基于改进混沌粒子群算法的电压暂降状态估计

针对电压暂降状态估计求解中存在高维度、多局部极值的复杂问题,结合混沌搜索和莱维飞行,提出了改进混沌粒子群算法,增强了全局寻优性能.并将故障估计值和历史统计值结合构建电压暂降状态估计模型.通过IEEE 30节点系统仿真测试,将改进算法与粒子群算法及遗传算法对比,求解电压暂降状态估计模型.结果表明,改进算法具有更好寻优效率...     

混沌粒子群算法-高斯过程回归的SOH估计

提出基于混沌粒子群算法-高斯过程回归（CPSO-GPR）的铅酸蓄电池健康状态估计方法。首先考察了铅酸蓄电池充电过程的电压电流变化曲线,进行了恒流充电特征的分析对比,建立了铅酸蓄电池恒流充电时间与电池容量衰减的高斯过程回归模型。针对传统的智能算法易陷入局部最优解的问题,将混沌过程引入传统粒子群算法中,增强其优化的广度和深度,形成混沌粒子群算法来优化回归模型中的超参数,从而获得更高质量的超参数解,以提高回归模型的预测精度。两种算法相协同,形成了CPSO-GPR算法。实验结果表明,该算法能够实现对铅酸蓄电池健康状态的精准估计和在线监测,对新数据点的估计精度在3%以内。     

混沌粒子群算法-高斯过程回归的SOH估计

提出基于混沌粒子群算法-高斯过程回归（CPSO-GPR）的铅酸蓄电池健康状态估计方法。首先考察了铅酸蓄电池充电过程的电压电流变化曲线,进行了恒流充电特征的分析对比,建立了铅酸蓄电池恒流充电时间与电池容量衰减的高斯过程回归模型。针对传统的智能算法易陷入局部最优解的问题,将混沌过程引入传统粒子群算法中,增强其优化的广度和深度,形成混沌粒子群算法来优化回归模型中的超参数,从而获得更高质量的超参数解,以提高回归模型的预测精度。两种算法相协同,形成了CPSO-GPR算法。实验结果表明,该算法能够实现对铅酸蓄电池健康状态的精准估计和在线监测,对新数据点的估计精度在3%以内。     

混沌粒子群优化算法在配电网无功优化中的应用

针对电力系统无功优化的特点,提出了一种基于传统粒子群优化(PSO)算法的改进型智能算法——混沌粒子群优化(CPSO)算法。CPSO算法采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值,利用该算法分别对IEEE14和IEEE30节点系统进行仿真测试。仿真结果表明,CPSO算法相对于PSO算法,优化效果理想,收敛速度快。     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

粒子群PI控制在APF直流侧电压波动中的研究

由于补偿电流的时变性和逆变器自身的损耗,若不采取适当的控制措施,有源电力滤波器(APF)直流侧电容电压将发生衰减或较大的波动。为抑制电容电压的波动,提出了采用粒子群PI控制方法,该方法对传统的PI控制方法进行优化设计,提高控制精度,减小系统误差,进而减小电容电压的波动幅值。同时采用空间矢量脉宽调制(SVPWM)进行了脉宽调制,进一步控制电压波动。仿真和实验结果表明了此方法的正确性和可行性。     

基于自适应混沌粒子群算法的分布式电源优化

目前我国是以＂大机组、大电网、高电压＂为主要特征的单一供电系统,这种集中发电、远距离传输、大电网互联的方式虽然有效减少了系统的备用容量以及加强了各网络间的同步,但很难快速追踪远距离的末端负荷变化,负荷峰谷差增大将导致电荒出现,线路距离太远也加大了系统的网损。基于此,本文考虑在配电网中合理接入分布式电源进行优化,为了确定接入位置和容量,本文以分布式电源安装年费用、配电网年有功损耗及分布式电源环境效益为多目标函数;为了避免粒子群算法（PSO）容易陷入局部最优,文中采用计算速度快、收敛可靠的自适应混沌算法（ACPSO）进行计算,设计了基本计算流程;最后采用IEEE14节点系统进行算例分析,接入分布式电源后配电网网损有效降低,且能减少配电网运行总费用,同时证明ACPSO算法在解决分布式电源优化问题上具有一定优越性。     

基于改进粒子群优化算法的电力系统无功电压综合控制

在基本粒子群优化算法的基础上,提出了一种改进的粒子群优化算法用于电力系统无功电压综合控制。该算法改进了随机初始化种群的方法,采用均匀初始化,引进了粒子的自身探索机制,用多个位于可行域中的粒子个体引导粒子的更新,以保证全局搜索的有效性,同时采用混沌变异算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。通过对IEEE-30节点标准系统模型的无功电压综合控制计算和分析,证明了此改进的粒子群优化算法具有更高的全局寻优效率。     

