基于改进PSO算法的短期发电计划研究

介绍了粒子群优化算法PSO(Panicle Swarm Optimization),并针对短期发电计划中的优化问题提出了一种改进PSO算法,将表示机组开停机状态的离散变量转换为0～1范围内的连续变量．与机组出力一起进行PSO优化搜索,然后再利用就近取整函数“mund”将其转换成整数变量。详细描述了应用改进PSO算法求解机组优化启停问题的具体步骤。将该方法应用于10机系统,实验结果表明该改进PSO算法用于短期发电计划是可行的。     

基于混沌进化算法的梯级水电系统短期发电计划

提出一种求解梯级水电系统短期发电计划问题的新方法－混沌杂交进化算法（CHEA）。该算法将混沌序列与进化算法有机结合在一起,同时采用浮点数编码并构造一种新的自适应误差反向传播变异算子,从而有效抑制了进化算法的“早熟”现象和收敛速度慢等缺陷,仿真计算结果表明,该方法可以求解具有复杂约束条件的非线性优化问题,算法求解精度高,收敛速度快,从而为水电系统的短期发电计划问题提供了一种有效的方法。     

水火电力系统短期发电计划优化方法综述

水火电力系统的短期发电计划问题在电力系统的安全可靠和经济运行中发挥着越来越重要的作用，由于其本身的复杂性，很难从理论上找到全局最优解。深入探讨各种优化算法，并加以分类，详细综述各种优化方法在水火电力系统短期发电计划问题中所取得的研究成果和存在的不足之处。     

基于遗传算法的水火电混合电力系统短期发电计划优化

在改进传统遗传算法的基础上 ,提出了水火电混合电力系统短期发电计划优化问题的数学模型和求解方法。模型计及了水电机组的发电流量、净水头和输出功率间的非线性关系 ,水电系统中多级水库的水流延迟等因素。算例表明本算法能更有效地达到或接近全局最优解 ,对编制大型水火电混合电力系统的日调度计划有实用价值。     

基于遗传算法的水火电混合电力系统短期发电计划优化

在改进传统遗传算法的基础上,提出了水火电混合电力系统短期发电计划优化问题的数学模型和求解方法.模型计及了水电机组的发电流量、净水头和输出功率间的非线性关系,水电系统中多级水库的水流延迟等因素.算例表明本算法能更有效地达到或接近全局最优解,对编制大型水火电混合电力系统的日调度计划有实用价值.     

以短期发电计划为题的毕业设计教学实践

为使毕业生建立对电力系统运行工作的清晰认识,进行了以电力系统短期发电计划为核心的电气工程及其自动化专业本科毕业设计课题的开发教学工作.课题主要包括负荷预测、机组组合、负荷经济分配、潮流计算等内容.开发工作主要包括仿真电力系统的选择、发电机组参数的确定、历史负荷数据的编制及给学生提供适当的求解方法等.6名本科毕业生的教学...     

基于改进神经网络算法的光伏发电功率短期预测

光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,但是光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。针对此问题本文提出一种基于粒子群算法和神经网络算法的组合预测方法对光伏发电功率进行短期预测,对传统神经网络功率预测算法寻优性能欠佳的问题进行改善,利用粒子群算法对输入样本进行合理优化,同时利用变步长的动量梯度法对神经学习因子进行不断修正,形成一种组合的功率预测方法用于光伏功率预测。仿真结果表明本文预测模型在日类型天气为晴朗天气时的预测结果最好,精度提升相比传统方法来说13%左右。     

基于PSO和曲线重迭算法的扩展短期负荷预测

精确的电力系统扩展短期负荷预测,有利于改善短期负荷预测效果和制定科学合理的滚动发电计划。根据历史负荷数据的内在规律性,提出了一种基于粒子群优化改进曲线重迭算法的扩展短期负荷预测方法。该方法由若干个同日类型日形成相关负荷集,并结合粒子群优化算法(PSO)的全局寻优能力对传统曲线重迭法中的参数进行了优化,有效克服了传统曲线重迭算法中依据经验选定参数的盲目性。研究结果表明,该预测方法较传统曲线重迭预测法有更高的预测精度。     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。在基本粒子群算法的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习。通过该算法进行仿真计算,证明了该算法的有效性。     

结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法

光伏阵列在局部阴影时的P-U曲线呈现多峰特性,需要设计光伏多峰最大功率点跟踪方法,以实现光伏发电最大功率输出,提高光伏发电效率。相比粒子群优化算法,量子粒子群优化算法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索;根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压;并根据量子粒子群优化算法收敛时粒子自身最优位置的特点,提出了更适合光伏多峰最大功率点跟踪的收敛判据。仿真测试表明,提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪,收敛速度更快,避免了不收敛的问题,且具有应对光照情况变化的能力,提高了局部阴影时光伏发电的效率。     

