基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

基于改进粒子群算法的配电网无功优化的研究

针对电力系统无功优化问题多变量、不连续、非线性的特点,本文建立了以系统年运行费用最小为目标函数、以有功功率和无功功率为约束条件的数学模型,并应用改进的粒子群算法对无功优化问题进行求解.该算法在权重系数和不活动粒子两方面进行改进,有效地解决了进化过程中陷入局部最优和搜索精度差的特点.最后,通过对IEEE30节点系统进行无...     

用随机模式和调整机制改进粒子群优化算法

提出一种改进的粒子群优化(particle swarm optimization,PSO)算法,将随机(random)概念与调整(regula-tion)机制导入PSO算法中,既可避免族群搜寻过程中陷入局部最优解,又可提高算法在最优区域局部搜寻的能力.最后用2种复杂程度不同的函数为例,比较了本算法与广被采用的PSO-CF算法的最优化能力.结果显示,算法在搜寻成功率、平均收敛时间及平均收敛代数方面的性能皆优于PSO-CF算法.     

粒子群优化算法在无功优化问题中的应用

无功优化是电力系统安全经济运行的核心问题之一,电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划.它的目标是在满足约束条件的前提下,使系统的某个指标或多个指标达到最优.在分析配电网无功优化所面临困难的基础上提出了一种粒子群优化算法,并结合IEEE30节点试验系统利用粒子群算法以实现.计算结果表明,这种优化方法有利于提高配电网的无功优化水平.     

用随机模式和调整机制改进粒子群优化算法

提出一种改进的粒子群优化(particle swarm optimization,PSO)算法,将随机(random)概念与调整(regula-tion)机制导入PSO算法中,既可避免族群搜寻过程中陷入局部最优解,又可提高算法在最优区域局部搜寻的能力。最后用2种复杂程度不同的函数为例,比较了本算法与广被采用的PSO-CF算法的最优化能力。结果显示,算法在搜寻成功率、平均收敛时间及平均收敛代数方面的性能皆优于PSO-CF算法。     

基于硬约束调节的改进粒子群无功优化

在解决电力系统无功优化问题时,粒子群优化存在着处理离散变量困难、易陷入局部最优和不能完全满足不等式约束等情况.为此,在对连续变量进行离散对应的基础上,采用混沌策略增加其寻优性能,并针对边界约束问题提出了将越限的节点电压和功率因数进行"九宫"调节的特色改进方案.以保证粒子的飞行能被控制在可行解空间中,从而形成了新的改进粒子群优化算法.通过IEEE标准节点系统和某地区实际电网的计算分析,表明该算法在寻优速度、寻优质量等方面均具有很好的效果.     

改进粒子群算法的风电场多目标无功优化

采用基于场景的思想确定了风电机组功率输出,通过在潮流计算中增加对风电场节点电压的迭代解决了含风电场的潮流计算问题。建立了有功网损最小、电压偏差最小、静态电压稳定裕度最大的多目标无功优化模型,提出了多目标归一化处理方法,通过改变各分量权重系数解决了多目标无功优化问题。分析了基于遗传交叉因子的粒子群优化算法,通过父代的遗传交叉产生代表解的新粒子,有效避免了粒子解陷入局部最优。算例表明,该模型和算法可有效解决含风电场的多目标无功优化问题。     

基于改进PSO算法的电力系统无功优化

介绍了PSO算法,结合电力系统无功优化问题的实际情况,针对其存在的易陷入局部最优点的缺点,提出了改进的PSO算法。该算法改变了初始化方法和粒子更新方法,在算法后期引入变异因子,并将问题分解成子问题进行处理。在IEEE-14节点系统的仿真计算中,改进PSO算法与其他人工智能算法相比,在较短时间内取得了更好的优化效果。     

基于随机参数的粒子群优化算法

粒子群优化算法本质上是一种全局随机优化技术,优化性能高但容易陷于局部最优,并且算法性能很大程度上依赖于参数设置。本文对该算法的3个控制参数进行数据实验和调查,分析参数设置对算法性能的影响规律,提出一种改进的粒子群优化算法,该算法在迭代的每一代中,惯性权重和加速系数都是在一定范围内随机产生：ω=rand（0.4,0.7）,C1=rand（0.5,3.0）,C2=rand（1,3.5）。由于该算法的控制参数不再固定取值;而且在一定范围内随机产生,从而增强了算法的多样性和遍历性,能够有效避免算法早熟收敛。通过标准函数的测试,验证了该算法性能优于固定参数粒子群算法和随机加速系数粒子群算法,具有更好的收敛性和稳定性。     

