基于改进粒子群优化算法的输电系统多阶段协调规划

提出了一种输电系统多阶段协调规划模型,模型中计入了以N-1静态安全条件表示的可靠性约束,并对采用粒子群优化算法PSO(Partic le Swarm Optim ization)来求解该模型进行了研究,引入新的变异策略对基本PSO算法进行了改进,改进后的算法可以处理多维的离散变量,有可能使粒子摆脱局部最优,提高搜索效率。仿真算例表明该方法用于输电系统的多阶段协调规划是可行的。     

基于改进粒子群优化算法的输电系统多阶段协调规划

提出了一种输电系统多阶段协调规划模型,模型中计入了以N-1静态安全条件表示的可靠性约束,并对采用粒子群优化算法PSO(Particle Swarm Optimization)来求解该模型进行了研究,引入新的变异策略对基本PSO算法进行了改进,改进后的算法可以处理多维的离散变量,有可能使粒子摆脱局部最优,提高搜索效率.仿真算例表明该方法用于输电系统的多阶段协调规划是可行的.     

基于正弦余弦算法的NoC测试规划研究

如何实现多约束条件下测试时间优化是目前片上网络(NoC)测试中亟待解决的问题。提出一种基于正弦余弦算法(SCA)的NoC测试规划优化方法。采用专用TAM的并行测试方法,在满足功耗、引脚约束的条件下,建立测试规划模型,对NoC进行测试。通过群体围绕最优解进行正弦、余弦的波动,以及多个随机算子和自适应变量进行寻优,达到最小化测试时间的目的。在ITC’02 test benchmarks测试集上进行对比实验,结果表明相比粒子群优化(PSO)算法,提出的算法能够获得更短的测试时间。     

基于并行深度信念网络的电力负荷预测

针对传统电力负荷预测算法的训练速度慢、预测准确度不高等问题,提出了一种并行的基于深度信念网络的电力负荷预测方法。该方法基于并行计算框架和深度信念网络,对历史电力负荷和天气信息数据进行并行训练并预测负荷值。实验结果表明,该方法预测的电力负荷值与实际值之间的平均误差较低,预测精度高于传统方法,有效减少了算法训练和预测的耗时,可适应大规模电力数据场景下的预测需求。     

基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。     

基于耦合GPR-PSO的北京地区中长期电力需求预测

建立科学合理的中长期电力需求预测方法,是电力产业科学规划建设的前提。构建了基于高斯过程(GPR)和粒子群(PSO)的混合电力需求预测模型。采用PSO算法对协方差函数中的参数进行优化,将修正后的参数作为初始值在GPR模型中进行电力需求方面的培训。在贝叶斯框架下,对协方差函数中的参数再次进行优化。用训练好的GPR模型进行电力需求预测,并将结果与自回归积分移动平均模型和指数平滑模型进行比较。验证结果表明,基于高斯过程(GPR)和粒子群(PSO)的混合电力需求预测模型具有很好的稳定性和更高的预测精度。     

基于改进PSO算法的Logistic模型在饱和负荷预测中的应用

将改进的粒子群(PSO)算法应用到饱和电力负荷预测中,通过与Logistic时间序列预测模型相结合,对Logistic曲线函数进行优化参数求解。建立了基于该优化算法的Logistic时间序列饱和负荷预测模型,利用某地区电网历史数据进行Logistic时间序列分析。仿真结果表明,该改进算法收敛速度快,全局寻优能力强,克服了传统PSO算法局部搜索能力较差、容易陷入局部最优的缺点。利用它得到的Logistic拟合曲线,相对于传统PSO算法和Marquardt迭代算法的拟合结果,精度有明显的提高,说明该模型能够很好地反映电力负荷整体变化趋势。另外,运用该模型和人均用电量法分别对某地区电网饱和全社会用电量进行预测,结果显示两者预测结果较为接近,而人均用电量法在饱和电力负荷预测中运用已较为成熟,因此可以证明该模型应用到饱和电力负荷预测中是可行的。     

PSO算法在过程模型参数辨识中的应用

针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于微粒群优化（PSO）算法的模型参数辨识方法,利用微粒群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率,对火电厂热工过程进行参数辨识的仿真结果验证了本文所提出算法的有效性。     

基于粒子群优化算法的过程模型辨识

参数辨识是过程建模的基础,提出了一种基于粒子群优化(PSO)算法的模型参数辨识方法,将过程模型的每个参数作为粒子群体中的一个粒子,利用粒子群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.对火电厂热工过程进行参数辨识的仿真结果表明,利用PSO算法辨识过程模型参数,无论过程模型是否是时滞对象,该辨识方法对过程模型的阶次不敏感,对于不同的输入信号,均能得到满意的辨识精度和效率,因此得到了较为精确的过程模型,模型输出与实际输出基本一致.     