基于粒子群算法的变电站电压无功综合控制

变电站电压无功综合控制的作用是在负荷和电压波动情况下向用户提供合格的电能,降低网损。近年来已开发出许多电压无功综合控制优化算法。根据负荷预测,全局规划,寻求最优控制策略,是较先进的一种方法。文章阐述在负荷预测精度不断提高的基础上,如何建立变电站电压无功控制的求解模型,利用改进的粒子群算法求取变电站电压无功最优控制策略。对实例的计算结果表明,利用该算法得出的控制策略与传统方法相比控制效果更优,且能提高系统的安全性和经济性。     

配电网重构的混合粒子群算法

通过将二进制粒子群算法和离散粒子群算法相结合,提出一种混合粒子群算法,求解配电网重构问题。在求解过程中,通过对配网支路进行分组,简化了网络,编码时每一支路组用1维表示,不仅显著降低了维数,缩短了编码长度,更有效降低了无效粒子的产生概率。在搜索过程中,根据该文总结的配电网重构的必要条件,有规律地将粒子进化,进一步提高了搜索效率。在优化过程中将每一次迭代由2步完成：第1步根据二进制粒子群算法中的sigmoid()函数值,利用轮盘赌的方法优化选择断开的支路组;第2步利用提出的离散粒子群算法优化选择在第1步中被选中断开的支路组的内部断开支路。最后对一个典型的69节点算例和一个实际算例进行仿真,结果显示,该方法不仅能快速收敛,而且稳定性好。     

基于混沌粒子群优化方法的电力系统无功最优潮流

针对电力系统无功最优潮流问题,提出一种混沌粒子群优化(CPSO)方法,以克服粒子群优化(PSO)方法容易早熟而陷入局部最优解的缺点。该方法结合混沌变量良好的遍历特性及混沌优化的特点,对即将重合而引起搜索能力下降的粒子赋予混沌状态搜索,其余粒子仍以常规PSO方法搜索,从而提高PSO方法的寻优性能。通过对IEEE6,IEEE14,IEEE30和IEEE118测试系统无功最优潮流问题的计算及分析,表明CPSO方法具有很高的搜索效率和诱人的应用前景。     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

面向智能电网电压崩溃路径的优化粒子群算法

随着智能电网系统的研究深入,针对复杂智能电网系统的电压崩溃路径,研究了基于智能电网系统的等效模型。通过AGENT图分析了系统脆性关系,采用一种在脆性发生时崩溃路径优化粒子群算法,给出系统内部的脆性对于系统稳定性的影响,发现脆性激发时崩溃传递路径具有多样性的解,并分析了崩溃路径。基于35 kV智能电网一次系统模型,通过对智能电网脆性电压崩溃路径的预测和控制,有效优化了整个系统性能,对智能电网系统的设计控制具有重要的指导意义。结果表明,智能电网系统节点的崩溃在各子系统层间传递,进而导致整个系统的电压崩溃。     

基于自适应粒子群算法的负荷最优分配

在传统经济负荷分配模型的基础上,结合节能调度的宗旨,建立了综合考虑系统有功网损最小和机组发电耗煤量最小的多目标负荷分配模型,该模型能对系统进行整体节能优化.引入了自适应权重和因子的概念,采用了一种用于多目标负荷最优分配的自适应粒子群算法,并对IEEE 57节点系统进行了仿真计算.结果表明,该方法能降低系统网损和减少机组煤耗,从而有效地节约能源,同时满足系统的安全约束.     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

基于混沌粒子群算法的多目标无功优化研究

针对传统无功优化的不足,建立了以电网有功损耗最小、节点电压偏移最小、静态电压稳定性最好和无功成本最小的多目标无功优化模型.为了将这4个目标同时进行优化,提出了基于Pareto解的混沌粒子群算法多目标无功优化方法,求出该多目标优化问题的Pareto最优解集,供决策者根据实际情况进行科学决策选择.为证明提出方法的有效性,对IEEE30节点系统进行了多目标无功优化分析,结果表明本文提出的方法能够得到良好的无功优化结果.     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

粒子群算法优化PID控制参数研究

采用常规的PID整定方式,往往费时而且难以满足控制要求．通过对粒子群算法的研究,在确定了适应度函数设计等控制参数后,采用粒子群算法对PID控制器参数进行优化,取得了很好的效果。