基于粒子群-量子操作算法的同步发电机非线性模型参数辨识

为解决同步发电机三阶非线性模型参数辨识问题,在将参数辨识问题转化为非线性优化问题的基础上,引入粒子群优化(particle swarm optimization,PSO)算法.考虑到PSO收敛速度慢、参数辨识精度低,而量子粒子群优化(quantum particle swarm optimization,QPSO)算法收敛速度快、具有较好的全局搜索能力,将量子操作引入到PSO算法中,提出了粒子群-量子操作(particle swarm optimization with quantum operation,PSO-QO)优化算法.仿真试验结果表明,与PSO算法、QPSO算法相比,PSO-QO算法收敛速度快、参数辨识精度高、算法更为稳定;与经典扩展卡尔曼滤波(extended Kalman filter,EKE)方法相比,PSO-QO具有更强的鲁棒性,尽管强噪声条件下参数辨识精度有所下降,但效果仍优于EKF.     

基于大数据和双量子粒子群算法的多变量系统辨识

针对智能算法与历史大数据相结合进行多变量系统辨识过程中不能精确量化每个子系统数学模型的问题,提出了一种有效的数据并行优化计算的解决方案。在辨识过程中,为了解决量子粒子群算法(quantum particle swarm optimization ,QPSO)收敛速度和寻优精度方面的不足,提出了一种改进的 QPSO 算法--双量子粒子群算法(double quantum particle swarm optimization ,D-QPSO)。该算法对粒子种群编码和原有的进化搜索策略同时进行了量子化处理,经过测试函数实验,改进的算法在搜索能力上优于 PSO 和QPSO算法。最后利用现场运行历史数据,通过D-QPSO算法进行参数估计,将设计的解决方案应用于热力发电厂负荷控制系统的传递函数辨识中,得到的模型为控制器的设计与优化奠定了基础。     

主汽温量子粒子群-PID优化控制

基于基本粒子群(PSO)优化算法容易发生早熟、收敛速度慢,研究了一种改进的粒子群算法--量子粒子群优化算法(QPSO).将这种算法应用于某电厂主汽温控制系统PID参数优化,得到了最优参数.仿真结果表明,QPSO使得主汽温控制系统具有更好的控制品质,提高了系统的静动态特性.     

模糊量子遗传算法及其在热工过程模型辨识中的应用

针对量子遗传算法(QGA)中旋转变异角相对固定的缺点，将模糊自适应的思想引入QGA, 提出了模糊量子遗传算法(FQGA)。对典型函数测试表明：该方法有效地提高了量子遗传算法的计算精度和收敛速度。同时利用这种模糊量子遗传算法设计了一种通用的热工对象模型辨识算法，并编制了专用的模型识别软件，对典型热工过程进行辨识，取得了令人满意的效果。最后对某电厂循环流化床锅炉一次风对床温的传递函数进行辨识，结果表明该方法是一种简单易行的辨识算法，具有实用价值。     

基于LS-QPSO的单相LCL逆变器参数辨识研究

电子电路参数辨识方法常采用递推最小二乘(RLS)算法,但RLS算法往往有较长的暂态过程,待估参数之间的耦合也会降低辨识精度。这里通过将预测时刻顺延的方法改进算法的优化目标,从而提高了算法的灵敏度和抗干扰能力。通过对量子粒子群优化(QPSO)算法进行深入研究,将优化目标与QPSO算法相结合提出最小二乘(LS)-QPSO算法,算法具有良好的并行性,建立了单极倍频调制方式的基于LCL滤波器的单相并网逆变器的近似离散化混杂系统模型,并将两种算法应用于电路参数辨识,在实际应用中验证了所提算法的低暂态过程和高精确度的辨识能力。     

