机组组合的改进自学习粒子群算法

安全约束机组组合是混合整数规划问题,找到高效稳定求解此问题的算法很重要。文中提出了一种新型的离散粒子群求解机组组合问题,通过松弛模型辨识出机组中必开必停的情况,减少离散变量数目,并结合机组组合问题的特性提出了对应的改进自学习策略,能较好地解决含安全约束的机组组合问题。此外,给出了一种初始粒子群生成策略,提高粒子质量。以IEEE30和IEEE118两个标准节点系统为测试算例,通过与传统算法和商业软件包CPLEX的数据对比发现此算法能较快找到最优解或次优解,效率高计算结果稳定,证明该方法可行高效。     

面向启发式调整策略和粒子群优化的机组组合问题

提出一种启发式调整策略和粒子群优化相结合的新方法求解电力系统中的机组组合(UC)问题.算法将UC问题分解为具有整型变量和连续变量的两个优化子问题,采用离散粒子群优化和等微增率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解.同时构造了关机调整和替换调整两个启发式搜索策略对优化结果进行进一步局部微调以提高算法解决UC问题的全局寻优能力和计算效率,从而有效改善解的质量.以10～100台机组组成的5个测试系统为算例,通过与其他算法结果进行比较分析,验证了该方法的可行性和有效性.仿真结果表明该方法解决大规模机组组合问题具有求解精度高和收敛速度快的优势.     

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.     

考虑发电机报价曲线的发电计划偏差的β-PSO优化方法研究

在电力市场环境下发电商的机组报价将会随着机组出力的变化而变化,此时发电计划偏差优化问题的目标函数不再是简单的线性模型,而是非线性模型。针对该优化问题的特点,提出了β分布-粒子群优化算法(β-PSO),用β分布函数代替传统PSO算法中的均匀分布函数。在产生可行解的过程和迭代过程中动态地调整β随机函数的参数,以提高产生可行解的速度和质量,在粒子速度更新时保证粒子在可行域内不断寻优。通过算例表明,该算法有效地解决了以往粒子群算法在求解优化问题时难以找到可行解的困难。     

改进混沌离散粒子群与等微增率的机组组合优化

针对火电机组组合问题具有非线性、离散性、随机性以及高维、非凸等特点,提出一种适用于求解大容量火电机组组合优化问题的改进混沌离散粒子群优化算法。基于改进混沌离散粒子群算法来确定机组启停决策变量,采用跟踪负荷变化并引入修正策略来修正机组启停决策变量,提高算法的效率和解的精度。采用Kuhn-Tucker最优性条件对等微增率进行改进,使其分配结果满足爬坡及出力上下限要求。通过改进的混沌离散粒子群与等微增率混合嵌套,分别对外层机组启、停状态变量和内层负荷分配进行交替迭代优化。仿真算例表明,所提出的算法在求解机组组合问题时具有较强的全局搜索能力和适应性。     

基于粒子群修正策略的机组组合解耦算法

机组组合问题是电力系统优化运行的一个难点,理论上难以得到最优解。提出了一种基于粒子群修正策略的解耦算法。首先采用集结投影次梯度的拉格朗日松弛算法得到机组组合的对偶解;然后依据对偶信息中的备用乘子及对偶组合状态建立粒子群优化空间;而后利用无约束的标准粒子群优化算法实现拉格朗日乘子的局部更新,通过粒子的调整和粒子间信息的传递改变机组启停,进而修正拉格朗日对偶解,最终得到机组组合问题的近似最优解。6个系统的仿真计算验证了该方法的求解速度及计算精度。     

多粒子群协同优化算法的配电网网架规划

配电网网架规划是一个复杂的大规模组合优化问题。针对PSO易早熟、收敛慢的缺陷,本文提出一种基于粒子群算法的多粒子协同优化算法来求解配电网网架规划问题,以达到线路的规划年综合费用最小为目标函数。由于该算法在操作过程中不可避免产生不可行解,本文提出了一种将不可行解修复成满足辐射型要求的可行解的方法。该算法在求解配电网网架优化问题时,编码容易且能方便处理网络辐射性问题,求解效率高、速度快。最后,通过算例证明该方法的可行性和有效性。     

多粒子群协同优化算法的配电网网架规划

配电网网架规划是一个复杂的大规模组合优化问题。针对PSO易早熟、收敛慢的缺陷,本文提出一种基于粒子群算法的多粒子协同优化算法来求解配电网网架规划问题,以达到线路的规划年综合费用最小为目标函数。由于该算法在操作过程中不可避免产生不可行解,本文提出了一种将不可行解修复成满足辐射型要求的可行解的方法。该算法在求解配电网网架优化问题时,编码容易且能方便处理网络辐射性问题,求解效率高、速度快。最后,通过算例证明该方法的可行性和有效性。     

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。     

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)...     

