电力系统机组组合问题的闭环粒子群算法

针对标准粒子群优化（PSO）算法易陷入局部最优解的缺点,提出了闭环PSO（CLPSO）算法。算法引入经典控制理论中的反馈机制和闭环控制概念,将每个粒子视为被控对象,根据每一步得到的适应值通过PID控制器动态调整惯性权重,以满足搜索过程中粒子时时变化的需求。该策略极大地保证了粒子多样性,提高了算法的全局搜索能力。将CLPSO算法应用到机组组合问题中,同时结合新的策略以降低问题维数和保证寻优过程中粒子的可行性。仿真结果验证了所提出的算法在解决机组组合问题上的有效性。     

基于改进离散粒子群算法的电力系统机组组合问题

提出一种新的离散粒子群算法。结合改进的自学习策略优化粒子群算法适用于求解电力系统中的机组组合（unit commitment,UC）问题。算法将UC问题分解为具有整型变量和连续变量的2个优化子问题,采用离散粒子群优化和原对偶内点法相结合的双层嵌套方法对外层机组启、停状态变量和内层机组功率经济分配子问题进行交替迭代优化求...     

电力系统机组组合问题的改进粒子群优化算法

机组组合问题是一个大规模的非线性混合整数规划问题.文章首先对机组组合问题的0、1变量进行松弛,应用罚函数方法将此问题转化为一个非线性连续变量的规划问题,并应用改进粒子群优化算法求解.该算法在标准的粒子群优化算法的基础上,每个粒子速度和位置的更新不仅考虑自身个体极值和全局极值的信息,还考虑其它粒子所包含的信息.通过收敛性分析可知,若合适地选择算法的控制参数,该算法能较好地收敛到最优解.算例表明文章所提出的算法具有解的质量高、收敛速度快的优点.     

基于交叉随机粒子群优化算法的机组组合优化模型

针对机组运行时故障的不确定性,利用威布尔失效概率函数来详细描述机组的故障概率,并以此为基础提出了兼顾机组故障率的机组组合优化模型。根据所建模型的特点,提出了带有随机权重和带有异步变化学习因子的粒子群算法,将机组组合问题划分为离散量和连续量两部分,通过在机组编码矩阵中进行交叉计算来解决机组组合问题。以5台机组24 h的机组组合优化问题为例进行计算,验证了所建模型的正确性及所提算法在求解机组组合优化模型时的有效性。     

求解含风电场的电力系统机组组合问题的改进量子离散粒子群优化方法

随着风电接入电网的比例不断提高,风电的随机性和不可控性给系统发电计划和调度带来一些困难,将满足一定置信概率的风电功率区间预测信息纳入到电力系统发电计划中有利于保证电力系统运行的可靠性。为此提出基于风电功率区间预测的日前机组组合模型,同时基于量子离散粒子群算法(quantum-inspired binary particle swarm optimization,QBPSO)提出一种改进的QBPSO算法。该方法采用改进的QBPSO来处理机组启停问题,采用原对偶内点法来处理负荷经济分配问题。在QBPSO中,通过采用部分贪心变异策略,使粒子易于跳出局部最优解;采用启发式调整规则,修正越界个体,进而提高算法的效率和解的精度。通过10~100机系统仿真算例验证了模型和算法的有效性。     

基于改进二进制粒子群算法的电力系统机组组合

提出了1种改进的BPSO(二进制粒子群)方法求解机组组合问题.首先,利用优先顺序法确定初始的机组组合,根据这个结果,确定优化窗口的范围,在此范围内利用BPSO进行求解.在每次迭代过程中,通过启发式的调整策略使每代中的粒子都满足约束条件.在经济负荷分配问题上,采用经典的拉格朗日乘子法结合二分法进行求解,大大提高了求解效率.最后将所得结果与其他算法所得结果进行比较,证明所提方法有较强的优越性和实用性.     

一种求解机组组合问题的新型改进粒子群方法

将电力系统中机组组合这一复杂的多约束混合整数规划问题分解为具有整型变量和连续变量的两个优化子问题，提出采用改进离散二进制粒子群算法和标准粒子群算法相结合的双层嵌套方法,分别对外层机组的启、停状态变量和内层功率经济分配进行交替迭代优化求解。同时在算法中引入基于机组优先顺序的变异技术和修补策略，能有效地处理机组最短启、停时间约束，并提高算法的全局寻优能力和计算效率。通过对10机系统的算例计算，并同其他算法的结果进行比较分析，仿真结果表明新方法求解精度高、收敛速度快，从而验证了新方法的可行性和有效性。     

一种求解机组组合问题的新型改进粒子群方法

将电力系统中机组组合这一复杂的多约束混合整数规划问题分解为具有整型变量和连续变量的两个优化子问题,提出采用改进离散二进制粒子群算法和标准粒子群算法相结合的双层嵌套方法,分别对外层机组的启、停状态变量和内层功率经济分配进行交替迭代优化求解。同时在算法中引入基于机组优先顺序的变异技术和修补策略,能有效地处理机组最短启、停时间约束,并提高算法的全局寻优能力和计算效率。通过对10机系统的算例计算,并同其他算法的结果进行比较分析,仿真结果表明新方法求解精度高、收敛速度快,从而验证了新方法的可行性和有效性。     

