基于局部随机搜索粒子群优化算法的电站短期发电优化调度

为提高粒子群优化(PSO)算法搜索精度、加快后期收敛速度,提出一种新的PSO算法,即局部随机搜索PSO算法。该算法用于求解电力系统的短期发电优化调度问题时,不仅要求满足电站实际运行中的系统负荷平衡约束,而且要考虑机组爬坡约束、出力限制区约束等非线性约束。给出了局部随机搜索PSO算法的步骤及短期发电优化调度问题求解方法。通过应用所提出的算法和其他文献提出的PSO算法、改进快速进化规划(IFEP)算法对15机系统的优化调度计算相比,证明所提出的算法最优解的发电费用最低,分别减少了3.8%和1%。     

粒子群优化算法在电力系统中的应用综述

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。在大量参阅国内外相关文献的基础上,简要介绍了PSO算法的工作原理,较为全面地详述了粒子群优化方法在电力系统中的应用,如电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面,并对今后可能的应用指出了研究方向。     

粒子群优化算法在电力系统中的应用综述

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.在大量参阅国内外相关文献的基础上,简要介绍了PSO算法的工作原理,较为全面地详述了粒子群优化方法在电力系统中的应用,如电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面,并对今后可能的应用指出了研究方向.     

电力市场条件下发电计划偏差的优化校正研究

超短期负荷预测结果与原有的发电计划之间难免出现偏差。传统的发电计划校正策略对调节的经济性和定量优化分配方面考虑得不够。文中考虑了机组报价曲线的影响，以调节费用最低为目标函数，计及线路输电容量、发电机出力、机组爬坡速率、系统功率平衡等约束条件建立了该问题的数学模型。提出使用b分布函数来代替均匀分布函数的粒子群优化算法，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。在该算法的基础上进一步提出了加入扰动量的方法，有效地减少了被校正机组的台数，提高了算法的计算效率和实用性。研究结果表明将改进后的算法应用于市场条件下的发电计划偏差校正问题是可行的。     

市场环境下中长期发输电协调检修计划优化

根据电力市场环境中检修计划的特点,建立了协调市场各方利益的发输电一体化检修计划优化的数学模型,该模型综合考虑电力系统安全经济性和电力市场公平性,并考虑机组检修和输电设备检修之间的相互关联关系.针对该优化模型的求解,利用遗传算法(GA)和粒子群优化(PSO)算法相似的优化框架和优化流程,提出一种充分结合GA和PSO算法各自优点的混合智能算法,该算法将群体分成2个子群,分别采用GA和PSO算法进行演化,并充分交换2种算法所获取的优化信息,形成一个紧密耦合的、新型的遗传粒子群优化算法.算例证明,该算法在求解发电、输电设备检修协调优化这样的大规模复杂优化问题时,在全局搜索和局部搜索方面都表现出了良好的均衡性.     

基于PSO和曲线重迭算法的扩展短期负荷预测

精确的电力系统扩展短期负荷预测,有利于改善短期负荷预测效果和制定科学合理的滚动发电计划。根据历史负荷数据的内在规律性,提出了一种基于粒子群优化改进曲线重迭算法的扩展短期负荷预测方法。该方法由若干个同日类型日形成相关负荷集,并结合粒子群优化算法(PSO)的全局寻优能力对传统曲线重迭法中的参数进行了优化,有效克服了传统曲线重迭算法中依据经验选定参数的盲目性。研究结果表明,该预测方法较传统曲线重迭预测法有更高的预测精度。     

考虑污染物限排的初期电力市场动态优化调度

在有功调度中考虑火电机组污染物限排目标可有效限制发电生产对环境的不利影响,促进发电厂商自主采用新技术降低污染物排放.为此,研究了初期电力市场短期发电计划中计及污染物排放控制的动态有功优化调度问题,着重考虑不同机组的发电成本及排污成本具有较大差异的特点,建立多个计及排污因素的动态优化调度问题的数学模型,并提出改进算法.算例表明,该模型可以在有功动态优化调度中有效控制发电机组的污染物排放.     

考虑电网N-1闭环安全校核的最优安全发电计划

提高发电计划的安全性和经济性是将短期发电计划应用于实际调度运行的关键.提出了将机组组合与电网线路N-1安全校核直接闭环的发电计划模式,实现了考虑线路N-1闭环安全校核的机组组合全空间优化,有效地提高了发电计划的安全性和经济性.基于该模式,提出了主、子问题一体摔制的最优奔德斯(Benders)分解方法,确保了分解协调的最优性和高效性,并且将起作用整数变量的识别方法嵌入主问题求解流程,进一步提高了安全机组组合模型的求解效率,为所提方法的实用化奠定了计算基础.理论分析和算例测试验证了所提最优闭环发电计划的最优性和高效性.     

改进PSO算法和Lagrange乘数法应用于短期发电计划

电力系统短期发电计划研究是一个离散、复杂、多维的非线性整数规划问题,求解非常困难。采用改进的粒子群(particle swarm optimization,PSO)算法通过线性改变权重因子,连续变量离散化,以及增加第二最优项用于求解最优机组组合问题;拉格朗日乘数法适合于多维函数在约束条件下的求解极值问题,用于求解各机组在各时段的经济出力。方法的可行性通过10机系统中检验。仿真结果表明,该方法能够求得高质量解,减少机组运行费用,具有有效性和可行性。     

用于无功电压综合控制的改进粒子群优化算法

介绍了粒子群优化算法(PSO),结合电力系统实际运行情况提出了适用于离散型变量的改进PSO算法,该算法将全局型和局部型算法有效结合起来,将问题分层解决,并引入了变异算子.在IEEEl4节点系统和130节点实际系统的仿真计算中,改进PSO算法与其他人工智能算法相比,可在较短的计算时间内取得更好的优化效果.     