量子遗传算法优化RBF神经网络及其在热工辨识中的应用

量子遗传算法是基于量子计算原理的概率优化方法,在量子门更新过程中,旋转角的大小直接影响优化的结果和进化的速度。文中针对模糊量子遗传算法(FQGA)容易导致系统陷入局部最优的缺点,将量子衍生交叉算法的思想引入FQGA,提出了一种新的量子遗传算法。同时利用该方法构造径向基函数神经网络进行非线性系统辨识。其特点是通过这种新的量子遗传算法,实现对RBF神经网络权值、宽度和中心位置等有关参数的估计。其速度快、精度高。通过RBF神经网络有效地完成了对非线性系统的辨识。对典型非线性函数辨识的测试表明：该方法有效地提高了量子遗传算法的计算精度和收敛速度。同时利用该方法设计了一种通用的热工对象模型辨识神经网络算法,编制了专用的模型识别软件,对某电厂循环流化床锅炉一次风对床温的动态特性进行辨识,结果表明该方法是一种精度比较高的辨识算法。     

多样性引导的改进量子粒子群优化算法及其在干式空心电抗器优化设计中的应用

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法在求解复杂问题时的早熟收敛现象,提出了多样性引导的改进量子粒子群优化(diversity-guided modified QPSO,DGMQPSO)算法。该算法对基于混合概率分布的QPSO算法进行了扩展,利用群体多样性信息来引导粒子的搜索,即当群体的多样性小于下限值时,对全局最优粒子的位置进行混沌变异,从而提高群体的多样性,增强算法跳出局部最优解的能力;另外,还分析了采用不同混沌随机序列变异对优化设计结果的影响。对50 kvar干式空心电抗器的优化设计表明,DGMQPSO算法具有较强的全局搜索能力、较好的稳定性和良好的优化效果。     

基于改进量子粒子群算法的配电网络优化重构

为了更好地利用分布式电源(DG),需要调整配电网开关状态优化网络结构。基于此,旨在利用一种智能算法对含DG的配电网进行优化重构。以网损最小为目标函数,建立配电网重构模型,并给出重构需要满足的约束条件;按照DG接入配电网的接口类型将其分为PQ型、PV型、PI型和PQ(V)型四种类型,选择前推回代法对含DG的配电网进行潮流计算;通过分析二进制粒子群算法(BPSO)与量子粒子群算法(QPSO),提出了一种改进的量子粒子群算法—加权的二进制量子粒子群算法(WBQPSO)。以IEEE33节点配电系统为例,采用二进制编码方式,通过仿真结果可以发现WBQPSO通过对粒子的平均最好位置加权处理,改善种群多样性,提高收敛速度,可以得到更好的网络重构的优化结果。     

量子进化算法在电力系统无功优化中的应用

量子进化算法QEA(Quantum-insp ired evolutionary algorithm)将量子理论引入进化计算领域,是一种基于量子计算概念的进化策略算法。它采用量子比特为基本信息位进行个体编码,使用量子态的么正变换(量子门变换)实现个体的进化,同时利用量子编码的多态叠加性以及“全干扰交叉”可以有效克服进化过程中的早熟现象,因此它比传统进化算法具有更快的收敛速度和全局寻优能力。该文将该算法应用于电力系统无功优化问题,提出基于QEA算法的无功优化模型,并对算法参数进行了研究,提出了合适的量子变异参数。运用该算法对IEEE6、30节点系统进行了仿真计算,计算结果验证了模型和算法的有效性。     

基于量子粒子群算法的电力系统无功优化

量子粒子群优化算法(QPSO)避免了粒子群算法(PSO)不能保证收敛到全局最优解的缺点,认为粒子具有量子的行为,并且可以在整个可行解空间进行搜索.无功优化问题是带有离散变量的非线性、不连续、多约束、多变量的复杂优化问题,应用QPSO算法并结合动态调整罚函数的方法来解决无功优化问题.通过对IEEE-30节点和IEEE-1...     

结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法

光伏阵列在局部阴影时的P-U曲线呈现多峰特性,需要设计光伏多峰最大功率点跟踪方法,以实现光伏发电最大功率输出,提高光伏发电效率。相比粒子群优化算法,量子粒子群优化算法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索;根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压;并根据量子粒子群优化算法收敛时粒子自身最优位置的特点,提出了更适合光伏多峰最大功率点跟踪的收敛判据。仿真测试表明,提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪,收敛速度更快,避免了不收敛的问题,且具有应对光照情况变化的能力,提高了局部阴影时光伏发电的效率。     

基于量子粒子群混合算法的电力系统无功优化

针对传统粒子群算法在无功优化中易陷入局部最优和后期收敛慢等问题,提出了基于量子粒子群混合算法的无功优化计算方法.该算法将量子叠加态思想引入到粒子群算法中,使得单个粒子能表示更多的状态和量级,增加了种群的多样性;采用量子旋转门更新粒子的速度和位置,提高了收敛的速度.用该算法对IEEE 30节点系统进行无功优化计算,并与粒...     