基于含时网络与随机矩阵理论的投资组合研究

考虑到资产收益率间复杂的线性和非线性动态相关及演化关系,基于Pearson相关系数、Kendall秩相关系数和Tail相关系数等构建含时网络并结合随机矩阵理论,研究最优投资策略问题。为了对比不同相依关系、不同中心性测度及是否降噪对投资策略的影响,构建了9个资产筛选网络模型,并基于上证180指数数据,求解最优投资策略,分析其内样本和外样本表现。研究发现:在Kendall和Tail相关系数下的模型所选资产组合可以有更低的交易成本,运用随机矩阵理论进行降噪能显著提升投资收益,含时条件中心性测度的引入有助于筛选出更优的资产组合。     

基于ACPSO算法的含分布式电源配电网无功优化

文章研究了含分布式电源的配电网络无功优化问题,基于无功裕度值探讨了无功补偿装置的接入位置,建立了含分布式电源配电网络多目标无功优化模型;运用自适应混沌粒子群算法(ACPSO)进行求解,在初始化计算过程中引入混沌系统,增加粒子种群的多样性,在迭代过程中引入惯性权重线性递减法和变学习因子法,以得到更精确的全局最优解;通过含分布式电源的IEEE 33节点系统的计算,验证了所提模型和算法的正确性。研究表明对含分布式电源的配电网络进行无功优化能够达到降低成本、网损和提高电能质量的目的。     

待补偿点定位的粒子群优化算法在配电网无功优化中的应用

根据最大降低网损的原则,首先计算出配电网无功补偿点的位置、个数和待补偿容量,并由此筛选出最优无功补偿的待补偿节点集和补偿容量的取值范围,减少粒子群优化算法最优解的搜索空间.建立了以网损最小为目标的粒子群算法无功优化数学模型,进一步提高了无功优化的效率和质量.以福安电网无功优化补偿为例,并与常规粒子群优化算法比较,验证了该方法的有效性.     

云模型和混沌粒子群算法的多目标无功优化

为了克服基本粒子群算法易陷入局部最优值和后期收敛速度慢的不足,提出一种基于云模型的自适应粒子群算法。该算法首先采用混沌优化策略对粒子群进行初始化,增加粒子取值的多样性;其次根据粒子的适应度值将种群中的粒子分成靠近最优值、较靠近最优值和远离最优值3个子群,并分别采取不同的惯性权重生成策略进行处理,其中较靠近最优粒子子群的惯性权重由正态云发生器动态自适应调整,摆脱算法陷入局部最优值束缚;最后在迭代后期通过正态云算子实现粒子的变异操作,使算法后期快速收敛到最优解。对标准IEEE30节点系统和IEEE118节点系统进行测试仿真,结果表明了文中算法解决多目标无功优化的有效性。     

基于改进粒子群算法光伏最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪（maximum power point tracking,MPPT）。粒子群优化算法（particle swarm optimization,PSO）在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为了解决以上的缺陷,本文提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索（cuckoo search,CS）混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,本算法有良好的响应速度和较高的优化精度。     

引入四元数理论的改进粒子群算法

为了解决传统粒子群算法存在早熟收敛、搜索空间受限、精度不高等问题,通过四元数理论和粒子群算法,提出了一种改进粒子群算法.该算法以树状拓扑结构为基础建立邻域结构,速度公式中分别使用粒子三部分的记忆值,即自身最佳、局部最佳及全局最佳,同时在社会部分加入以四元数为模型的三者之间关系项,这样既能记录三者单纯的比较结果,又可...     

电力系统多目标无功优化研究

在传统无功优化模型的基础上,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大和电压水平最好的多目标无功优化模型.基于Pareto最优概念的改进多目标粒子群算法应用到多目标无功优化的求解中,对IEEE30节点统进行了仿真计算.优化结果表明,该模型在实现系统经济运行的同时也增强了电网的电压稳定同时求得的一组最优解能够为优化方法的决策提供更多的有效参考,具有实际意义.     

核矩阵协同进化的震荡搜索粒子群优化算法

针对粒子群算法搜索后期易陷入局部极值的缺点,提出一种基于核矩阵协同进化的震荡搜索粒子群优化(kenel matrix synergistic evolution shock search particle swarm optimization,KMSESPSO)算法,该算法对粒子进行局部与全局结合的震荡搜索,且当整个粒子种群陷入停滞状态时,利用核矩阵对特定粒子组进行协同进化以扩大种群的多样性.实验结果表明,KMSESPSO算法有效提高了粒子的全局搜索能力,既避免粒子种群易早熟收敛,又较好地提高寻优精度、加快收敛速度,且有一定的鲁棒性.     

一种改进PSO算法的电力系统无功优化方法

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,其思想来源于人工生命和演化计算理论,PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化．该算法简单易实现,可调参数少,已得到广泛研究和应用．本文将粒子群优化算法应用到电力系统无功优化问题的研究中,给出了具体的实施流程．为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向．对IEEE-6节点系统的仿真计算结果表明了算法的有效性．