基于超参数优化的短期电力负荷预测模型

准确预测短期电力负荷在精细化电网规划、减少发电成本和提高用电质量等方面具有重要作用。为了大幅度的提高短期电力负荷预测的准确性,采用改进粒子群算法(IPSO)优化长短期记忆网络(LSTM),构建了一种新的电力负荷预测模型(IPSO-LSTM)。该模型采用能有效寻找全局最优解的IPSO,解决了LSTM预测电力负荷时超参数难以选取的问题。考虑到粒子群算法(PSO)中惯性权重和学习因子是固定不变的,这容易导致粒子群在前期掉入局部最优而错过全局最优,模型将惯性权重和学习因子由固定值改为非线性变化,以平衡其全局搜索能力和局部寻优能力。通过实际案例数据进行仿真分析,并与粒子群优化的长短期记忆网络(PSO-LSTM)、LSTM以及反向传播(back propagation, BP)神经网络算法的预测结果进行对比,验证了方法的预测效果更佳。实验表明,所提电力负荷预测模型具有较好的精度和稳定性。     

基于路径描述的配电网电力廊道规划方法

配电网工程的落地依托于充足的电力廊道资源,而电力廊道规划方案的合理性也将影响到后期配电网建设的经济性。为科学指导廊道的选择,提出一种基于路径描述的配电网电力廊道规划方法。首先根据电力廊道与配电网网架之间的耦合关系,搭建电力廊道连通性模型;然后采用深度优先遍历算法获得满足廊道建设情况的供电路径集合。基于此,以电力廊道综合规划费用为廊道规划方案的评估依据,搭建了配电网电力廊道双层规划模型。最后采用嵌套离散粒子群优化算法进行优化求解,外层粒子群算法以电力廊道综合规划费用最小为优化目标,内层粒子群算法以配电网运行规划成本最小为优化目标。算例分析表明,所述模型可兼顾后期配电网建设的可行性与经济性,得到满足负荷需求的电力廊道最优规划方案,有利于提前对廊道站址进行保护,为配电网建设提供参考。     

基于改进粒子群算法的中压配电网无功优化

建立了以年费用最小为目标函数的无功优化数学模型,提出一种融合裂变和变异操作的分合群粒子群算法求解该模型,并结合对系统分区、合理设置补偿上限等方法减小搜索范围,实现了同时求解补偿点和补偿量。算法在标准粒子群优化(particle swarm optimization,PSO)算法的基础上通过分群和裂变,保持粒子的多样性,避免收敛早熟;通过合群和变异,加强算法的搜索精度,提高算法的收敛稳定性。用IEEE 33节点系统进行仿真计算,与标准PSO算法对比表明,改进PSO算法在计算精度、收敛稳定性等方面具有明显优势;与无功二次精确矩法对比表明,改进PSO算法具有自动调整补偿点个数的能力,补偿方案经济性更好,能有效解决中压配电网的无功优化问题。     

考虑多种分布式电源及其随机特性的配电网多目标扩展规划

为了增强新建配电网环网转供能力,提高供电可靠性,同时减小投资和运行维护成本,提出了一种分布式电源(DG)选址定容和多供电途径的网状新建配电网协调规划方法。该方法建立了考虑经济性、可靠性和稳定性的多目标优化模型,优化求解采用两层嵌套的粒子群算法。在规划中考虑了风电、光伏、燃气轮机、储能电池4种DG的选址和定容。针对输出功率不确定的DG,建立了概率模型,利用多状态系统理论,将随机性问题转化为确定性问题。最后以某开发区的实际配电系统为例,验证了所提模型和方法的合理性。     

配电网扩展规划方法研究

建立了以目标函数为配电网建设的投资费用、配电网网损费用和运行维护费用综合最优的混合非线性整数规划模型,以指导电力公司的电网建设规划方案,利用多个离散的二进制变量优化变电站、新建线路和变电站的扩建方案。考虑了分布式电源接入配电网,并以严格的数学模型保证配电网的辐射运行结构。提出用内点-分支定界法精确求解电力系统配电网扩展规划模型,结果表明该方法是一种可行的配电网扩展规划方法。     

