一种融合分布估计的离散粒子群优化算法的配电网重构

将基于分布估计的离散粒子群优化算法运用于配电网重构,以降低网损为目标函数,对于新的种群,随机从概率模型和至今全局最优信息项中获取解信息。仿真实验结果表明提出的关于配电网重构的新算法优于其他几种优化算法。     

配网重构与电容配置的改进模型及优化算法

为降低配电网中无功功率损耗,提高电压质量和保持网络的稳定性,提出了一种配网重构与电容器配置的改进模型和优化算法,即以网损最小为目标函数,运用正倒向随机潮流法进行潮流计算,并对二进制粒子群算法进行改进,克服了先前迭代的粒子信息难以传递至下一次迭代以及粒子位置更新结果不准确的缺陷,从而实现对配网重构和电容配置的同步优化.在IEEE 16节点配电网系统上运行和测试,找到最优重构和配置的方法,并在MATLAB R2010软件环境中编写算法进行仿真计算,比较5种不同优化方案.研究结果表明,该算法每次迭代计算更新了全局最优和个体最优,可获得全局最佳的网络状态,与其对应的电压分布和功率损失也达到最佳.     

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means, IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization, IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization, HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。     

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。     

舰船特装器材多目标优化配置方法

 针对舰船海上执行任务期间随舰特装器材的保障问题,研究了特装器材的多目标优化配置方法。结合舰船特装器材保障的实际特点,以器材的体积、质量、费用为约束条件,以保障概率和利用率为优化目标,建立多目标多约束特装器材优化配置模型,并改进多目标粒子群算法,保证全局范围粒子多样性,避免算法过快收敛,以求得全局最优解。通过实例对比改进粒子群算法与标准算法的计算结果,分析不同指标权重比组合下的最优配置方案、不同约束条件下的多目标变化趋势,证明了改进粒子群算法的稳定性和多目标优化模型的实用性。     

多目标非支配邻近免疫粒子群算法

针对PSO算法求解多目标优化问题时易陷入局部最优解的问题,采用非支配邻近免疫算子来对粒子群的外部档案进行维护和变异操作,有效提高了Pareto解的多样性,从而提出一种多目标非支配邻近免疫粒子群算法(NICPSO)。采用动态加权法选择全局最优粒子,提高全局搜索能力;当粒子群趋于早熟时,采用优势邻域认知的个体极值更新策略;同时将学习因子表示为惯性权重的非线性函数,有效提高算法的统一性。通过ZDT1—ZDT4及ZDT6基准测试函数验证,该算法有效的提高了优化解的收敛性和多样性,与其他多目标进化算法和多目标粒子群优化算法相比,具有较好的性能。     

基于免疫二进制萤火虫算法的主动配电网低碳目标网架规划

主动配电网(ADS)网架规划是一个非常复杂的大规模组合优化问题.萤火虫算法(FA)是一种新型的智能优化算法,全局搜索能力强、算法结构简单,而且收敛速度快.在此基础上借鉴生物免疫机制,群体更新时考虑抗体浓度,进一步提高种群的多样性和算法全局寻优能力,提出了一种免疫二进制萤火虫算法(IBFA)进行主动配电网网架规划.以线路投资、运行维护、网损和碳排放环境成本最小为目标,考虑分布式电源(DG)与柔性负荷(FL),建立了主动配电网网架规划模型.通过与二进制粒子群优化(BPSO)算法对比求解IEEE-14节点算例,验证了免疫萤火虫算法在全局寻优能力和收敛性方面的优越性,同时证明分布式电源和柔性负荷是抑制碳排放、提高系统整体效益的有效方式.     

