含多种分布式电源的配电网概率无功优化

针对配电网无功优化时多种分布式电源出力以及负荷的随机性,建立了考虑多重不确定因素的概率无功优化模型.通过三点估计法将概率潮流计算转化为采样点处的确定潮流计算,以处理所建模型中的不确定因素对无功优化结果的影响.为克服粒子群算法易陷入局部最优的缺陷,将自适应控制策略应用于粒子群算法,采用一种改进粒子群算法(IPSO)用于模型的求解.在改进的IEEE33节点系统上进行仿真测试,其结果验证了所提概率无功优化模型和求解方法的可行性及有效性.     

柔性测量臂运动学建模及参数标定方法

利用局部指数积模型,建立了6自由度参数的运动学模型,克服了传统D-H模型只有4自由度参数的缺点,考虑了沿Y轴平移和绕Y轴旋转2个自由度运动学参数的误差对测量精度的影响.以单点测量值的标准差为目标函数,采用基于模拟退火的粒子群优化算法,通过全局寻优,避免了最小二乘法在求导和求逆时产生的较大计算误差,从而优化出运动学参数的标定值.实验结果表明,所提出的新模型及新运动学参数标定方法可以将柔性测量臂X、Y、Z轴的重复性精度分别提高95.91%、96.42%和96.10%.     

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.     

基于多目标的主动配电网有功无功协调优化

大量间歇性分布式电源接入配电网会引发电压越限,限制系统消纳分布式能源的能力.基于节点电压对注入功率的灵敏度分析,揭示了配电网注入有功功率和无功功率对节点电压皆具有调控作用.提出通过对分布式发电 (DG)、储能装置(ESS) 等的有功功率和无功补偿装置的无功功率的协调控制,实现主动配电网消纳间歇性分布式能源最大化、网损最小化和电压质量优质的综合优化目标.文中建立了主动配电网的多目标优化数学模型,应用判断矩阵法确定出多目标的权重系数,构建成一个综合优化的目标函数.应用粒子群算法进行寻优求解,可得到主动配电网的优化运行方案和调控策略.在IEEE33 节点测试系统上进行了多场景仿真分析和研究,结果表明： 应用文中所提出的主动多目标优化调控方法,既可满足安全约束条件,又能实现有效地降低 DG 切机量、降低有功网损、保持良好电压质量的综合效应.     

低压配电网三相负荷不平衡优化模型的研究

构建低压配电网三相负荷不平衡优化模型,应用粒子群智能优化算法进行求解,确定各单相负荷用户的最优接入相序,据此提出科学有效且经济的三相负荷调整方案。实例分析表明,所提出的优化模型和求解方法是可行的,在换相成本最低的同时,低压配电网三相负荷不平衡度由优化前的17．75％降至1．923％。     

配电网规划优化方法研究

电力系统重要组成部分之一是配电网,配电网的合理规划直接关系到整个电力系统的安全性、可靠性和经济性。本文从配电网规划的特点、经典配网优化方法和启发式优化方法等三个方面对配电网的规划进行研究。     

粒子群优化算法在柔性边缘检测方法选取中的应用

边缘检测是图像处理中很重要的组成部分,其效果好坏直接影响到后面的图像分析。柔性形态变换用于图像边缘检测的方法有多种,粒子群优化(PSO)算法是一种有效的全局优化方法,广泛应用于函数优化,神经网络训练以及模糊系统控制等领域。该文将粒子群算法引入柔性形态学用来选取最佳图像边缘检测方法。实验结果证明,该文所提方法行之有效,值得推广。     

基于粒子群优化算法的神经网络钻削参数优化

神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP或其它梯度算法,导致训练时间较长且易陷入局部极小点,本文探讨用粒子群优化算法训练神经网络,并应用到钻削加工参数优化中,试验表明粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。     

基于改进DPSO的含风力发电的配电网无功优化规划

研究了风力发电系统并网后配电网无功优化问题,将年负荷持续曲线处理为五种负荷运行方式,考虑风电机组输出功率的波动性,以年电能损失费用与无功补偿设备的投资费用之和最小为目标函数,以功率平衡、过补偿约束、电压合格、馈线电流约束为约束条件,应用改进的离散粒子群算法(PSO-GA)优化并联电容器组的安装位置和容量。仿真结果证明了该优化策略的有效性及经济性。     

配电网无功功率优化

电压质量是衡量电网可靠优质运行的重要指标之一。首先介绍了配电网无功优化“分级分区补偿、就地平衡”的原则;其次对配电网无功优化算法进行分类,详细介绍了各类传统优化算法和人工智能优化算法;最后总结了配电网无功功率优化的重要意义。     

