共查询到18条相似文献,搜索用时 140 毫秒
1.
2.
针对风电系统中,风力的不确定性导致粒子的适应度不稳定性较大、劣性粒子偏多,难以快速收敛到最优值,进而造成系统电压偏差较大,网损剧增的问题,提出了基于动态云进化粒子群算法对风电系统进行无功优化。首先以网损最小作为优化目标建立了风电系统无功优化模型。然后提出动态云进化粒子群算法。该算法根据粒子的适应度值,选取优秀个体进行进化,从而降低劣性粒子比例,增强搜索速度。再通过云发生器,使得优秀个体进化出的优秀种群趋于正态分布,从而达到改善粒子分布的目的。在此基础上,根据正态云的分布特点,动态改变飞行速度,进一步改善粒子分布、提高搜索精度。最后以风电系统的有功网损为优化目标,进行补偿容量的确定,仿真结果证明了该方法的有效性。 相似文献
3.
针对粒子群算法在变压器局部放电超声波定位中存在定位精度不高、易陷入局部最优等问题,文中提出一种基于粒子群和克隆选择混合的优化方法.首先,根据电声法定位原理建立优化模型;然后,由粒子的适应度对粒子进行按比例克隆复制、高频变异和消亡补充处理,有效维持种群的多样性,避免算法早熟收敛,同时,利用粒子群算法指导变异抗体通过更新速度和位置来加速最优解的寻找,提高收敛速度;最后,将所提方法与粒子群算法和遗传算法的优化结果进行比较,仿真结果表明该算法具有较高的收敛速度和计算精度,提高了定位的准确度. 相似文献
4.
针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。 相似文献
5.
结合免疫记忆学说和克隆选择原理,提出了一种解决多目标无功优化问题的免疫记忆克隆选择算法。该算法针对多目标无功优化问题的特点,采用以拥挤距离为适应度的自适应克隆方式,实现了种群的扩张,保证了所得解集的均匀性;引入非一致性变异算子,使该算法同时具备全局均匀搜索能力和局部精确寻优能力;采用交叉重组算子实现了抗体间的协作,促进不同抗体间信息的交流;通过抗体群更新操作,一方面保证了算法的收敛速度,另一方面确保了所得解集均匀分布;引入记忆单元概念,可以有效抑制寻优过程中出现的退化现象,确保了种群的多样性。以IEEE-14和IEEE-118节点测试系统为例进行仿真计算,结果表明该算法可以有效提高系统运行的安全性和经济性,是求解多目标无功优化问题的有效方法。 相似文献
6.
针对自适应粒子群算法在无功优化中引入交叉变异等算子后出现收敛速度变慢的问题,将Logistic混沌映射引入到自适应粒子群算法之中,通过计算粒子适应度值,将具有较好适应度值的粒子位置即最优位置进行Logistic混沌优化。通过对IEEE 14节点及IEEE 57节点系统进行仿真计算,以网损最小为优化目标,验证了该算法可以提高粒子取值的有效性和多样性,能使无功优化的控制变量较快地跳出局部最优,加快了算法的收敛速度,对解决电力系统无功优化问题具有一定的参考意义。 相似文献
7.
以网损和越限电压之和最小为目标,改进电压越限罚系数,建立了有源配网无功优化的数学模型,提出了一种方向性遗传—粒子群混合算法。在优化过程中交替进行遗传和粒子群进化,用转置雅可比矩阵法求解配电网中无功调节点的网损微增率,指导GA变异,加强搜索方向;用记忆算子使GA的选择算子不破坏PSO的记忆功能,并在每代的记忆操作后更新个体速度以保证算法的收敛速度。仿真结果表明,该方法降低了GA搜索的随机性,并弥补了PSO容易陷入局部最优的不足。 相似文献
8.
9.
10.
11.
基于免疫粒子群算法的电力系统无功优化 总被引:3,自引:2,他引:1
为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。 相似文献
12.
13.
为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。 相似文献
14.
针对测距式射频识别室内定位算法定位误差较大的问题,提出了一种基于烟花优化粒子群的室内定位算法。该算法分为测距和定位两个阶段,在测距阶段使用到达相位差进行测距并构建待优化的目标函数。在定位阶段对粒子群优化算法进行改进。为了改进粒子群优化算法在迭代过程中容易落入局部极值的问题,引入了烟花优化算法的爆炸、变异、选择操作,并对选择规则进行改进;算法还根据烟花爆炸算子和变异算子对粒子群算法的速度更新公式进行改进。实验结果表明,该算法能够有效实现对目标的定位,定位平均误差为0.2773m,与基于标准粒子群优化算法的室内定位算法相比具有39.61%的性能提升。 相似文献
15.
微电网中逆变器等大量电力电子器件的应用,以及各种非线性负荷的投切,使微网中的谐波问题变得复杂。针对微网系统中滤波器参数难以整定导致微网谐波抑制效果受到影响的问题,提出了基于免疫粒子群算法的微网滤波器参数优化方法。建立了包含功率控制模块、下垂控制模块以及电压电流控制模块的基于下垂控制的微网系统模型,并根据微网性能以及滤波器参数设计特点建立了目标函数;对免疫粒子群算法能够避免粒子群算法陷入局部最优、解决早熟收敛等问题进行了介绍;提出了用免疫粒子群算法调用微网仿真系统优化参数的新方法;通过Matlab仿真验证了基于免疫粒子群算法的微网谐波抑制方法的可行性。 相似文献
16.
由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。 相似文献
17.