量子粒子群算法在配电网多时段动态重构中的应用

针对配电网负荷随时间不断变化的情况,提出了一种配电网多时段动态重构新方法。该方法以配电网有功损耗最少和开关操作次数最少为综合优化目标函数,构建多目标动态重构模型,采用开关环路矩阵与节点分层判别方法快速消除无效解,采用整数型环网编码策略大幅降低变量维数。针对该复杂模型的求解,提出了一种更适合求解配电网动态重构的整数编码型量子粒子群优化算法,对其进行有功网损最少化的时段初步划分,并在初步划分的基础上进行开关操作次数最少化的时段二次优化,进而确定最优重构方案。通过对IEEE33节点系统进行动态重构,验证结果表明本文所提方法合理、有效。     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

适合负荷变化的配电网络重构

考虑到负荷变化的情况,提出一种配电网静态重构算法,并以此为基础设计出了能够适应负荷变化的动态重构算法。其中静态重构算法以支路交换法为基础,利用降损估算公式分析负荷变化对网络结构的影响,并通过支路流过的负荷值与最佳转移负荷的距离确定应打开的分段开关,算法无需进行潮流计算;动态重构算法则是根据开关操作最大降损量客观指导时段划分,并通过建立评价函数分析各时段在整个时区的降损效果,以进一步优化结果。算例结果表明提出的静态重构和动态重构算法是可行和有效的。     

基于改进粒子群算法的配电网多目标重构

配电网络重构是一个复杂的非线性组合优化问题。以降低配电网网损、提高系统供电可靠性为重构目标,采用基于环路的十进制编码粒子群算法进行配电网重构。选择配电网中开关全部闭合形成的网孔为环路,每个粒子由选为联络开关的开关在环路中的编号组成,粒子的长度为联络开关数,在有速度限定因子的粒子群算法中引入线性变化的惯性权重,并采用具有局部变异特性的粒子更新方式。算例结果表明改进后的粒子群算法求解配电网重构问题具有较高的效率和可行性,且综合考虑多目标的配电网重构能在不增加额外投资的情况下获得网损下降同时供电可靠性提高的综合效益。     

牵引负荷接入电力系统的随机潮流计算

基于随机潮流计算对含牵引负荷的电网潮流不确定性进行描述,提出使用群体感应机制的粒子群算法对牵引负荷概率模型进行参数辨识.采用基于Nataf变换的拉丁超立方采样技术控制随机潮流输入变量的相关性.结合算例仿真,分析在不同负荷空间相关性的情况下,牵引负荷的接入对电网电压和支路潮流概率分布的影响.结果表明,使用群体感应机制的粒子群算法参数辨识精度更高,且避免了基本粒子群算法易陷入局部最优解的缺点;考虑牵引负荷随机性的支路功率和电压概率分布因不同的负荷空间相关性变化明显.为新建高铁线路接入电网提供了参考.     

梯级水电站优化调度的模糊自适应粒子群算法

针对粒子群算法容易早熟和易于陷入局部极值的缺点,提出一种梯级水电站优化调度的模糊自适应粒子群算法.在该算法中将惯性权值表示为粒子群进化速度因子和群体适应度方差的模糊函数,在每次迭代过程中动态改变惯性权值,以适应非线性优化搜索过程.针对违反约束的粒子,设计了一种动态空间调整策略来修复约束要求.为了验证算法的性能,用2个测试函数和拥有4个水电站的系统进行了测试,在求解精度和速度上与标准粒子群算法和改进惯性权值线性递减粒子群算法进行了对比,结果表明模糊自适应粒子群算法收敛速度快、精度高.     