基于改进粒子群的柔性作业车间调度问题优化研究

主要针对柔性作业车间调度问题进行求解,利用改进粒子群算法作为求解方法,以最小化最大完工时间(C_max)作为该问题的求解目标.在算例的选取上,选用作业车间调度问题的8*8经典算例和柔性作业车间调度问题的Brandimarte算例对提出的算法进行验证.改进粒子群算法由遗传算法和粒子群算法构成,遗传算法具有较好的全局搜索能力,但搜索过程中收敛的精度不高,粒子群算法由于其寻优特性,在搜索过程中速度较快,但容易陷入局部最优,综合考虑两者的优缺点,将遗传算子引入粒子群算法中,采用交叉搜索的方式,调整惯性权重以及变异的方式使粒子进化,当粒子群进化到一定程度后,对部分粒子进行变异处理从而避免算法陷入局部最优解,同时可以提高粒子群算法的收敛精度.依据柔性作业车间调度问题的特点,在经过多次变换种群规模以及迭代次数后,求解出最适合柔性作业车间调度问题的最优解.     

基于混沌粒子群优化BP神经网络的网络安全风险评估系统设计

网络规模不断扩大的同时,也容易受到各种安全风险的威胁,因此,必须对网络安全风险进行准确评估。传统的评估系统中存在的趋势性、周期性以及随机性影响评估准确率的问题,导致评估的结果大都不准确;为此,提出并设计了基于混沌粒子群优化BP神经网络的网络安全风险评估系统。首先对系统的硬件进行了设计,并得出了设计的框图;然后使用混沌粒子群的优化算法和BP神经网络的算法对系统的软件进行了设计;最后进行了对比的实验。实验结果表明,该系统能够更好的协调,并处理评估过程中出现的问题,不会受到趋势性、周期性以及随机性的影响,能够更好的发挥网络安全评估的效果,提高评估的准确率,减小相对的误差。     

考虑SOP的配电网电压有功无功协同优化

为解决高比例分布式电源接入配电网的节点电压波动等问题,本文提出了一种考虑智能软开关的配电网电压有功无功协同优化控制策略。首先,对影响节点电压波动的因素进行分析,说明可从有功和无功的角度对电压进行控制,对智能软开关的工作原理进行分析,它可以精确控制两侧所连馈线间传输的有功,且提供一定的无功功率;其次,建立了以有功网损最小和电压偏离最小为目标函数的配电网有功无功优化数学模型,并通过权重系数将其转化为单目标模型;再次,通过改进灰狼算法对本文所建模型进行求解;最后在IEEE33节点系统上进行仿真验证。结果表明：所提策略能有效减小系统节点电压波动和降低网损。     

计及风电消纳的共享储能优化模型

传统的风储协同优化模式中,储能资源由单一的新能源电厂独享,存在储能资源利用率受限、储能成本较高等问题.为了增强风电消纳、增加经济收益,提出风电共享储能的优化模型,利用粒子群算法对模型求解.将西北地区某新能源基地的风电厂群作为算例,算例分析结果表明:所提共享储能优化模型能提升风电消纳能力、提高系统的经济效益.     

基于改进PSO算法优化SVR的信息安全风险评估研究

为改善信息安全风险评价的精确度,利用改进的粒子群算法,提出了一种新的优化回归型支持向量机的信息安全风险评估方法。首先,通过模糊理论对信息安全风险因素进行量化预处理;其次,经过预处理后的数据输入到回归型支持向量机模型中;再次,利用改进的粒子群算法来优化和训练回归型支持向量机的参数,得到了优化后的信息安全风险评估模型;最后,通过仿真实验对该模型的性能进行验证。实验结果表明,提出的方法能很好地量化评估信息系统风险,提高了信息安全风险评估的精确性,是一种有效的评估方法。     

基于熵的混合粒子群算法在柔性调度中的应用

为了更好地求解大规模柔性车间调度问题,提高柔性车间调度算法的寻优性能,提出一种基于熵的混合粒子群算法.该算法把粒子群算法、遗传算法和模拟退火算法相结合,同时用种群熵自适应调节惯性系数和变异概率,以增强算法的寻优能力和克服算法的过早收敛.典型实例仿真结果表明,该算法能更好地求解柔性车间调度问题,与传统的优化算法相比,在优化精度上具有明显的优越性.     

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...     

基于大爆炸优化算法的结构参数识别

作为一种新颖的优化工具,大爆炸算法（Big Bang-Big Crunch optimization,BB-BC）被成功应用于很多复杂优化问题。结构参数识别一直是结构健康监测的核心问题,利用BB-BC算法进行结构参数识别的研究。该方法的基本思想是通过最小化识别模型与实际结构系统响应的误差,从而将参数识别问题转化成一个多峰值非线性非凸的优化问题,并利用BB-BC算法发现系统参数的最优估计。利用BB-BC算法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了参数识别,并与基于遗传算法（GA）、粒子群（PSO）的参数识别方法进行了比较。结果表明：该方法可以成功地应用于结构参数识别,识别效能更优越。