电力系统无功优化的多智能体粒子群优化算法

无功优化是电力系统实现电压和无功功率最优控制和调度的基础,提出了一种全新的优化算法一多智能体粒子群优化算法来求解此类优化问题。该算法结合multi-agent系统和粒子群优化技术,构造了一个格子环境,所有Agent都固定在格子环境中。每一个Agent相当于粒子群优化算法中的一个粒子,它们通过与其邻居的竞争、合作和自学习操作,并且吸收了粒子群优化算法的进化机理,能够更快地、更精确地收敛到全局最优解。在IEEE30节点系统上进行校验,并与其它方法比较,结果表明,提出的算法具有质量高的解、收敛特性好、运行速度快的突出优点。     

基于改进粒子群混合算法的电机故障诊断研究

对基本粒子群优化PSO算法进行改进,并将改进粒子群优化算法与误差反向传播BP算法结合起来构成的混合算法用于训练人工神经网络,对电机转子进行故障诊断.提取电机转子振动频谱分量作为神经网络的训练样本,将代表故障信息的数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型.仿真结果表明,改进PSO-BP粒子群混合算法可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度.     

一种电压薄弱负荷节点群的戴维南等值参数跟踪方法研究

提出了用戴维南等值参数对电压薄弱负荷节点群进行监视的一种方案.静态分析中,采用连续潮流法确定负荷节点电压--负荷参数曲线;在负荷变化率相同情况下,根据电压幅值变化量确定电压薄弱负荷节点;考虑低电压水平与电压崩溃的关系,提出电压幅值变化率作为电压薄弱负荷节点分群所观察信息,考虑地理因素,将电压薄弱负荷节点模糊聚类分群;将每个电压薄弱负荷节点群中典型节点电网侧戴维南等值参数跟踪.提出基于潮流的仿真计算方法进行戴维南等值参数跟踪,观测电压薄弱负荷节点群的电压稳定裕度.该方法在IEEE 118节点系统上验证了其有效性.     

含误差校正的粒子群优化GM(1,2)短期电价预测方法

在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM(1,2)短期电价预测方法.该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM(1,2)模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM(1,2)模型的预测结果.对PJM电力市场历史数据的算例分析表明,相对于传统GM(1,2)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.     

永磁同步直线电机的粒子群PID空间矢量控制

由于永磁同步直线电机(PMLSM)在运行过程中存在着参数变动和负载干扰等问题,因此传统PID控制器无法满足高精度伺服控制系统的要求。针对以上问题,提出一种基于粒子群参数全局寻优的在线自整定PID控制器,并通过MATLAB/Simulink对永磁同步直线电机和其空间矢量控制系统进行建模和仿真实验。仿真结果表明,采用粒子群优化算法的PID控制系统在指定速度1 m/s和加入200 N的负载时,比传统PID控制器具有更好的动态响应性能,能有效抑制推力波动而且对负载扰动具有很强的鲁棒性,其实验结果也证明了其可行性和有效性。     

基于CDIO模式的操作系统课程群教学改革与实践

CDIO模式是近年来国际工程教育改革的最新研究成果。针对操作系统课程群的教学现状,基于CDIO的工程教育模式,探讨了课程群的教学改革与实践,提出了整合操作系统课程群的知识结构和改革课程考核方式的具体措施。实践表明,上述的教学改革取得了较好的效果,有效地保障了该课程群培养目标的实现。     

基于LS-SVM和PSO相结合的电力负荷预测研究

提出了一种基于最小二乘支持向量机(LS-SVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法.以历史负荷数据、气象因素等作为输入,建立预测模型,对未来日最大负荷进行预测.该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并应用粒子群算法优化最小二乘支持向量机的参数,提高了预测模型的训练速度和预测能力.实际算例表明,使用上述方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络法的预测结果相比,前者具有更高的精度和更强的鲁棒性.     

基于动态多种群粒子群算法的低压配电网电压无功优化

粒子群算法已在配电网无功优化领域中得到广泛应用,而基本粒子群算法在求解多约束条件的低压配电网电压无功优化问题时耗时过长。为解决这一问题,提出了利用动态多种群粒子群算法对低压配电网进行电压无功优化方案。动态多种群粒子群算法通过轮盘赌将粒子按照各节点电压合格、各节点无功补偿容量不超过预设值和系统总无功不过补偿这3个约束条件进行动态分组,粒子根据改进的粒子速度位置更新公式飞行搜寻,最后获得满足以上约束条件的电压无功优化问题最优解。本文提出的电压无功优化方案将分散并联电容器组与配电变压器调压相结合,与集中补偿无功方式相比,节点电压偏移程度更小、电网损耗更低。本文应用的约束优化粒子算法与基本粒子群算法相比,运行速度大幅提高,计算结果较为优化。     

基于自适应变异粒子群算法的电动出租车充电引导

通过调研分析深圳市电动出租车的实际运营数据,提出充电站充电设备时间利用率的计算方法。针对区域内充电站之间设备时间利用率分布不均衡的问题,提出了基于充电站信息和车辆信息的电动出租车充电引导系统,建立了充电引导模型,并采用改进的自适应变异粒子群算法引导电动出租车的充电行为。根据深圳充电站的实际数据进行算例仿真,仿真结果表明,经过充电引导后的电动出租车能根据充电站内充电桩的规模均匀分布到相应的充电站,实现区域内充电站之间充电设备利用率的均衡分布,从而提高充电设备时间利用率。仿真结果验证了所提充电引导方法的可行性。     

基于双重混合粒子群算法的配电网重构

为进一步优化配电网运行结构,将混合蛙跳思想引入粒子群算法,结合配电网结构简化、支路分组,提出一种基于双重混合粒子群算法的配电网重构策略。为提高粒子搜索效率、防止算法早熟,首先,等效简化配电网结构图,对支路分组,缩短编码维数;其次,将各粒子依据一定规则分组,采用基于混合蛙跳思想的二进制粒子群算法进行支路组搜索,且对粒子历史最优值进行多次分组,组内搜索采用二进制粒子群搜索算法。运用该方法分别对IEEE33节点配电系统和136节点配电系统进行仿真,并与遗传算法和粒子群遗传混合算法进行对比分析,结果表明该方法收敛速度快,可得到最优网络重构结果,有效降低网损。