基于自适应粒子群优化算法的机组组合

机组组合是一个大规模、非线性混合整数优化问题,求解比较困难,为了提高粒子群算法的全局和局部搜索能力,提出一种惯性权值自适应调整的粒子群算法.该算法按照适应度的大小将粒子群分成两个子群,然后根据适应度的进化速度和进化停滞系数动态调整惯性权值.通过对典型函数的测试以及10台机组24小时的优化调度,计算结果表明该方法收敛精度较高.     

水电站水库优化调度的改进粒子群算法

粒子群优化算法是通过粒子记忆、追随当前最优粒子,并不断更新自己的位置和速度来寻找问题的最优解。为了克服标准粒子群算法存在着早熟收敛、难以处理问题约束条件等缺点,本研究对递减惯性权值进行了改进,将其表示为粒子群进化速度与群体平均适应度方差的函数;给出了适合PSO算法的约束处理机制,提出了一种改进自适应粒子群算法,并将其应用于水库优化调度中。实例计算并与经典方法相比,表明该方法原理简单、易编程实现,能以较快的速度收敛于全局最优解。     

基于改进粒子群算法的控制分配研究与应用

微粒群优化算法是一种进化计算技术,其优点是速度快,鲁棒性好且结构简单。针对标准粒子群优化算法容易陷入局部最优的问题,本文提出了一种新的改进粒子群算法,算法中引入了进化速度因子和聚集度因子。在每次迭代时可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性。将该算法运用到控制分配系统中来获取控制参数。仿真结果表明,该改进算法能得到较好的控制指令来有效的解决战斗机在线故障问题。     

基于动态云进化粒子群算法的风电系统无功优化方法

针对风电系统中,风力的不确定性导致粒子的适应度不稳定性较大、劣性粒子偏多,难以快速收敛到最优值,进而造成系统电压偏差较大,网损剧增的问题,提出了基于动态云进化粒子群算法对风电系统进行无功优化。首先以网损最小作为优化目标建立了风电系统无功优化模型。然后提出动态云进化粒子群算法。该算法根据粒子的适应度值,选取优秀个体进行进化,从而降低劣性粒子比例,增强搜索速度。再通过云发生器,使得优秀个体进化出的优秀种群趋于正态分布,从而达到改善粒子分布的目的。在此基础上,根据正态云的分布特点,动态改变飞行速度,进一步改善粒子分布、提高搜索精度。最后以风电系统的有功网损为优化目标,进行补偿容量的确定,仿真结果证明了该方法的有效性。     

电力系统环保经济负荷分配的模糊自修正粒子群算法

针对标准粒子群算法易陷入局部最优、收敛过早的缺陷,提出了一种模糊自修正粒子群算法。通过利用模糊推理机制建立了粒子适应度值隶属度函数,在每次寻优过程中,使得各粒子根据自身当前适应度隶属度函数值来修正惯性权重的取值,而不是把惯性权重作为全局变量,对同一代粒子使用相同的惯性权重;这充分考虑了各粒子自身的性能,可以进一步改善早熟的缺陷,增强全局搜索能力,从而可以获取更好的目标值。将该算法用于求解电力系统经济负荷分配问题,兼顾考虑了燃料成本和环境成本;在求解此问题时,为了更精确地处理功率平衡约束,根据寻优过程中等式约束偏差量的大小不断调整罚系数取值,并以此建立相应的罚函数。算例结果表明,模糊自修正粒子群算法对比标准粒子群算法有较强的全局搜索能力,有更可靠的优化计算结果,进而体现了该方法的有效性和优越性。     

基于动态改变惯性权值的粒子群算法

粒子群算法的速度更新公式是通过惯性权值来调节前代速度对当代速度的影响。标准粒子群算法的惯性权值是采用线性递减策略,这使得算法极易收敛到局部最优;而且这种方法依赖于最大迭代次数的设定,使得惯性权值的选取具有盲目性。本文提出一种动态改变惯性权值的方法,充分利用目标函数所提供的信息,构造按指数衰减的惯性权值并进行了分析,最后对一标准测试函数进行了仿真。结果表明,所提算法能够得到更好的优化效果,验证了方法的有效性。     

基于改进PSO优化模糊神经网络的配电网故障选线研究

针对小电流接地系统中单相接地故障选线这一未彻底解决的难题,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化模糊神经网络(Fuzzy Neural Networks,FNN)的配电网故障选线方法:通过调整粒子群的适应度函数和自适应惯性权值,利用改进PSO先对网络初始参数、权值进行一次优化,后使用BP算法进行二次优化。讨论模糊神经网络、传统PSO优化的模糊神经网络及不同网络结构对网络性能的影响。研究结果表明改进PSO优化模糊神经网络的选线效果明显优于模糊神经网络和传统PSO优化模糊神经网络,能够快速、准确、可靠的选取故障线路。     

基于改进简化粒子群算法的多目标输电网规划

针对标准粒子群(SPSO)算法在计算过程中容易陷入局部最优的缺点,对SPSO算法做了以下改进:首先,简化粒子群算法,去掉不影响其进化过程的速度矢量,提高收敛精度;其次,将粒子群算法中的惯性权值由线性递减策略改进为非线性递减策略,有效地控制了粒子群优化算法的全局搜索和局部搜索.在输电网扩展规划中的应用结果表明,上述2个操作可以提高PSO算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进简化粒子群算法的有效性.     

