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.     

改进量子粒子群算法及其在系统辨识中的应用

针对量子粒子群算法(quantttm particle swarm optimization,QPSO)的收敛速度和寻优精度问题,提出了一种改进的QPSO算法。采用混沌序列初始化量子的初始角位置;在算法中加入变异处理,有效地增加了种群的多样性,避免早熟收敛。函数优化测试结果表明：该文提出的算法具有良好的优化效果。同时利用该文提出的算法对经典的具有无限冲激响应(infinite impulse response,IIR)的自适应递归滤波器模型进行了辨识,辨识结果证明了这种算法的有效性。利用此算法,在结合某分散控制系统的基础上,编制出了一种通用的热工对象模型辨识算法模块,并应用于某循环流化床电厂的辨识,取得了令人满意的辨识结果。     

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QPSO与BPSO算法的动态微电网多目标优化自愈

提出了动态微电网的概念。将多代理系统(multi-agentsystem,MAS)引入动态微电网的协调控制当中,构建了基于MAS系统的动态微电网自愈数学模型。为了实现上述模型的多目标优化,将具有量子行为的粒子群优化算法(quantum based particle swarm optimization,QPSO)和二进制粒子群优化算法(binary particle swarm optimization,BPSO)结合,提出了可以同时对动态微电网网络结构和分布式发电单元出力进行多目标优化的算法。算例结果表明,采用基于上述算法得到的自愈方案,故障状态下的动态微电网能良好自愈。     

基于QPSO和双线性插值的混合储能系统改进解耦控制

在混合储能系统中,常采用隔离型三端口有源全桥TAB(triple active bridge)变换器作为功率变换器.针对该变换器的控制变量之间存在耦合以及模型的非线性问题,提出一种基于量子粒子群优化QPSO(quantum-behaved particle swarm optimization)算法和双线性插值的改进解...     

基于量子粒子群算法的分布式电源优化规划

针对配电网中分布式电源(distributed generation,DG)的选址和定容问题,在研究标准粒子群优化算法的基础上建立有功网损和DG运行费用最小的目标函数。考虑运行中的约束条件,利用旋转门更新的量子粒子群算法(quantum particle swarm optimization,QPSO)分析DG接入位置、容量不确定的情况下将目标函数和约束条件转换为综合目标函数,并求得最优解。对IEEE14节点配电测试系统进行算例仿真,比较仿真结果与粒子群算法优化结果,验证了QPSO在分布式电源规划上的收敛性和适应性。     

基于量子行为粒子群优化-人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization, QPSO)的改进算法,用于优化人工神经网络(artificial neural network, ANN),实现电能质量(power quality, PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。     

基于 QPSO-DBN 集成学习的城轨列车定位研究

高精度的定位是实现列车自动驾驶的重要前提。 针对现有机器学习用于列车定位时,存在特征选取理论依据不足、难 以确定恰当的模型结构,从而导致列车定位数据不稳定、不精确等问题,提出了一种基于集成深度置信网络( deep belief network,DBN)的城轨列车定位新方法。 该方法首先对原始数据集进行预处理,其次利用皮尔逊系数对特征进行筛选,然后基于 Stacking 集成模型,利用量子粒子群算法(quantum particle swarm optimization,QPSO)优化集成模型中 DBN 基学习器的结构。 将 所提出的 QPSO-DBN 集成模型与经典机器学习方法、传统算法优化的集成模型相比,进一步提高了列车的定位精度。 最后,通 过仿真实验验证了所提出模型的优越性。     

基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。     

基于差分粒子群算法的变电站选址定容规划

针对标准粒子群算法(particle swarm optimization,PSO)易陷入局部最优,差分进化算法(differential evolution,DE)后期收敛速度慢的缺点,提出差分粒子群算法(differential particle swarm optimization,DEPSO)将二者进行混合优化,提高群体的收敛速度和全局寻优能力,并应用于配电网变电站规划。在变电站选址数学模型中结合Voronoi图来确定变电站供电范围和规划容量,继而校验变电站实际负载率,简化计算过程,提高搜索效率。通过某市城区远期规划实例验证得知该算法正确有效,可以满足城区配电网的规划要求。     