粒子群算法在多目标优化中的应用综述

粒子群优化算法是一种基于群体智能的全局随机寻优算法。它通过粒子搜寻自身的个体最优解和粒子群体的全局最优解来完成更新优化。粒子群算法在很多领域得到了广泛的应用。本文主要论述了多目标PSO约束优化的基本思想、实现情况,并展望了PSO算法在多目标优化中的未来发展方向。     

一种基于粒子群优化算法对基于点表示的模型进行特征检测的新方法

基于粒子群算法, 提出一种针对基于点表示模型的新特征检测方法, 解决了大规模数据模型特征的快速显示问题. 该方法对粒子群优化算法进行优化, 将其应用于物体空间的特征检测上, 实现了多目标搜索. 通过对粒子群算法中的粒子、适应度函数、 初始结束条件、 局部最优解、 全局最优解和迭代公式的重新定义, 将局部搜索与全局搜索相结合, 可快速搜索到多个目标. 该算法通过构造可估计局部曲面变化的适 应度函数检测特征点, 并对特征点做标记, 以快速显示出模型的特征. 实验结果表明, 所提出的特征检测算法适用于对基于点表示的模型的快速特征检测, 尤其适用于大规模数据模型     

精英非支配排序算法与改进粒子群算法相结合的储能优化配置

储能系统的选址定容在接入新能源的电力系统中具有重要意义,合理选择储能容量可以很好地平抑风电接入后的系统有功功率波动,同时减少能源浪费。提出了一种混合智能优化算法(hybrid intelligent optimization algorithm,HIOA),以电压偏差、负荷波动最小及最少储能配置容量为目标进行优化配置。该算法将多目标粒子群算法改进后(IMOPSO)与精英非支配排序算法(NSGA-II)结合,与常规多目标粒子群算法相比,大幅提高了算法的寻优性能,保证了Pareto解的多样性和分布性。通过非支配排序求解获得Pareto最优解集,采用逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)选出储能的最优接入方案。通过IEEE-33节点测试系统的仿真实验验证了算法的准确性及有效性,在求解配电网储能选址定容问题中有很好的收敛性和全局寻优能力。     

NSGA-II与改进粒子群算法相结合的储能优化配置

储能系统的选址定容在接入新能源的电力系统中具有重要意义,合理选择储能容量可以很好地平抑风电接入后的系统有功功率波动,同时减少能源浪费。本文提出了一种混合智能优化算法(Hybrid Intelligent Optimization Algorithm,HIOA),以电压偏差、负荷波动最小及最少储能配置容量为目标进行优化配置。该算法将多目标粒子群算法改进后(IMOPSO)与精英非支配排序算法(NSGA-II)结合,与常规多目标粒子群算法相比,大幅提高了算法的寻优性能,保证了Pareto 解的多样性和分布性。通过非支配排序求解获得Pareto 最优解集,采用逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)选出储能的最优接入方案。通过IEEE-33 节点测试系统的仿真实验验证了本文所提算法的准确性及有效性,在求解配电网储能选址定容问题中有很好的收敛性和全局寻优能力。     

基于改进粒子群算法的配电网综合运行优化

在无功优化、分布式电源(DG)有功优化和网络重构协同的条件下,以有功网损最小为目标函数、多种电气限制和网络拓扑结构为约束条件建立了配电网综合运行优化模型;针对基本粒子群算法容易陷入局部最优、收敛速度慢等缺点,提出一种改进的粒子群(IPSO)算法,并将其用于求解配电网综合运行优化模型.结果表明,所建配电网综合运行优化模型能够同时优化补偿电容器投切容量、有载调压变压器变比、DG出力和网络开关状态,从而获得配电网的最佳运行状态.同时,通过IEEE 33节点配电网算例的仿真结果验证了配电网综合运行优化模型的有效性和IPSO算法的高效性.     

