基于粒子群算法的电磁装置优化设计

简要介绍了粒子群的算法及其特点,详细分析了粒子群算法和罚函数法相结合应用于电磁装置优化设计的若干问题。以某型号电磁继电器优化设计为例进行例示。设计结果证明了该算法的有效性。     

运用混合优化算法求解包含离散变量的无功优化问题

利用遗传算法和传统优化方法的互补特性,采用混合优化方法求解包含离散和连续变量的无功优化问题。遗传算法的选择、交叉和变异操作仅作用于离散变量,对种群进行全局广度搜索,运用传统优化方法对种群个体中的连续变量进行优化使其移动到局部最优点上。为保证对连续变量的优化效果,选择了基于函数变换与广义逆的优化新算法。混合优化算法模型简单规范,遗传算法擅长处理离散变量和传统优化方法速度快、数值稳定性好的优势得到发扬。算法实用性和有效性通过算例及工程应用得到验证。     

基于粒子群算法的故障测试集优化

为加速测试进程和减少测试开销,数字集成电路在生成测试矢量后必须进行故障测试集的优化。文中利用粒子群优化算法生成最小完备测试集,根据故障测试集优化问题的具体特点,构造粒子的表达方式和编码规则,建立粒子群的速度一位置模型;同时为提高优化效率,引入混沌优化算法来初始化粒子群。实验结果表明,在测试生成后,该方法能在较短的时间内生成最小完备测试集,验证了它的实用性和有效性。     

基于微粒群优化算法的电力系统动态无功优化

根据系统负荷曲线变化趋势按单调性将一天的预测负荷曲线划分为若干(小于24)个时段，并将动作次数约束还原为经济成本，将它与网损费用等之和作为目标函数，并考虑了各种运行约束条件，采用微粒群优化算法进行计算，该算法收敛速度较快。与静态无功优化模型相比表明，该无功优化模型更适合给定的地区电网，优化后全天的网损略有增大，但变压器抽头调节次数以及电容器组投切次数明显减少。     

采用改进鲸鱼算法的配电网综合优化

为了解决配电网重构与无功优化问题,将线路开关与无功补偿容量同时作为控制变量对配电网进行综合优化.建立以网络损耗、电压改善度、负荷均衡度和开关动作次数为目标的配电网综合优化模型.针对传统鲸鱼算法初始种群分布不均、缺少全局交流、容易陷入局部最优等问题,利用Sobol序列生成分布更均匀的初始鲸群,引入自适应权重调整系数,改进...     

混合粒子群算法在PSS参数优化中的应用

通过采用一种新的混合粒子群算法对多机系统的电力系统稳定器(PSS)进行参数优化,以达到更好的低频振荡抑制效果.引入交叉操作的混合粒子群优化算法是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的改进粒子群算法(PSO).用Matlab软件进行仿真,结果表明,该方法设计的PSS稳定性有较大提高.     

基于动态多种群粒子群算法的无功优化

提出了一种基于动态多种群策略的改进粒子群算法。该算法将传统粒子群优化算法(particle swarm optimization,PSO)中的种群划分成多个子群,每个子群相对独立地朝同一目标进化,仅通过一种轮形结构的弱联系进行交流。在进化过程中各种群不断分裂和聚类重组,动态调整种群规模以更好地适应进化。该算法可以较好地避免PSO算法过快收敛于局部最优解,并且有较快的收敛速度。文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的。     

基于粒子群算法的VSC-HVDC控制参数优化

随着大功率电力电子技术的发展,电压源型直流输电得以实现,为了简化这种新型的直流输电方式控制器设计和提高系统鲁棒性,采用了结合PI控制器的双闭环控制。以两端均为有源网络的电压源型直流输电系统为研究对象,以Matlab/Simulink为研究平台,利用粒子群优化算法,对VSC控制器参数进行了优化。建立直流输电的暂态数学模型,据此分析其控制器结构,选定需要优化的控制参数。将粒子群算法程序与直流输电仿真模型结合进行仿真计算,通过多次迭代得出优化的控制器参数,并与原始参数进行系统性能对比,验证该方法的可行性。     

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。     

基于改进粒子群算法的电力系统无功优化研究

阐述了一种改进粒子群的无功优化方法.粒子群优化(PSO)算法是进化计算领域中的一个新的分支,其源于对鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,文章提出混沌粒子群算法,该算法可以较好地避免PSO算法过快收敛于局部最优解,有较快的收敛速度.文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的.     