一种适合于电力系统机组组合问题的混合粒子群优化算法

该文针对机组组合问题，提出了一种新的混合粒子群优化算法。该算法包含3个重要的方面：通过在算法迭代过程中对松弛后的0、1变量与机组有功出力变量并行地进行优化，避免了由于决策变量过多造成的维数灾难题；引入变动阈值，解决了在寻优过程中粒子的值出现振荡时可能会丢失机组有效启停状态的问题：在粒子群优化算法中引入启发式变异技术，有效地处理了机组启、停时间的约束并提高了粒子群优化算法的全局收敛能力。文中通过对2个算例的计算及与其他算法进行的比较结果，验证了所提出的混合粒子群优化算法具有更好的全局收敛性。     

粒子群算法在机组组合中的应用综述

在深入探讨电力系统机组组合问题的数学模型和粒子群算法的基础上,加以分类总结,从粒子群算法和粒子群与其他算法结合两个方面,详细评述了粒子群算法在电力系统机组组合问题中的应用,并重点介绍了各种方法对约束的处理。     

用于机组组合优化的蚁群粒子群混合算法

提出了一种用于求解机组组合优化问题的蚁群粒子群混合优化算法。通过将机组组合解编码为机组操作序列,降低了蚁群算法搜索的难度,使其空间复杂度由指数型降为线性型,使采用蚁群算法求解更大规模的机组组合问题成为可能。采用协同粒子群算法求解多时段负荷的经济分配问题时,用一个粒子群处理一个时段的优化问题,通过共享粒子群间的惩罚项解决了机组爬升率的约束问题。10机和20机系统的仿真实验和分析结果验证了该方法正确性、有效性和优越性。     

一种用于机组组合问题的改进双重粒子群算法

为了更经济快速地解决机组组合问题,提出一种改进双重粒子群优化(particle swarm optimization,PSO)算法,包含离散部分和连续部分。离散PSO分时段优化机组的启停状态,在种群更新时加入了临界算子,改进了可行解的判别条件,各机组出力最低值的和要在一定程度上低于负荷需求值,并考虑机组启停时间的向前继承和向后约束。连续PSO用于启停状态确定过程中和确定后的负荷分配,考虑功率平衡约束、热备用约束和机组的出力上下限约束。求解经济负荷分配时,利用罚函数的方法满足机组的爬坡速率约束,最后得到煤耗最小值。采用2个24时段的算例进行仿真,实验结果表明新算法减少了搜索量,提高了收敛速度,并为机组组合问题提出了新思路。     

求解机组组合问题的嵌入贪婪搜索机制的改进粒子群优化算法

提出了一种求解机组组合问题的嵌入贪婪搜索机制的改进粒子群优化算法。其特点包括:采用固定阈值处理表示机组运行状态的0、1整型变量,从而可直接应用粒子群算法求解机组组合问题,避免求解各时段中的经济负荷分配子问题;在粒子群算法迭代过程中应用变异操作更新进化速度缓慢的粒子,增强了算法的搜索能力;算法收敛后,采用基于优先列表的贪婪搜索机制做进一步寻优,既加快了算法收敛速度,又提高了解的质量。算例结果表明所提出的方法在求解机组组合问题时具有很强的搜索能力和适应性。     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。在基本粒子群算法的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习。通过该算法进行仿真计算,证明了该算法的有效性。     

Optimal Thermal Unit Commitment Integrated with Renewable Energy Sources Using Advanced Particle Swarm Optimization

This paper presents a methodology for solving generation planning problem for thermal units integrated with wind and solar energy systems. The renewable energy sources are included in this model due to their low electricity cost and positive effect on environment. The generation planning problem also known by unit commitment problem is solved by a genetic algorithm operated improved binary particle swarm optimization (PSO) algorithm. Unlike trivial PSO, this algorithm runs the refinement process through the solutions within multiple populations. Some genetic algorithm operators such as crossover, elitism, and mutation are stochastically applied within the higher potential solutions to generate new solutions for next population. The PSO includes a new variable for updating velocity in accordance with population best along with conventional particle best and global best. The algorithm performs effectively in various sized thermal power system with equivalent solar and wind energy system and is able to produce high quality (minimized production cost) solutions. The solution model is also beneficial for reconstructed deregulated power system. The simulation results show the effectiveness of this algorithm by comparing the outcome with several established methods. Copyright © 2009 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于改进粒子群算法的继电保护定值优化

对传统的粒子群算法进行了改进,得出一种适用于继电保护整定计算全局优化的改进粒子群算法,为继电保护定值优化的后续研究工作提供了一定的基础。同时,与基于遗传算法优化的继电保护整定计算进行了比较,结果表明改进粒子群算法可成功应用于继电保护全局优化整定。