基于模拟退火粒子群算法的含DG配电网重构研究

含分布式电源的配电网重构是配网优化的重要课题．二进制粒子群算法（BPSO）是解决优化问题的重要算法,首先根据配电网重构的拓扑约束条件,将轮盘赌操作引入到BPSO中,改进了BPSO算法中粒子位置状态更新策略．接着将模拟退火算法中的动态变异机制引入到改进的BP—So中,解决了BPSO容易陷入局部最优的缺点,最终能够快速有效地达到网路损耗最小的目的．选取IEEE69节点系统进行算例仿真,并与现有研究成果进行对比,结果表明该算法在继承了粒子群优化算法简单容易实现的特点同时,使其具有了摆脱局部极值点的能力,能够优化最优解,提高算法的收敛速度,适合解决含分布式电源的配电网重构问题．     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

基于粒子群优化粒子滤波的SC-FDE系统信道估计方法

信道估计是SC-FDE系统中接收机对信道进行补偿的前提,针对该系统经典估计算法PF算法存在的粒子权值退化问题,结合粒子群算法,提出了基于粒子群寻优的改进PF算法的SC-FDE系统时变信道估计方法。在分析SC-FDE系统通信原理和建立信道估计动态空间模型的基础上,分析粒子滤波原理,引入粒子群寻优的思想,通过Logistic映射获得随机粒子序列,并利用PSO算法改善粒子分布区域。利用MATLAB软件将PSO PF算法与LS算法、EKF算法、DFT算法进行仿真对比,仿真结果表明,与其他传统信道估计算法相比,PSO PF算法在高斯噪声与非高斯噪声信道环境中均能有较低的误码率与归一化均方误差,并且在慢时变信道环境中性能更好。     

基于改进粒子群算法的海洋钻机系统布局优化

为提高海洋钻机的工作效率和平台的空间利用率,应用改进的粒子群算法对海洋钻机系统进行布局优化研究。针对多目标、多约束的钻机系统布局优化问题,建立钻机系统布局优化数学模型,应用多目标粒子群算法直接求解,得出相应的最优解集。利用线性加权法将多目标转变为单目标进行求解分析,针对单目标粒子群算法的缺点,基于约束条件、惯性权重以及遗传算法的选择和杂交对粒子群算法进行改进,完成不同改进算法的测试实验。结果表明,在应用粒子群算法求解布局问题时将约束条件作为目标函数、单独引入遗传算法的杂交思想求解速度和精度更好。提出的基于杂交的动态惯性权重粒子群算法的布局优化问题求解性能更优,得到的优化方案符合海洋钻井作业要求且占用甲板面积较小。     

混合粒子群MP算法在脑电信号分析中的应用

目的开辟脑电信号分析的新途径。方法将混合粒子群算法与MP算法相结合,对脑电信号进行重构。结果混合粒子群MP算法不但极大地提高了信号稀疏分解的速度,而且还能够取得良好的重构效果。结论混合粒子群MP算法可以作为脑电信号分析的新方法。     

混合粒子群MP算法在脑电信号分析中的应用

目的开辟脑电信号分析的新途径。方法将混合粒子群算法与MP算法相结合,对脑电信号进行重构。结果混合粒子群MP算法不但极大地提高了信号稀疏分解的速度,而且还能够取得良好的重构效果。结论混合粒子群MP算法可以作为脑电信号分析的新方法。     

修正的混沌粒子群算法求解经济负荷分配

为克服粒子群优化算法容易陷入局部最优、后期收敛慢等缺点,提出了一种修正的混沌粒子群优化算法.该算法通过修正粒子群迭代的行动策略,并引入遍历性较强的Tent混沌局部搜索机制,可以增强粒子的全局搜索能力,提高优化算法的全局寻优性能.将修正的混沌粒子群算法分别应用于6机组和15机组电力系统中求解经济负荷分配,在考虑系统网损和机组运行约束条件的情况下进行仿真实验.仿真结果表明:该算法用于求解高维、非凸、不连续等非线性复杂约束条件的电力系统经济负荷分配问题上,有着较快的收敛速度和较强的全局寻优能力.最后,通过与其它智能算法比较,验证了算法的有效性和优越性.     