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...     

基于双种群粒子群算法的分时段电力系统无功优化

提出了一种基于双种群粒子群算法的分时段无功优化算法,将复杂的动态无功优化问题转化为静态无功优化进行处理。文中把设备的调节代价和网损费用之和作为目标函数,考虑了包括设备相邻时段调节次数限制等约束条件。在该模型基础上,根据负荷的变化趋势,提出了一种考虑设备一天内调节次数限制的分时段算法。该方法简便,不需设置划分时段的门槛值,保证了分段的有效性和可操作性,且采用双种群粒子群算法对每个时段进行静态无功优化。该算法对离散变量进行了特殊编码,较好地解决了连续和离散变量的共同寻优,降低了网损,并减少了设备动作次数。IEEE30节点算例系统结果验证了所提算法的正确性和有效性。     

基于混沌粒子群优化方法的电力系统无功最优潮流

针对电力系统无功最优潮流问题,提出一种混沌粒子群优化(CPSO)方法,以克服粒子群优化(PSO)方法容易早熟而陷入局部最优解的缺点。该方法结合混沌变量良好的遍历特性及混沌优化的特点,对即将重合而引起搜索能力下降的粒子赋予混沌状态搜索,其余粒子仍以常规PSO方法搜索,从而提高PSO方法的寻优性能。通过对IEEE6,IEEE14,IEEE30和IEEE118测试系统无功最优潮流问题的计算及分析,表明CPSO方法具有很高的搜索效率和诱人的应用前景。     

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。     

基于粒子群优化算法的输变电设备检修优化

传统的检修优化模型中,设备的检修状态变量采用0、1二元变量表示,无法用粒子群优化算法(PSO)求解。提出了一种新的输变电设备检修优化模型。该模型用整数表示检修状态变量,使得检修约束得以简化,有利于PSO的求解。仿真结果表明,与遗传算法(GA)相比,在该模型下PSO收敛速度更快,获得更优的解。     

基于粒子群优化算法的AGC机组调配研究

电力市场下AGC机组的调配问题是辅助服务领域中的一个重要研究内容。提出了一种基于粒子群优化算法的AGC机组调配方案。该方法基于AGC机组调配的数学模型,考虑了机组调节容量,调节速率等约束条件。介绍了算法的基本原理,并分析了参数的不同取值对算法收敛性的影响。实际系统的算例表明,利用粒子群优化算法,不仅可以克服整数规划法可能得不到最优解的缺点,而且与遗传算法比较具有收敛性好,收敛速度快的优点,从而为AGC机组的调配问题提供了一种新的有效算法。     

基于节点不平衡功率的粒子群潮流转移控制算法

通过将潮流转移的校正控制转化为非线性规划问题,提出了基于节点不平衡功率的潮流转移控制算法。首先将常规优化问题中的功率平衡等式转化为节点不平衡功率,作为优化目标处理,避免了常规人工智能优化算法中必须先满足潮流等式后再优化求解的弊端,提高了计算速度;然后应用信息充分交流的粒子群优化方法求解该模型。为了克服粒子群算法的早熟,采用混沌序列初始化粒子位置,发生早熟停滞时进行混沌寻优,以增强搜索多样性。该方法可同时计及实施过程中的各种约束。系统负荷较重时,常规方法无法使用,但文中所述算法依然有效。利用新英格兰39节点系统验证了该方法的有效性。     

基于改进HPSO算法的风电场内部无功优化研究

双馈风电机组(DFIG)是当前风电场的主流机型之一,具有有功功率和无功功率可解耦控制的优点。将风电场中每一台DIFG机组作为单独的连续无功源,以每台DIFG机组无功出力为控制变量,把双馈风电场内部有功网损设为目标函数建立无功优化模型。为了减少风电场内部有功网损并稳定节点电压,在基本粒子群(PSO)算法的基础上引入了自适应权重和遗传算法中的杂交概念,提出了一种混合PSO算法,并将该方法应用于风电场内部无功优化模型求解。以华北地区某风电场为例,在MATLAB软件中采用改进HPSO算法对所建立的无功优化模型进行了求解,求解结果与基本PSO算法和线性递减权重的PSO算法相比,改进HPSO算法收敛速度更快且结果更优,验证了文中模型和算法的正确性。     

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。     

基于动态多种群粒子群算法的无功优化

提出了一种基于动态多种群策略的改进粒子群算法。该算法将传统粒子群优化算法(particle swarm optimization，PSO)中的种群划分成多个子群，每个子群相对独立地朝同一目标进化，仅通过一种轮形结构的弱联系进行交流。在进化过程中各种群不断分裂和聚类重组，动态调整种群规模以更好地适应进化。该算法可以较好地避免PSO算法过快收敛于局部最优解，并且有较快的收敛速度。文中将该算法应用于求解电力系统无功优化问题，并与标准PSO算法的性能进行了对比，仿真计算证明该算法是有效、可行的。