基于APSO算法的水火电力系统模糊多目标优化调度

建立了以火电厂运行成本最低、污染气体排放最小和水电厂发电效益最大为目标的水火电短期多目标优化调度模型,以3个火电厂与4个梯级水电厂的组成的水火电系统相关数据为实际算例,采用基于反捕食粒子群算法的交互式模糊满意度多目标决策方法,建立不同的决策模型将多目标问题转化为单目标求解,决策者可根据不同的主观效益诉求得到满意的调度方案,避免了人为选取目标权重的随意性,决策计算过程简单实用。算例结果表明,所建模型的正确性和该方法的可行性。     

交互式电力系统多目标优化运行

提出以共轭梯度法进行交互式区间逼近，求解电力系统满足安全约束条件下，考虑经济和环境保护的多目标优化问题，由该算法所提供的多个有效解中，决策者可根据系统的各种运行方式及时活的选择满意解，使系统的运行总保持在整体上达到最优，整个计算过程交互进行了，既作了定量计算，又充分发挥了专家或行动人员的智能决策作用。经三机电力系统实例试算表明，该算法是有效的，且收敛性好，计算速度快，是一种具有较好实际应用前景的算     

基于动态模糊混沌粒子群算法的含电动汽车微电网多目标优化调度研究

提出一种基于动态模糊混沌粒子群算法的微电网多目标优化调度方法.利用动态目标函数与模糊理论解决多目标主观权值的缺陷,建立以运行维护成本、环境污染物成本为目标的微电网多目标调度模型.微电网多目标优化调度属于多变量、强非线性优化问题,针对传统粒子群算法求解时容易陷入局部最优等问题,在粒子初始化时,引入一种结合Chebyshev映射和Logistic映射的组合混沌映射,在粒子更新过程中,引入Logistic映射,从而增加粒子寻优的遍历性,加强算法全局优化能力.针对惯性权重在粒子群更新过程中的取值问题,采用迭代次数梯度改变惯性权重的策略.仿真结果证明了算法具有更高的收敛效率和更好的收敛效果.     

基于新型Memetic算法的多目标优化

为了更好地解决多目标优化问题,提出一种求解多目标优化问题的新型memetic算法。该算法利用微粒子群算法的全局搜索能力和同步启发式局部搜索相结合进行局部微调;利用基于模糊全局极值的概念处理种群中过早出现收敛以及解多样性保持等问题。通过进一步检测得出新算法的特点并展示其在多目标优化问题上的独立性和综合效应。同时应用新型算法对IEEE14节点标准电网进行无功优化计算。结果证明,该新型memetic算法具有很好的寻优能力,验证了该算法的有效性及科学性。     

交互式电力系统多目标优化运行

提出以共轭梯度法进行交互式区间逼近,求解电力系统满足安全约束条件下,考虑经济和环境保护的多目标优化问题。由该算法所提供的多个有效解中,决策者可根据系统的各种运行方式及时灵活的选择满意解,使系统的运行总保持在整体上达到最优。整个计算过程交互进行,既作了定量计算,又充分发挥了专家或运行人员的智能决策作用。经三机电力系统实例试算表明,该算法是有效的。且收敛性好,计算速度快,是一种具有较好实际应用前景的算法。     

考虑互动特性的水火电力系统优化调度策略

针对水火电联合运行的电力系统,首次利用优化的方法分析水电和火电间的相互作用规律和负荷的空间分布特性对电力系统节能运行的影响规律,揭示了其联合运行时的水电和火电的运行特征.以此为基础,构建了可充分发挥梯级水电站互动特性的优化调度模型.以一个含有梯级水电站的水火电力系统为例进行分析,结果表明可通过充分发挥水电能源的互补作用,实现非可再生能源的节约和促进能源的可持续高效利用.     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。     

基于多目标进化算法的电力系统环境经济调度

针对电力系统环境经济调度问题,提出采用进化规划算法,在综合考虑各种约束的情况下,把机组发电成本及污染气体的排放量同时作为优化目标,进行迭代搜索计算.该方法能简单快速地实现全局寻优,获得准确而完整的帕累托前沿,其有效性在IEEE30节点系统中得到了实验验证.     

传感器网络中基于模糊决策的多目标路由优化算法

针对无线传感器网络的特点,选取能耗和时延作为优化目标,建立了基于模糊决策理论的多目标整数规划的网络模型．采用目标满意度隶属函数定义各目标的优化贴近程度,提出了一种多目标优化路由算法．通过调整压缩满意度空间,可适应不同业务对能耗和时延的不同要求．实例计算结果表明了算法的可行性．仿真分析表明,在基于能耗和时延的满意度隶属函数加权和的综合性能指标上,本算法优于最小能耗算法和最小时延算法．     

基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法

在基于径向基函数神经网络（RBFNN）的电力系统短期负荷预测的基础上,采用量子粒子群优化算法（QPSO）优化神经网络权值,并运用模糊理论进行修正预测模型,提出基于QPSO—RBFNN和模糊理论的电力系统短期负荷预测方法．仿真实例计算结果表明该方法收敛速度快、预报精度高,具有工程应用前景．     