基于CPSO算法的岩石蠕变模型非定常参数反演分析

针对粒子群优化(PSO)算法具有全局寻优能力强、无梯度信息、收敛速度快、算法简单但易陷入局部最优解且初始化解的质量不高的特点,利用混沌的遍历性,把混沌机制和粒子群优化算法结合起来,对粒子群优化算法进行了改进,提出了混沌粒子群优化算法,并利用混沌粒子群优化(CPSO)算法对岩石蠕变本构模型的非定常参数进行了反演分析,算例结果表明,采用该混沌粒子群优化算法反演非定常参数是可行的.     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

混沌PSO梯级优化调度算法及实现

利用切比雪夫(Chebyshev)映射在[-1,1]区间上的遍历性和随机性,提出了一种基于切比雪夫映射的新型混沌粒子群优化(CPSO)算法.该算法在粒子群算法求出的最优解附近进行混沌搜索.提高了混沌粒子群算法的全局优化能力,能有效避免算法容易陷入局部最优以及解决逻辑斯谛(logistic)映射不能在负值区间进行搜索的问题.针对模型中复杂的约束条件,采用分段线性插值函数实现了对目标函数的求解,并通过对采用丰枯电价时三峡梯级水电系统长期优化调度问题的计算及与其他算法的对比,验证了该算法可解决具有复杂约束条件的工程优化问题.     

基于最小生成树的含分布式电源的配电网重构算法

考虑到分布式电源对配电网重构的影响,将以最小生成树为搜索策略的粒子群算法与改进萤火虫算法相结合,以有功网损和负荷均衡指数最小为目标函数,建立有效实用的配电网重构模型,避免了不可行解的产生,并且有效平衡了全局搜索和局部收敛的过程.算例仿真结果验证了所提算法的有效性和可行性.     

基于多Agent系统的粒子群遗传优化云工作流调度算法

随着大数据时代的来临,传统的工作流计算平台已经无法满足大量工作流应用的计算要求.因此,工作流应用开始由原有的基础设施转移到更加高效、可靠、廉价的云平台上.针对现有的云工作流调度算法执行时间最小化、作业最优分配以及调度算法的收敛时间问题,提出一种基于多Agent系统的粒子群遗传优化云工作流调度算法.该算法首先利用粒子的自身历史最优位置和粒子群历史最优位置优化全局最优解的搜索过程,然后将系统中每个粒子作为一个Agent,多Agent间相互竞争和协调,最后在多Agent系统中引入遗传算法,通过Agent间的信息交互进行有目标地交叉变异操作,不仅避免粒子群的盲目随机化以及陷入局部最优解,而且加速了搜索全局最优解的收敛过程.使用真实工作流数据进行模拟实验,实验结果证明该算法的有效性.     

考虑地面沉降约束的地下水模拟优化管理模型

为了解决地面沉降区地下水资源科学管理这一个重要的资源与环境地质问题,基于模拟优化(S-O)模型的思想,建立了考虑地面沉降约束的地下水模拟优化管理模型(SUBGO).模拟模型采用地下水模拟程序MODFLOW-2005中的地面沉降模拟子程序SUB-WT来模拟地面沉降过程.优化模型分别采用遗传算法(GA)和小生境Pareto禁忌遗传混合算法(NPTSGA)分别求解单目标和多目标的优化设计方案.将SUBGO管理模型应用于一个理想场地含水层中地下水开采方案和地面沉降控制的优化设计中,结果表明基于GA的单目标优化和基于NPTSGA的多目标优化均能搜索到全局最优解和全局分布的Pareto最优解,均能够在控制地面沉降的约束条件下,设计合理的地下水开采利用方案.与单目标相比,多目标优化能够为决策者提供多个解作为管理决策方案,同时多目标优化还提高了寻优的计算效率.     

基于可靠性的供应链设施选址问题的优化模型

针对传统设施选址模型片面追求成本最小化而忽视供应链系统服务水平的情况,建立了一个基于容量有限制的供应链设施选址可靠性问题的多目标优化模型(RCFLP),并针对模拟退火算法与粒子群算法的优缺点,提出了一种混合型智能算法—模拟退火粒子群算法。通过收集中国各个省的人口和各个省会的相互之间的距离数据,构建实例,通过本文建立的模型与模拟退火粒子群算法进行了求解, 并对结果进行了分析,将模拟退火粒子群算法计算结果与模拟退火算法和粒子群算法的计算结果相比较,证明了模拟退火粒子群算法的可以较快地获得较好的全局最优解。     

基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.