改进粒子群算法在电力系统经济负荷分配中的应用

粒子群优化(PSO)算法在电力系统多目标优化问题中,存在易陷入局部最优,计算结果随机性较大及利用权重处理多目标问题时取值难以科学化等缺陷。为了避免这些问题,结合随机黑洞策略、惯性权重和学习因子的动态更新、NSGA-II非支配排序、拥挤距离排序、领导粒子的选择和小概率随机突变的方法对经典PSO算法进行了改进,提出了一种新的改进粒子群算法,引用Pareto前沿来处理电力系统多目标优化问题。随后,将改进粒子群算法应用于电力系统经济负荷分配问题中,综合考虑了发电机的燃料成本和有功网损成本,结果表明改进粒子群算法增强了全局搜索能力,改善了收敛速度和收敛精度,解集的分布更加均匀,并且有效地展现了Pareto前沿关系,使其在处理非线性、非凸性及高维等多目标问题时更具有优势。