基于改进粒子群优化算法的最大风能跟踪方法

风能作为一种随机性很大的能量,具有明显的非线性.为了提高风能的利用效率,需要进行最大功率点跟踪(MPPT).针对传统粒子群优化算法对参数敏感度较强、易于局部收敛等缺点,提出基于优势速度保留策略的变邻域粒子群优化算法.首先,考虑社会个体对其环境的认知规律,通过简化传统粒子更新公式以降低算法性能对参数设置的敏感程度;其次,为充分利用粒子更新中所得优势粒子速度信息,一种优势粒子速度小概率变异策略及劣势粒子速度随机赋值方法随之被提出;最后,将其应用到风力发电系统的最大风能跟踪控制中,并与传统粒子群优化算法进行比较.仿真结果显示,该算法可以实现动态过程中风力发电系统的最大风能捕获,提高系统的运行效率和动态响应速度.     

用于配电网开关优化配置问题的二进制PSO算法

提出了1种求解配电网开关优化配置问题的二进制粒子群(PSO)算法。该算法通过对开关设备总投资、年运行费用和年停电损失费用等优化计算,以达到综合年费最少的角度,确定了1种开关配置方案。仿真计算表明,二进制PSO算法相对于遗传算法和免疫算法等搜索方法而言,具有更好的全局收敛性,且算法简单,是求解配电网开关优化配置问题一种有效方法。     

基于改进粒子群算法的火电系统节能环保多目标优化调度模型

针对火电系统生产过程中的环境污染问题,提出以火电系统节能环保为重点研究对象的多目标优化调度模型,并以改进的粒子群算法进行求解。结合灰色系统理论中有关灰色关联度的概念对粒子群算法多目标求解机制进行改进,对煤耗量、污染气体和烟尘排放等的多目标火电系统优化求解,引入压缩因子改善粒子群算法的性能,增强其全局收敛能力。通过IEEE 14节点系统算例证明本算法的有效性。     

一种改进的PSO算法在系统无功优化中的应用研究

为了确定系统中无功的合理配置,针对传统粒子群算法的不足,提出一种改进的小生境粒子群优化算法:借助于问题的局部极值点信息,对原目标函数进行"拉伸"变换,达到优化计算、缩小目标函数极值范围和降低搜索难度的目的。IEEE-6节点标准系统仿真结果表明,所提算法不仅收敛速度更快,且具备更强的全局搜索能力。     

基于功率闭环控制与PSO算法的全局MPPT方法

基于对现有多峰值最大功率点跟踪(maximum power point tracking,MPPT)方法不足的分析,提出一种基于功率闭环控制的动态MPPT跟踪策略。该方法采用功率闭环方式实现全局最大功率点的定位,利用功率闭环控制在P-U曲线上的局部不稳定现象实现P-U曲线的快速全局扫描,克服了峰值点分布及算法参数取值对MPPT动态过程的影响。同时采用电压截止控制克服了功率闭环控制对系统整体稳定性的影响。采用基于粒子群(particle swarm optimization,PSO)算法的变步长跟踪策略消除了最大功率点跟踪的稳态功率震荡问题。最后,通过仿真与实验验证该方法的可行性和有效性,结果表明,该方法不依赖光伏阵列的已知信息,便可实现静态和动态环境下全局最大功率点跟踪,提高多峰值最大功率点跟踪的动态速度和稳态跟踪精度。     

基于拉格朗日乘子法的虚假数据攻击策略

虚假数据攻击面临掌握的电气参数存在误差,甚至不完整及量测数据中存在不良数据的问题,提出一种基于拉格朗日乘子法的虚假数据攻击策略。首先通过拉格朗日乘子法和增广状态估计法辨识不良数据和估计未知支路电抗,然后在凸松弛技术框架内,将传统的攻击单个量测点的次优虚假数据攻击向量模型转化为基追踪(BP)模型,最后采用交替方向乘子法(ADMM)快速求解次优攻击向量。以典型的IEEE节点测试系统为例进行仿真测试,仿真结果表明:与传统的线性规划算法相比,将攻击单个量测点的次优攻击向量模型转化为BP模型后,采用ADMM求解次优攻击向量具有更高的计算效率;电抗未知支路数量较少时,攻击成功率较高,但是状态变量的误差向量的标准差较小时,电抗未知支路数量对攻击成功率影响减弱;该方法不会显著增加攻击成本。     

基于改进PSO算法的电力系统无功优化研究

将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程。为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第 3种极值指导粒子搜索方向,并引入了“飞回”策略。对IEEE-30节点系统的仿真计算结果表明了算法的有效性。     

改进粒子群优化算法的电力系统最优潮流计算

标准的粒子群优化(PSO)算法一般不能兼顾收敛速度、全局探索能力和局部精细搜索能力,因此,提出了改进粒子群算法以解决电力系统的最优潮流计算问题,同时指出今后粒子群算法的研究方向.