含维变异的量子粒子群算法在无功优化中的应用

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这个缺点,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。本文考虑到优化过程中避免陷入局部最优,应用含维变异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。并对标准IEEE-30节点系统进行仿真计算,并与QPSO、PSO、GA算法进行了比较,表明该算法能够获得更好的全局最优解。     

确定复杂环网方向保护最小断点集的改进离散粒子群优化算法

确定复杂环网方向保护最优配合顺序的核心步骤是求解最小断点集(minimum break point set,MBPS)。文章提出一种基于改进的离散粒子群优化算法(discrete particle swarm optimization,DPSO)求解MBPS的新方法。该方法首先以带约束的策略生成初始粒子,然后在迭代中引入惯性权重因子来平衡粒子的全局与局部搜索能力,同时增加一个固定粒子飞行方向的约束,以保证搜索始终在解的可行域中进行。文章最后以具有典型线路保护配置的电力系统为例进行了仿真,结果表明,新方法能以较快的收敛速度和较高的收敛精度得到MBPS的可行解,具有较好的实用性和有效性。     

基于免疫算法的机组组合优化方法

机组组合是改善传统电力系统运行经济性和电力市场出清的重要手段。基于群体进化的智能优化算法存求解过程中存在计算效率低和易于早熟收敛等缺点。提出机组组合的免疫算法，利用免疫算法保持种群多样性的内在机制和免疫记忆特性改进既有的智能优化方法。新算法扩展了约束处理技术，能更好地对可行解空间搜索，采用一种由后向前、由前及后、双向迂回推进的精简程序改善个体可行解的局部最优性，同时利用优先级顺序法产生能较好反映问题先验知识的初始种群。典型算例证实新算法能获得更优的结果，具有更快的收敛速度，且在系统规模扩大时有大致线性的计算复杂性，是一种新的高效的机组组合智能优化算法。     

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。     

电力系统机组启停优化问题的改进DPSO算法

该文从微粒群优化算法的原理和机组组合问题的特点出发，提出了一种适合机组启停优化问题求解的改进的离散二进制微粒群优化算法(DPSO)：文中结合机组启停优化问题的特点，采用改进的DPSO算法对机组的开停机状态进行优化组合，利用随机的顺序投入法初始化原始种群，将无希望／重希望准则引入搜索过程，通过重新初始化机制与变异操作克服DPSO易于陷入局部最优的缺点，并保证机组的开停状态组合满足单机约束和系统约束。保证搜索在问题的可行域进行。对2个算例系统的仿真计算及与其它方法的比较表明，该算法在搜索精度和搜索速度方面均具有很大的优越性。此算法兼顾了收敛速度和收敛精度2个方面，具有很好的适应性。这种寻优的方式不仅为机组肩停优化问题带来了新的解决思路，对于求解更广泛的组合优化问题亦具有普遍的意义。     

遗传算法搜索优化及其在机组启停中的应用

提出了一种遗传算法应用于机组启停的新思路。针对机组启停问题的特点,设计了一些启发式技术,使得遗传算法初始种群中的所有个体都是可行解。针对遗传操作生成的不可行解,建立了一种从不可行域到可行域的是映射关系,大大减少了搜索中的无效操作。对过度满足约束条件的解,给出了一种有效减冗余的手段。并提出了一种边界搜索方法,可以更容易得到更优的解。这些措施起到了优化搜索路径的作用,有效地提高了遗传算法求解的效率和质量。     

并行自适应粒子群算法在电力系统无功优化中的应用

针对传统粒子群优化算法"早熟"与后期收敛速度慢的缺点,提出了一种基于并行自适应粒子群优化算法的电力系统无功优化方法。该方法首先将初始种群随机划分成N个子群,然后分别在各子群中以所提方法寻优,从而实现了算法的并行计算。为避免各子群陷入局部最优解,采用二值交叉算子使各子群间的信息共享并更新相关粒子位置,保证了算法的全局搜索能力并维持了种群的多样性。同时,各子群寻优过程中,根据利己、利他及自主3个方向对当前搜索方向自适应更新,提高了算法的收敛速度。将所提出算法在IEEE 30节点系统上进行了仿真验证,结果证明了并行自适应粒子群算法用于无功优化的可行性和有效性。