基于改进粒子群算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出一种基于(非劣最优)Pareto解集的改进粒子群算法AL iPSO。用最优值评估选取法求取粒子和全局最优位置,解决目标函数间可能存在的冲突。并将关联度自适应学习应用于多目标优化,提出适合Pareto解特点的适应度设计和随机惯性权策略,克服PSO算法容易早熟而陷入局部最优解的缺点。通过对IEEE 6、IEEE 14节点系统多目标最优潮流计算,验证了该算法的有效性。     

基于多策略分区勘探粒子群算法的主蒸汽温度优化控制

为满足火电机组快速深度变负荷工况下主蒸汽温度控制器参数整定需求,将选择算子、自适应学习因子、自适应惯性权重系数引入标准粒子群算法中,提出多策略分区勘探粒子群算法。该方法根据适应度评价指标,将种群划分为标准粒子群操作区、选择算子操作区、自适应学习因子操作区、自适应惯性权重系数操作区4个分区,以充分发挥各寻优策略的优势,保证算法具有较高收敛精度,同时具有较快的收敛速度。与其他5种改进粒子群算法进行对比实验,结果表明:本文所提算法寻优精度高,收敛时间短。将本文算法与衰减曲线法、3种改进粒子群算法分别应用于主蒸汽温度串级PID控制器参数优化,仿真实验结果验证了本文算法的有效性。     

基于自适应量子粒子群算法的塔机NFNN控制器参数优化

针对塔机正规化模糊神经网络控制中参数众多且难于分析的问题,提出了对正规化模糊神经网络优化的自适应量子粒子群算法。该方法采用量子旋转门对粒子进行更新变异,惯性权重根据当前适应度自动调整,在全局寻优过程中,当粒子远离目标时,学习因子变大,当粒子靠近目标时,学习因子变小,有效地提高了全局最优搜索能力及收敛速度。采用该方法对塔机NFNN控制器参数进行优化,结果表明,自适应量子粒子群算法对塔机NFNN参数优化效果优于传统量子粒子群算法,且加快了控制器的响应速度。     

基于改进PSO算法的电力系统无功优化

提出了一种多策略融合自适应粒子群优化(MSI-APSO)算法求解电力系统无功优化问题的新方法。该方法采用分阶段调整加速因子,结合适应值自适应调整惯性权重,然后基于群体信息改善部分性能差的粒子,迭代后性能改善的粒子,采取速度保持策略,从而提高了PSO全局寻优性能。针对IEEE30节点系统进行无功优化计算,并与带惯性权重的粒子群(PSO-w)算法、带压缩因子的粒子群(PSO-c)f算法、全面学习粒子群(CLPSO)算法进行了比较,表明MSI-APSO具有更好的全局寻优能力和收敛性能。     

粒子群神经网络混合算法在负荷预测中的应用

电力系统负荷预测结果的准确性关系到电力系统的调度运行、生产计划和供电质量,为此在研究短期负荷预测中应用了粒子群PSO和BP神经网络相结合的混合算法。该算法先应用粒子群优化算法算出BP神经网络的连接权向量和阈值,每次迭代求出最优粒子的权向量和阈值及BP网络在这组权向量和阈值的实际输出值,最后得出第i个粒子的适应度函数。与其他方法相比,该算法预测精度较高:平均相对误差≤1.48%,最大相对误差≤4.10%,而且收敛速度快,预测结果满足短期负荷预测误差要求。     

基于优化PSO算法的SCR脱硝控制器研究

针对SCR脱硝控制系统中的PID参数整定困难,提出一种优化粒子群算法的PID控制器参数整定方法。该算法利用已知粒子信息得到适应度函数值的估值,在估值策略中,引入粒子间的相似度和粒子的可信度评价方法,增加适应度函数值估计次数和准确性,减少适应度函数值计算次数,提高算法性能。将优化的粒子群算法用于优化SCR脱硝系统中PID控制器参数,与传统整定PID控制器参数方法相比,基于适应值估值策略的粒子群算法整定PID控制器参数收敛速度快,系统内回路响应上升速度快、时间短,外回路静态误差小、无超调等优点,较好地满足SCR脱硝系统的动态特性。     

