梯级水电站群优化调度多目标量子粒子群算法

为科学求解梯级水电站群多目标优化调度模型,提出一种基于量子行为进化机制的多目标量子粒子群算法(MOQPSO)。该方法以标准量子粒子群算法(QPSO)为基础,引入外部档案集合存储非劣粒子,利用个体支配关系实现档案集合的动态更新维护;依据个体领导能力优劣选择粒子历史最优位置与种群全局最优位置,维持搜索过程中个体进化方向的多样性;采用混沌变异算子对个体进行局部扰动,提升算法的全局收敛性能。乌江流域模拟调度结果表明,所提方法具有良好的收敛速度与寻优能力,可快速获得兼顾梯级水电系统经济性与可靠性要求的Pareto解集,能够为工程人员提供科学的决策依据。     

基于四川电能质量监测系统与改进粒子群算法的负荷模型参数辨识方法研究

负荷模型的参数识别决定着总体测辨法的精度。在四川地区电网广域测量系统工程基础上,提出了基于改 进粒子群算法的负荷模型参数辨识方法。改进粒子群算法结合了传统粒子群算法和多曲线差分拟合方法,新方法既 有粒子群算法的全局搜索能力又有多曲线拟合差分方法的局部搜索能力,能够有效地提高收敛速度。通过对模拟电 能质量监测系统所获取的数据仿真,结果表明采用改进粒子群算法可以提高负荷模型辨识精度,并降低模型参数的 辨识时间。     

随机差分变异粒子群混合优化算法

针对传统粒子群优化算法与差分进化算法都易出现早熟等问题,提出了一种随机差分变异粒子群混合优化算法。算法结合粒子群与差分算法的各自特点,首先采用差分变异方法产生试探性候选个体,再将其代入到粒子群速度更新公式,引导粒子飞行方向,从而扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解,采用随机差分变异方式对当前最优粒子进行扰动,使算法在有效提高局部开采能力的同时,有效避免停滞现象的发生。算法分别在单峰及多峰等8个测试函数上与3个相关算法进行对比实验,实验结果表明,新的混合算法优于其他对比算法,有效提高了算法的性能。     

基于改进粒子群算法的多目标无功优化

提出了一种基于粒子群算法的多目标优化方法,该算法采用Pareto支配关系来更新粒子的个体最优和全局最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分散性;采用动态惯性权重来平衡粒子的局部和全局搜索能力,并将该算法应用于IEEE14节点系统的多目标无功优化     

基于混合量子粒子群算法的梯级水电站群调度

针对标准量子粒子群（QPSO）算法在求解复杂梯级水电站群联合调度问题时存在的早熟收敛、停滞寻优等不足,提出了一种耦合两重改进策略优势的混合量子粒子群（HQPSO）算法：首先对个体极值按照一定的概率进行变异搜索操作,以增加个体多样性、强化种群全局开采能力;而后建立外部档案集合来存储进化过程中的部分精英个体,利用基于动态概率辨识机制的单纯形算子指导外部档案集中的个体开展邻域寻优,以提高算法搜索能力、避免陷入局部最优。乌江流域实践结果表明：HQPSO算法的收敛速度与全局搜索能力得到增强,有效克服了QPSO的缺陷与不足,具有一定的工程实际应用价值。     

改进重置粒子群算法在MPC调速系统中的应用

提出一种改进重置粒子群优化算法,用于模型预测控制器多参数的整定优化。改进算法分为三个搜索阶段:"全局搜索"阶段采用Neumann邻域粒子群优化算法,实现全局搜索能力和收敛速度间的均衡;"局部搜索"阶段采用无导数拟牛顿BFGS算法,提高收敛速度和收敛精度;"动态重置"阶段对满足重置条件的子群进行重置,解决收敛早熟问题。利用标准测试函数对4种粒子群优化算法进行比较分析,结果表明改进重置粒子群优化算法在收敛效率、收敛精度与通用性方面占据优势。将改进重置粒子群优化算法应用于模型预测控制永磁同步电动机调速系统,仿真结果表明最优参数能够保证计算得到优化控制律,从而实现系统性能的改善。     

基于动态调整学习因子的免疫粒子群算法及其应用

为了使风光水联合发电系统达到经济效益最大化优化调度的目的,针对粒子群算法在进化过程中易早熟、后期收敛速度慢并且精度较低的特点,提出一种动态调整学习因子的免疫粒子群算法。该算法对学习因子进行非对称线性动态调整,增强前期的全局搜索能力,以及后期的局部搜索能力,快速得到全局最优解。该算法在文中联合系统的求解中得到很好的应用,显著提高了搜索精度,表明了模型和算法的有效性。     

基于改进粒子群算法的励磁系统参数辨识

励磁系统模型参数的求取一般采用频域测试方法,但是电力系统是一个非线性系统,因此频域测试方法需要做线性化处理,而时域辨识方法中的参数模型辨识方法也存在线性化处理的问题。利用时域非参数模型辨识的方法,对待测系统受到阶跃扰动时,记录被调量的变化曲线,辨识出非线性特性,用动态拟合技术,利用被测信号采用改进的粒子群算法,根据目标函数,动态调整粒子飞行速度的惯性权重,从动态曲线求取模型参数,实现参数辨识。试验证明,新的算法能够很好地平衡调节粒子群算法的局部搜索与全局搜索的能力,克服了基本粒子群算法容易陷入局部最优的缺     

基于改进粒子群算法的励磁系统参数辨识

励磁系统模型参数的求取一般采用频域测试方法,但是电力系统是一个非线性系统,因此频域测试方法需要做线性化处理,而时域辨识方法中的参数模型辨识方法也存在线性化处理的问题.利用时域非参数模型辨识的方法,对待测系统受到阶跃扰动时,记录被调量的变化曲线,辨识出非线性特性,用动态拟合技术,利用被测信号采用改进的粒子群算法,根据目标函数,动态调整粒子飞行速度的惯性权重,从动态曲线求取模型参数,实现参数辨识.试验证明,新的算法能够很好地平衡调节粒子群算法的局部搜索与全局搜索的能力,克服了基本粒子群算法容易陷入局部最优的缺点.     

基于差分进化混合粒子群算法的电力系统无功优化

差分进化混合粒子群算法(DEPSO)首先利用差分进化(DE)的变异和选择算子产生新的群体,然后通过使用粒子群优化算法(pSo)进行局部搜索.该算法发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,具有收敛速度快、搜索能力强、鲁棒性好的特点.将该算法用于电力系统无功优化,通过IEEE30节点系统的仿真计算证明了该算法的快速性和有效性.