广义蚁群算法用于电力系统无功优化

将广义蚁群算法用于电力系统无功优化,建立了相应的的无功优化模型和求解算法,并比较了几种改进方法对优化结果的影响。通过IEEE 6,14,30节点系统仿真计算以及与传统优化方法的比较,表明所提出的方法是有效、可靠的。     

参数化诱导槽设计的吸能盒结构抗撞性多目标优化

针对车身前部抗撞部件吸能盒结构的常见的方形截面薄壁锥管,研究了其在低速冲击工况下的最佳抗撞性能模型优化。将压溃力效率及比吸能作为评价指标,建立加权组合形式的多目标优化模型。分析研究分布设置诱导槽对结构吸能与压溃力的影响,选择诱导槽设定的可行区域。以槽的个数、非均匀分布的槽间距离及槽的深度等作为优化参数,合理选取样本点后,分别应用三次多项式响应面法及径向基法构建其有效代理模型,并采用粒子群法进行优化设计,得出使结构最优的诱导槽位置分布及数量。仿真分析验证了本文方法的有效性。     

多角色多策略多目标粒子群优化算法

针对粒子群算法在解决复杂多目标问题时存在过早收敛和多样性不足的问题,提出多角色多策略多目标粒子群优化算法(MOPSO_RS). 该算法根据粒子的角色划分指标,给不同性能的粒子赋予不同角色;提出多策略的学习参数调整方法和多策略的全局最优粒子选取方法,帮助种群执行各种搜索策略. 不同的学习参数使各角色粒子获得不同的搜索策略,以调整粒子的探索和开发能力. 不同的全局最优粒子使各角色粒子搜索不同区域,提高种群的搜索效率. 为了避免算法陷入局部最优,引入带有高斯函数的变异算子,使粒子根据其角色朝向不同的全局最优粒子变异,提高算法的求解精度. 实验结果表明,对比其他改进多目标算法,MOPSO_RS具有良好的收敛性和多样性,并验证了所提策略的有效性.     

计及不确定性因素的多目标网架重构策略优化

在电力系统恢复过程中,一些与线路有关的不确定性因素如由外界环境或操作问题等引起的线路投入失败对网络重构过程和结果具有重要影响。在此背景下,首先将线路的不确定性因素引入网络重构问题之中,并借助风险管理的思想考虑了网架重构策略的风险,在此基础上建立了以最大化所恢复的发电节点数目、最小化恢复路径的充电电容和最小化重构策略的风险为目标的多目标网络重构模型。之后,采用场景分析方法将不确定性问题转化为多个确定性问题,并应用差分进化算法和Dijkstra算法求解。最后,以新英格兰10机39节点系统为例说明了所发展的模型和算法的基本特征。     

车辆钢板弹簧的多目标可靠性稳健优化设计

为提高车辆钢板弹簧的安全性和稳健性,运用可靠性稳健优化设计理论和多目标思想,为车辆钢板弹簧建立一个可靠性稳健优化设计的高维多目标模型。为提高模型的求解精度,利用层次分析法选取粒子群算法中的全局极值和个体极值,提出了基于层次分析法的多目标粒子群算法。与传统方法相比,利用该算法进行可靠性稳健优化设计高维多目标模型求解,简便易行并能迅速准确地得到车辆钢板弹簧的可靠性稳健优化设计信息。     

Chaos quantum particle swarm optimization for reactive power optimization considering voltage stability

The reactive power optimization considering voltage stability is an effective method to improve voltage stablity margin and decrease network losses,but it is a complex combinatorial optimization problem involving nonlinear functions having multiple local minima and nonlinear and discontinuous constraints. To deal with the problem,quantum particle swarm optimization (QPSO) is firstly introduced in this paper,and according to QPSO,chaotic quantum particle swarm optimization (CQPSO) is presented,which makes use of the randomness,regularity and ergodicity of chaotic variables to improve the quantum particle swarm optimization algorithm. When the swarm is trapped in local minima,a smaller searching space chaos optimization is used to guide the swarm jumping out the local minima. So it can avoid the premature phenomenon and to trap in a local minima of QPSO. The feasibility and efficiency of the proposed algorithm are verified by the results of calculation and simulation for IEEE 14-buses and IEEE 30-buses systems.     

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.     

基于微粒群优化算法的T-S模糊建模

在传统T-S模糊模型的基础上,提出一种高次多项式T-S模糊辨识模型.将传统T-S模型规则后件中的线性模型用简单多项式模型代替,并进一步利用微粒群优化算法辨识规则后件参数.数值仿真表明:用该方案辨识得到的T-S模糊模型同传统的具有线性后件的T-S模型相比,能够显著减少模型规则条数而保持辨识精度不变,同时辨识时间也相应地缩短;且随着输入变量个数的增加,这一优势将更加明显.