基于改进PSO算法的电力系统无功优化

粒子群优化PSO(Particle Swarm Optimization)算法是一种简便易行、收敛快速的演化计算方法,但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和变异算子,提出了一种新的改进粒子群优化MPSO(Modified Particle Swarm Optimization)算法,并将其应用于电力系统无功优化,建立了相应的优化模型。对IEEE-14节点系统及某地区70节点实际电力系统进行了仿真计算,并与PSO算法作了比较,结果表明MPSO优化算法能有效地应用于电力系统无功优化．其全局收敛性能及收敛精度均较PSO算法有了一定程度的提高。     

改进粒子群算法在多目标机炉协调控制中的应用

应用改进的粒子群算法对单元机组多目标协调优化控制问题进行了研究.为了提高粒子群算法PSO(Particle Swarm Optimization)的收敛性,引入了选择机制;同时为了平衡PSO算法的全局搜索能力和局部改良能力,提出了一种构造惯性权重的方法.以160 MW燃油锅炉汽轮发电机组动态模型为例,进行实例仿真,所得...     

电力系统无功优化多目标处理与算法改进

电力系统无功优化属于典型的多目标非线性复杂优化问题,求解非常困难。近年来,众多智能优化算法应用于该问题,其中粒子群优化(Particle Swarm Optimization,PSO)算法最具代表性;但PSO算法性能仍有待提高,如可能陷入局部极值。提出一种多策略融合粒子群优化(Particle Swarm Optimization with Multi-Strategy Integration,MSI-PSO)算法,对速度更新公式引入选择操作,分阶段加速因子调整和惯性权重动态调整,以平衡粒子局部搜索与全局探索能力;同时,随机选取部分性能差的粒子,将其速度更新公式中的个体认知部分修改为社会认知部分,以提高算法搜索精度和收敛速度。建立以系统网络损耗最小和系统电压稳定裕度最大为目标的无功优化仿真模型,分别考虑加权法、隶属度函数法和Pareto法实施多目标处理。针对IEEE30节点测试系统进行仿真实验,结果表明,和其他几种改进PSO算法以及基于pareto最优解集PSO算法进行对比,所提MSI-PSO算法具有更好的性能,能够有效求解电力系统多目标无功优化问题。     

基于PSO-BBO混合优化算法的动态经济调度问题

动态经济调度(Dynamic Economic Dispatch,DED)问题是电力系统运行与控制领域比较经典的多变量、非线性、强约束优化问题。为解决该问题,提出了将粒子群优化算法(Particle Swarm Optimization,PSO)和基本生物地理学优化算法(Biogeography-Based Optimization,BBO)相结合的改进生物地理学优化算法,并将该改进方法应用于一天24时段10机39节点标准算例。在考虑网损与不考虑网损两种情况下分别进行仿真分析,并将仿真结果与PSO和基本BBO算法以及参考文献中提出的六种智能算法进行对比,验证了该改进算法的有效性及在寻优能力上的提高。     

含有分布式电源配电网重构算法的研究

分布式电源(DiStributed Generation,DG)发展很迅速,对配电网络的各个方面产生不可忽视的影响.为充分发挥分布式电源对配电网优化的有利作用,提出了粒子群优化(Particle Swarm Optimization,PSO)和变邻域搜索(VariableNeighborhood Search,VNS)二者的混合算法.根据含有分布式电源配电网络的特点,分布式电源视为可调度的模型,以配电网网损最小为主要目标函数.将二进制粒子群优化算法(Binary Particle Swarm Optimization,BPSO)和变邻域搜索算法相结合,对网络开关开合状态和分布式电源输出功率同时优化,达到降低配电网网损的目的.通过算例IEEE69节点系统的仿真表明,该算法能够快速收敛到全局最优解,适合优化含有分布式电源的配电网.     

基于改进粒子群算法的风电火电联合调度方法*

针对电力系统风电并网中出现的随机波动性与不确定性问题,建立风 火联合调度数学模型,并提出一种改进粒子群算法对该模型进行求解,以提高电力系统运行的经济性和可靠性。改进粒子群算法（Improved Particle Swarm Optimization, IPSO）从添加粒子速度自适应和添加位移更新自适应两方面对基本粒子算法（PSO）进行改进。仿真结果验证了IPSO具有更高的精度和更快的收敛速度。采用IPSO对10机组算例模型进行优化计算,计算结果验证了所建模型的正确性和所提改进算法的有效性。     

结合禁忌搜索思想的粒子群算法在乌江渡水电站厂内经济运行中的应用研究

本文针对水电站厂内经济运行中机组组合优化问题的特点,提出了一种结合禁忌搜索思想的粒子群算法(Particle Swarm Optimization,PSO).该方法采用离散二进制粒子群算法解决机组运行状态组合问题,用标准粒子群算法解决既定运行机组间负荷优化分配问题,并将两个问题结合在一起并行优化,引入禁忌搜索算法(tabular Search,TS)的记忆功能和藐视准则以提高粒子多样性,扩大搜索空间,克服PSO算法可能出现的早熟现象.以乌江渡水电站为例进行优化计算,并与PSO算法的计算结果比较,表明该方法可以有效避免早熟现象,具有较高的全局收敛能力,同时也具有较高的全局寻优能力.     

