particle swarm optimization (BPSO) search is adopted to determine the feeder switching schedule. Test results indicate that not considering time-varying effects and using only simplified fixed load and reliability parameters could underestimate the total loss to the utility and its customers.     

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性.提出了基于二值粒子群优化(binary particle swarm optimization , BPSO)的多核学习 SVM 分类方法(BPSO-MKSVC)进行变压器故障诊断.多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解.采用BPSO 优化算法对 MKSVC 中的基核数及模型参数进行优化,实现了参数的自主选择.与常用诊断算法相比, BPSO-MKSVC 具有更高的诊断精度;与 PSO 优化的 SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

基于分布式协同粒子群优化算法的电力系统无功优化

该文提出一种新颖的用于求解无功优化问题的分布式协同粒子群优化算法.考虑到大规模电力系统集中优化难度较大,采用分层控制中的分解-协调思想将大系统分解成若干个独立的子系统,有效地降低求解问题的复杂度,并采用混合策略在各子系统问进行协同进化.此外,子系统的无功优化采用了一种改进的粒子群优化算法,考虑了更多粒子的信息,能有效地提高算法的收敛精度和计算效率.对4个不同大小规模的系统进行的仿真计算结果表明该文提出的方法能够获得高质量的解,并且计算时间短,效率高,适合求解大规模电力系统的无功优化问题.