考虑地理因素的改进量子粒子群算法在多目标电网规划中的应用

针对电网规划的多目标权衡优化问题,建立以可靠性和经济性为目标的电网规划模型,提出改进的量子粒子群算法,采用Pareto支配关系来更新粒子的个体和局部最优值,定义粒子紊流极大极小间距,并采用紊流间距方法裁剪非支配解,引入收敛因子K加快粒子跳出局部最优后的收敛速度。同时考虑电网规划存在的地理环境不确定因素的影响,在规划目标函数中引入地理障碍罚因子。通过18节点电网规划算例仿真结果表明,提出的改进算法与基于非支配遗传算法和基于多目标进化算法相比,所得的Pareto解数目,解的优劣情况以及分布效果都有明显提升。     

基于改进量子粒子群优化模糊聚类的变压器故障诊断方法

对电力变压器进行高效准确的故障诊断可有效保障电力系统安全、稳定运行。为提高变压器故障诊断正确率,提出了一种基于改进量子粒子群优化模糊聚类的变压器故障诊断方法。采用遗传算法杂交概率的思想改进量子粒子群算法提高算法收敛速度、防止陷入局部极值,克服模糊聚类算法易受初始值影响的不足,进而实现对变压器高效、准确的故障诊断。以变压器油中典型气体作为故障特征量,选取68组数据建立故障集,采用改进量子粒子群算法寻找最佳初始聚类中心,并将其应用于3种不同数据组进行验证,实验结果表明文中所提方法的有效性。     

基于改进QPSO形态滤波器的电能质量暂态扰动检测

提出一种基于改进量子粒子群算法（QPSO）的形态滤波器,用于电能质量暂态扰动检测。首先对量子粒子群算法进行改进,利用混沌序列对粒子位置初始化以提高算法全局寻优能力,通过引入变异算子进一步避免算法过早收敛。然后将改进后的算法应用于形态学滤波器的结构元素的自适应优化中,结合结构元素的特点,寻找出属性最佳的结构元素从而提高滤波能力。结合仿真实验,研究了含有复杂多变噪声的环境下,发生电压骤升、电压骤降和电压中断暂态干扰现象时所构造改进滤波器的滤波性能。通过实验对比,证明所提方法具有快速、准确的特点,较传统的滤波方法有了很大的改善,提高了电能质量扰动检测的可靠性。     

含风电场的配电网无功优化策略研究

针对传统的配电网无功优化调节手段离散化、难以实现电压的连续调节等问题,研究了含风电场的配电网无功优化模型和算法,分析了双馈感应电机的无功发生能力,将风电场作为连续的无功调节手段参与配电网无功优化。并针对风电出力随机性的特点,用场景功率描述风电的随机出力,使之更具代表性。考虑了配电网的网损、电压偏差以及电压稳定性指标,建立了多目标无功优化模型。提出了基于量子粒子群算法(QPSO)的无功优化方法,该算法通过波函数描述粒子的状态,增加了种群的多样性,有效地避免了种群早熟等问题。用该算法对改进的IEEE33节点进     

基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法

在基于径向基函数神经网络(RBFNN)的电力系统短期负荷预测的基础上,采用量子粒子群优化算法(QPSO)优化神经网络权值,并运用模糊理论进行修正预测模型,提出基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法.仿真实例计算结果表明该方法收敛速度快、预报精度高,具有工程应用前景.     

基于量子粒子群算法的电力系统无功优化

量子粒子群算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解.首次将量子粒子群算法用于电力系统无功优化中,以网损最小为目标函数,在IEEE30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于量子粒子群(QPSO)...