计及电动汽车无功支撑能力的分布式电源与智能停车场联合规划方法

随着大量分布式电源(DG)及电动汽车(EV)接入配电网,为保证电网的高效、清洁、经济和安全运行,必须对二者进行合理的规划。为此,提出一种计及EV无功支撑能力的DG及智能停车场(IPL)联合规划方法。首先,基于有源配电网的基本物理结构,对EV动力电池的无功可调范围进行了推导。进一步考虑风电等间歇性DG出力、常规用电以及EV充电负荷时空分布的不确定性,通过构建发电—负荷场景以综合计及上述不确定性因素的影响。在此基础上,分别以系统投资和运行成本最小作为目标函数,构建了综合考虑DG和IPL选址定容的两阶段优化模型。根据模型特点,采用经典的遗传算法实现问题求解。以33节点配网系统为例,对所提模型的有效性进行验证。仿真结果表明,在配电网投资规划中充分考虑规模化入网EV的无功支撑能力,能够有效改善系统的电能质量,促进可再生能源高效利用,从而带来更好的经济效益。     

城市配电网中变电站选址定容问题研究

城市电力设施布局规划是电力系统发展的重要课题之一,合理地对配电网变电站进行选址定容对配电网规划来说十分重要,它不仅可以避免城市电网规划失误造成的投资浪费或重复改造,而且也有利于电网的稳定发展。文中建立了配电网变电站选址定容的数学优化模型,其中包括确定变电站的经济容量、经济供电半径和经济个数的方法,并提出了变电站选址定容的整体流程,最后用工程算例验证了选址定容优化规划方法的合理性和有效性。     

基于自适应权重PSO算法的分布式光伏并网极限容量计算

为了提高配电网接纳光伏的能力,保证配电网的安全运行和良好的电能质量,提出一种基于自适应权重粒子群优化(particle swarm optimization,PSO)算法的分布式光伏并网极限容量计算方法。综合考虑光伏接入容量、电压偏差、线路载流、谐波畸变率、不允许功率倒送的约束条件,建立分布式光伏并网极限容量计算模型;引入自适应惯性权重系数对传统PSO算法进行改进并对模型求解;在满足约束条件的前提下,计算不同规划方式下的分布式光伏并网极限容量,并分析接入后对配电网电能质量的影响。IEEE 69节点配电网模型的仿真结果表明:所提出的方法能够高效求解光伏并网极限容量问题,提高配电网对分布式光伏的接纳能力。     

计及配网静态电压稳定约束的分布式发电规划模型与算法

研究了配网中分布式发电(distributed generation,DG)的规划问题,建立了一种考虑静态电压稳定约束的DG规划模型,提出了基于遗传算法的模型求解方法。将该方法应用于69节点系统进行测试,结果表明上述模型与算法是可行的。计及静态电压稳定约束导致该模型的计算量增加了,文章最后对提高该模型计算速度的方法进行了探讨。     

基于改进和声算法的配电网风电机组选址定容方法

本文在考虑配电网风机规划时,量化风电的环境效益以突出风电减排效益,建立了考虑风电环境效益的风电并入配电网规划模型,分析风电并网引起的配网成本效益变化,并以配电网风电净收益最大为目标函数,之后,本文提出结合差分进化算法与和声算法进行模型求解,改进和声算法中搜索方向性不定的缺点。算例中通过与未考虑风电环境效益的规划方案进行对比,得到量化环境效益能提高风电在配网中渗透率的结论,通过与基本和声算法的对比,可知改进和声算法收敛性较好。     

考虑需求响应影响的含分布式电源的配电网多目标协调规划

分析了考虑需求响应影响的含分布式电源(DG)的配电网多目标协调规划问题,建立了以DG综合投资成本(包括DG安装及运行维护成本、购电综合成本、需求响应运行成本、网络损耗成本和环境效益)最小为目标的模型,综合考虑网络系统安全约束和需求响应运行约束条件,实现DG位置和容量的协调规划。利用自适应粒子群算法对IEEE33节点系统进行求解,算例结果表明,该模型能有效提高可再生能源的利用率,提升含DG的配电网规划的经济性。