自适应粒子群优化算法及其在无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。某具有151个节点、71个控制变量的实际电网无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

基于鸡群算法的微网经济运行优化

文中分析微网中微电源包括光伏发电、风力发电、微燃机、柴油发电机和燃料电池的电气特性,构建微电网优化运行的模型,以微网的经济成本和环境成本最小为目标函数,充分考虑了电压越限、功率平衡、微电源出力限制等约束条件,应用鸡群算法进行求解。解决了粒子群算法易早熟、易陷入局部最优解的问题。并通过典型的微网系统进行仿真分析,仿真结果验证了该算法的有效性。     

基于改进鲸鱼优化算法的多目标无功优化调度

在鲸鱼优化算法(WOA)对求解电网无功优化问题中容易陷入局部最优、收敛速度慢、求解精度低等缺点时,本文将一种引入冯诺依曼拓扑结构的改进鲸鱼优化算法(AWOA)应用到ORPD问题中,在鲸鱼对猎物进行狩猎行为时,能够增加猎物的多样性,提高了算法的全局搜索能力。以系统有功网损和电压偏差为双目标函数,对IEEE 30节点系统进行仿真,并利用方差分析法(ANOVA)将所得结果与基本鲸鱼优化算法(WOA)、粒子群优化算法(PSO)进行比较,研究表明AWOA算法在搜索能力、迭代次数、收敛性上的潜力,并证明了在解决ORPD问题上的有效性、高效性及鲁棒性,同时也为解决非线性约束问题提供了新途径。     

基于改进梯度粒子群算法的无功优化

针对梯度粒子群优化算法(GPSO)收敛速度慢、容易陷入局部最优的缺点,提出改进的GPSO算法并将其应用于无功优化.改进GPSO算法不仅结合动态惯性权值方法调整惯性权重,有效地提高了算法的收敛速度,而且采用负梯度方向变异和维变异方法共同作用,更有效保证算法跳出局部最优,提高了算法的收敛精度.以网损为最小,对标准IEEE-30节点和IEEE-57节点系统进行仿真计算,结果表明改进后的算法能够获得更好的全局最优解.     

基于改进PSO算法的PID参数优化研究

针对PID控制器的参数整定问题,提出一种改进微粒群优化算法（improved particle swarm optimization,IPSO）。算法是在基本PSO算法的惯性权重部分加入一个调节因子项,通过调节因子的调节,改善了算法的收敛性。仿真结果表明,IPSO算法可以更好地优化PID控制器的参数,使控制系统具有更好的控制性能。     

基于云自适应梯度粒子群算法的无功优化

粒子群算法存在着早熟的现象,易陷入局部最小点,为了克服这个缺点,文章首先将云模型引入粒子群算法,将粒子分成2部分,靠近最优粒子和远离最优粒子的部分,其中靠近最优粒子种群的惯性权重由云模型的X-条件发生器自适应调整,提出了云自适应粒子群算法(cloud adaptiveparticle swarm optimization,CAPSO),然后引入梯度的思想,提出云自适应梯度粒子群算法(cloud adaptive gradientparticle swarm optimization,CAGPSO)。以网损最小为目标函数,对标准IEEE 14和IEEE 30节点系统进行仿真计算,结果表明改进后的CAGPSO算法能够获得更好的优化解。     

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。     

含有离散变量的无功优化问题的混合优化方法

提出一种混合优化方法求解含有离散变量的无功优化问题。该方法将遗传算法和传统优化方法分别运用于离散变量和连续变量的优化搜索,遗传算法对种群进行全局广度搜索,而对连续变量的传统优化则作为遗传算法的局部深度搜索,使遗传算法擅长处理离散变量和传统优化方法速度快、数值稳定性好的优势得到发扬。这种混合优化算法模型简单规范,其实用性和有效性通过算例验证。     

基于搜寻者优化算法的电力系统无功优化

将搜寻者优化算法(SOA-Seeker Optimization Algorithm)应用到电力系统无功优化中去,以网损最小为目标函数,建立了SOA无功优化的数学模型.由发电机端电压、变压器分接头和电容器组3部分控制变量构成初始矩阵.SOA算法模拟人的随机搜索行为,对利己行为、利他行为、预动行为和不确定性推理行为进行分析和建模,以确定搜索方向和步长进行解的全局搜索.对IEEE30、IEEE57测试系统进行了测试,仿真结果表明,SOA算法具有较好的全局寻优能力和较快的收敛速度,能有效地应用到电力系统无功优化中去.     

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。