基于MAQPSO 的电力系统无功优化研究

文中提出一种多智能体量子粒子群优化算法(Multi Agent Quantum Particle Swam Optimization,MAQPSO)求解电力系统无功优化问题,改善了传统量子粒子群算法后期收敛速度慢、易陷入局部最优解等缺点。该算法结合了量子粒子群算法和多智能体进化思想,每一个Agent相当于量子粒子群优化算法中的一个粒子,通过Agent的邻域竞争、自学习等操作,使得算法能够更迅速、更精确地收敛到全局最优解。通过对IEEE14、30、57和118节点系统的优化仿真,结果表明该算法有收敛精度高、寻优速度快等优点。     

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。     

A novel particle swarm optimization method based on quantum mechanics computation for thermal economic load dispatch problem

This paper presents an efficient strategy to solve the thermal economic load dispatch (ELD) problem by considering several aspects of ELD. ELD performs an important role in the economical operation of power system, which essentially involves nonlinearity according to the characteristics of the generators. The complexity is amplified when the generators' prohibited zones and valve‐point effect are considered, which makes ELD a nonconvex and nonsmooth problem. The strategy employs a mechanism involving a quantum mechanics‐inspired particle swarm optimization (QMPSO). The conventional PSO is modified by integrating quantum mechanical theory which redefines the particles' positions and velocities in a dynamic manner and therefore explores more search space. The QMPSO employs a multipopulation‐based scheme which ensures particle movement and avoids premature convergence at the same time. Moreover, in order to diversify the particles, a dynamic mutation operator is introduced in the proposed method. Such features deliver a fine balance between the local and global searching abilities. Simulations are carried out by considering several cases of thermal units of varying combinations of system configurations such as with and without the valve point, with and without network loss, and for one or several hours of load demand. The results are quite promising and effective compared with several benchmark methods. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于量子粒子群优化算法的水电系统经济运行

首次将量子粒子群优化算法用于水电系统经济运行研究中。该算法是量子理论与粒子群算法的融合,在粒子编码过程中引入了量子的态矢量表达,并将量子比特的概率幅表示应用于粒子的编码,使得粒子可以表达为多个态的叠加;在粒子更新操作过程中,利用量子逻辑门实现了粒子的演化,具有比常规粒子群算法更好的目标优化性能。仿真结果证实该算法可有效解决水电机组经济运行问题。性能对比显示,该算法求得的解优于常规粒子群算法及其它优化算法所求得的解。     

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...     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

基于CEEMDAN与量子粒子支持向量机的电力负荷组合预测

为更精确地对电力系统负荷进行预测,提出一种基于添加自适应白噪声的完全集合经验模态分解与量子粒子支持向量机的组合预测方法。首先针对原始经验模态分解办法中存在的模态混叠及集合经验模态分解方法引入白噪声造成信号失真等问题,提出添加自适应白噪声的完全集合经验模态分解方法,并用其将原始信号分解到不同时间尺度。利用支持向量机方法分解结果分别进行预测,并采用量子粒子方法对支持向量机中的不敏感损失系数、惩罚系数及核宽度系数进行寻优,从而得到最好的预测结果。最后,通过对青海某区域的电力系统负荷预测,并引入不同方法进行对比,证实了该方法的有效性与实用性。     

基于粒子群算法的数字微流控芯片在线测试路径优化

数字微流控生物芯片的稳定性和安全性在生化实验中具有很高的要求,为保证实验结果的准确,需要对芯片进行检测。通过分析芯片结构、实验液滴的路径,提出一种基于粒子群算法的针对数字微流控芯片灾难性故障在线测试路径优化方案。通过自适应调整算法惯性权值,设置算法的收敛速度因子和解的聚集程度因子,将收敛速度和局部解聚集程度可视化改进算法。增加液滴移动序列的交换机制,在芯片的约束条件下规划测试液滴的移动路径,从而缩短测试路径长度。仿真实验选择15×15阵列模型、7×11阵列模型、7×7阵列模型进行仿真实验,结果表明,该方案完成了对芯片的测试,提高了算法收敛速度,并有效缩短了测试路径,提高测试效率。     

基于粒子群优化的鲁棒Minimax估计

针对未知但有界噪声干扰下的动态系统提出一种基于粒子群优化的鲁棒minimax估计方法.方法的基本思想是将鲁棒minimax估计问题转化为参数空间上的优化问题,然后采用一种改进粒子群优化算法获得模型参数的最优估计.仿真结果显示该方法可以在估计模型参数的同时准确估计误差界的大小.