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。     

基于改进粒子群优化算法的PID参数整定

粒子群优化算法PSO(Particle Swarm Optimization)是近年来出现的一种新型演化计算方法,其算法简单易懂,优化性能良好.该文提出改进的PSO算法结合Matlab强大的矩阵计算和系统仿真功能,对文中实例的PID参数进行了优化整定.仿真显示优化结果比遗传算法好,收敛性能比遗传算法高.     

含有分布式电源配电网重构算法的研究

分布式电源(Distributed Generation,DG)发展很迅速,对配电网络的各个方面产生不可忽视的影响。为充分发挥分布式电源对配电网优化的有利作用,提出了粒子群优化(Particle Swarm Optimization,PSO)和变邻域搜索(Variable Neighborhood Search,VNS)二者的混合算法。根据含有分布式电源配电网络的特点,分布式电源视为可调度的模型,以配电网网损最小为主要目标函数。将二进制粒子群优化算法(Binary Particle Swarm Optimization,BPSO)和变邻域搜索算法相结合,对网络开关开合状态和分布式电源输出功率同时优化,达到降低配电网网损的目的。通过算例IEEE69节点系统的仿真表明,该算法能够快速收敛到全局最优解,适合优化含有分布式电源的配电网。     

基于天牛须搜索粒子群优化的改进克里金模型

为提高克里金模型的建模精度,提出了一种基于天牛须(BAS)搜索粒子群(PSO)优化的改进克里金模型算法。在引入的天牛须搜索PSO优化算法中,每个粒子的更新规则不仅依赖于PSO最佳方案及个体的当前全局最优值,还综合了BAS的搜索规则,以提高全局搜索性能及搜索效率。由于相关参数的取值直接影响克里金模型的建模精度,应用天牛须搜索PSO算法对克里金模型的相关参数进行优化,并给出了具体的优化流程。测试算例表明,基于天牛须搜索PSO的改进克里金模型,具有得更高的模型精度和计算效率,优于常规的克里金算法及普通粒子群优化的克里金算法。     

基于改进粒子群算法的电流互感器J-A模型参数辨识

在应用Jiles-Atherton(J-A)磁滞模型对电流互感器的磁滞回线进行分析时,需对J-A磁滞模型中5个关键参数进行精确识辨.针对目前辨识方法存在的计算时间长和寻优能力差等问题,提出了一种改进的粒子群算法对J-A磁滞模型中的关键参数进行辨识.该算法将遗传选择策略引入到粒子群算法中,通过增加粒子群的多样性来提高了算...     

基于自适应变异特性粒子群算法的无功优化

针对电力系统无功优化问题,提出了1种自适应变异特性粒子群算法来克服粒子群优化方法容易早熟而陷入局部最优解的缺点。该方法以种群适应度方差为量化指标,动态衡量和监视粒子群体的聚集情况,并对聚集的粒子赋予变异操作,用以提高整个群体的全局寻优能力。通过对IEEE-6和IEEE-30测试系统的无功优化问题计算及结果分析表明该方法快速、高效、准确。     

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。     

基于改进粒子群优化模糊控制的MPPT算法研究

在光照强度和温度变化时,常规的最大功率点跟踪(MPPT)算法难以快速准确地跟踪光伏系统最大功率点。针对此问题,设计了一种改进粒子群优化算法(PSO)的模糊控制器。首先,依据常规MPPT特性,设计了一种带调整因子的模糊控制算法以快速收敛到最大功率点;然后,采用参数自适应PSO对设计的模糊控制器调整因子进行动态优化。仿真结果表明:所设计的参数自适应PSO优化模糊控制器能快速准确地跟踪最大功率点,保证了MPPT的动态响应速度和稳态精度,提高了光伏系统的工作效率。     

一种新型的电力系统无功优化算法

介绍一种类似于遗传算法的进化算法———粒子群优化算法, 并把它应用到电力系统无功优化问题中。对基本的粒子群优化算法作了适当改进, 在粒子速度更新公式中增加了一项即上一代的全局“最优”值, 相当于增加了全局极值的权重, 提高了算法的收敛性。以粒子群优化算法为基础, 选取适合于该算法的无功优化目标函数。通过对 IEEE- 14节点的仿真计算, 证明了该算法优于基本的粒子群优化算法, 且与遗传算法相比能在更少的迭代次数内搜索到更好的全局最优解。     

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。     

自适应多策略粒子群算法在水库群优化调度中的应用

根据梯级水电站优化调度特点,建立粒子群算法求解多阶段最优化问题数学模型.针对基本粒子群算法(PSO)在早期存在精度较低、易发散等缺点,后期出现"趋同性"和"早熟"等现象,提出了自适应多策略粒子群算法.并将该算法与基本PSO、改进型PSO、杂交PSO和收敛因子PSO分别在雅砻江梯级水库群优化调度中应用,通过对其优化结果的比较,验证了改进算法在加快收敛速度和提高算法精度方面的有效性.     

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。     

基于微粒群辨识算法的电力负荷综合模型的建模与仿真

微粒群优化(PSO)算法具有全局性能好、搜索效率高等优点.应用该算法进行电力系统负荷模型的参数辨识,辩识结果表明PSO算法在计算时间、全局性方面均有比较明显的优势.辨识的模型具有较高精确性,最后通过工程实例进行仿真实验,实验结果验证了模型和算法的有效性.