JADE平台粒子群算法在环境经济调度中的应用

在环境经济调度模型中,为同时降低火电机组的燃料成本和污染气体排放量进行多目标优化,模型引入阀点效应并考虑网损,在满足功率平衡和出力限制的前提下,采用一种基于JADE平台下的粒子群多目标优化算法对模型进行求解。算法吸收了粒子群算法的进化机制,将Pareto占优策略和拥挤距离相结合并应用在粒子群算法中,添加了动态惯性权重特性和小概率变异,提高了算法全局搜索能力。在JADE平台下搭建算法模型,并运用IEEE-30节点6机组和IEEE-118节点40机组的标准测试系统进行仿真,结果表明该算法提高了系统的计算速度,改进了算法的并行性,更适合求解大规模复杂系统。     

基于改进PSO算法的UAV三维路径规划研究

提出一种根据适应度值使粒子侧重于不同寻优任务的改进粒子群优化(FPSO)算法,并将其应用于UAV三维路径规划问题。传统粒子群优化(PSO)算法对所有粒子设置统一的控制参数,寻优过程不够灵活,易陷入局部极值且收敛速度慢。改进的FPSO算法提出三种优化策略,即将PSO算法与遗传算法(GA) 结合、设置动态惯性权重、引入步长因子,以充分发挥不同适应度值粒子的搜索优势,使其动态侧重于局部搜索或全局搜索。仿真结果表明,FPSO算法搜索结果更优,迭代次数更少,平均消耗时间比PSO算法缩短22.0%、比GA算法缩短39.6%,具有显著的性能优势。     

基于BPSOGA的含风电机组的配电线路故障区段定位

风电机组等分布式电源并入配电线路中,将导致传统的故障区段定位方法不再适用。对传统的开关函数和适应度函数进行改进,统一假定开关的正方向,提出基于粒子群优化算法和遗传算法的二进制混合算法。该算法采用双种群进化和信息交换的策略,在寻优搜索开始时产生2个子种群,双种群在进化过程中互不干扰,在每一代进化完成后相互共享信息,选择最优信息进行2个种群下一代的进化,直至得出最优解。仿真结果表明:所提方法对风电机组的并网数量和位置不作限制,适用于单一故障和多重故障的定位,并且具有一定的容错性。与单独的二进制粒子群优化算法和遗传算法对比,所提混合算法性能较高、收敛速度较快,能明显降低出现"未成熟收敛"的概率。     

基于神经网络的凝汽器污垢热阻预测模型

针对凝汽器污垢热阻难以预测的问题,采用改进粒子群算法优化的Elman神经网络建立凝汽器污垢热阻预测模型。根据粒子个体与全局的认知能力动态调整惯性权重,改进粒子群算法,提高算法收敛精度和速率,利用改进的粒子群算法优化神经网络的权值和阀值,提升模型的预测能力。以某电厂300 MW机组凝汽器清洗后的运行状况搭建模型,将预测值与实际值进行对比,验证模型准确性。结果表明,改进后的预测模型具有更好的精度和适应能力,为凝汽器污垢热阻预测和清洗时间间隔提供了理论依据。     

基于粒子群-差异进化混合算法的电力系统无功优化

针对传统粒子群算法中收敛速度快但易于陷入局部最优等特点,将差异进化算法与粒子群算法相结合,提出了一种粒子群-差异进化混合算法。该算法在粒子寻优过程中除跟踪个体极值和全局极值外,还跟踪粒子差异进化产生的第三个值;同时,当粒子在某一维上的速度小于给定值时,将重新初始化该维度粒子速度。建立了无功优化数学模型,并将合算法应用到无功优化中。通过MATLAB编程对IEEE-30节点系统进行优化计算,并与遗传算法和粒子群算法比较,结果表明本文提出的算法应用于无功优化拥有较快的收敛速度和全局寻优能力,具有广阔的发展前景。     

电力系统机组组合问题的闭环粒子群算法

针对标准粒子群优化（PSO）算法易陷入局部最优解的缺点,提出了闭环PSO（CLPSO）算法。算法引入经典控制理论中的反馈机制和闭环控制概念,将每个粒子视为被控对象,根据每一步得到的适应值通过PID控制器动态调整惯性权重,以满足搜索过程中粒子时时变化的需求。该策略极大地保证了粒子多样性,提高了算法的全局搜索能力。将CLPSO算法应用到机组组合问题中,同时结合新的策略以降低问题维数和保证寻优过程中粒子的可行性。仿真结果验证了所提出的算法在解决机组组合问题上的有效性。