一种适用于配电网重构的动态调整策略

提出了一种适用于配电网重构的动态调整策略,将其与整数粒子群优化算法相结合,实现了高效的配电网重构.动态调整策略分为问题变量解空间动态调整策略和粒子位置变量截断方式动态调整策略两部分:前者是指初始化时,粒子位置向量中的每一维变量根据已经更新的问题变量动态调整问题解空间,从而保证映射的问题解都是拓扑可行解;后者是指粒子更新过程中,位置向量的每一维变量通过动态调整截断方式来改变粒子位置向量空间到问题解空间的映射关系,潜在的拓扑不可行解被视为截断误差偏大而自动优化调整,这样不仅使更新过程不产生拓扑不可行解,而且更新过程的优化特性得以保留.动态调整策略可以结合粒子连续运动空间和问题离散解空间的映射关系,避免粒子搜索过程中产生网络拓扑不可行解,不仅达到了减少冗余搜索的目的,还提高了算法的优化性能.算例结果表明,提出的结合整数粒子群映射关系的动态调整策略不仅能够有效地求解配电网重构问题,而且具有良好的鲁棒性.     

基于改进入侵杂草算法的有源配电网重构

针对含分布式电源(DG)的有源配电网重构问题,建立考虑DG出力优化的多场景重构模型,提出改进入侵杂草算法(MIWO)求解.该模型从配电系统运行效益和环境效益两个角度,以有功网损、节点电压偏差、负荷均衡度、污染物排放环境成本和弃风弃光成本最小为目标函数.MIWO算法在入侵杂草算法的基础上,设计适用于重构问题的初始种群选择机制,优化了随机产生的初始值;融合Lévy飞行过程和类海明距离判定,保持了种群的多样性,避免陷入局部寻优;提出种子数量调节策略,提高了收敛速度.IEEE 33节点配电系统仿真结果验证了所建模型和所提算法的有效性.与入侵杂草算法、粒子群算法和遗传算法相比,MIWO算法收敛速度更快、寻优能力更强、稳定性更好.     

基于参数变化粒子群算法的MAF传感器建模

在用Hammerstein模型描述热膜式空气质量流量(MAF)传感器时,应用多项式回归分析建立其静态非线性环节的模型,应用参数线性变化的粒子群优化(PSO)算法建立其动态线性环节的模型.文章给出PSO算法的适应度函数及算法流程,并说明了参数设置的方法.研究表明,与基本粒子群算法相比,参数线性变化粒子群算法的建模精度及收敛速度有很大提高.应用参数变化粒子群算法进行传感器动态建模是非常有效的.     

一种动态惯性权重的自适应粒子群优化算法

在标准粒子群算法中,权重过大导致最优点的搜寻能力降低,不能适应复杂的非线性优化搜索过程,动态惯性权重的自适应粒子群算法(APSO)解决了这一问题。在该算法中,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。通过对几种典型函数的测试结果表明,APSO算法的收敛速度和收敛精度明显优于LDW算法,从而提高了算法的性能。     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于免疫粒子群算法的风/光/柴/储容量优化配置

针对我国风光资源丰富的偏远地区,采用风光的互补优势,结合蓄电池及柴油机对负荷进行供电,建立了以总净现值成本最低,负荷缺电率和能量浪费率最小为目标函数,以场地大小,蓄电池容量,柴油机功率及其污染物的排放量为约束条件,对其进行容量配置。采用了改进的多目标免疫粒子群算法进行优化,提高了算法的收敛速度,避免陷入局部最优解。仿真结果表明,在对负荷进行容量配置的过程中,采用多目标的改进免疫粒子群算法可以有效进行寻优,提高了系统的稳定性和经济性。     

压缩搜索空间与速度范围粒子群优化算法

为了改善粒子群优化(PSO)算法的搜索性能,提出一种改进的粒子群算法CSV PSO算法·该算法在粒子群进化的过程中根据粒子群的最佳适应值动态地压缩粒子群的搜索空间与粒子群飞行速度范围;针对PSO算法可能出现的暂时停滞现象,引入分区重新初始化机制·数值仿真结果表明:随着粒子群进化,适当的压缩粒子群搜索空间与飞行速度范围,有利于加速算法收敛,提高收敛精度;该算法收敛速度更快,精度更高,运行更为稳定·