微粒群算法在反求水文地质参数中的运用

本文利用微粒群算法(PSO)与地下水模型耦合反求水文地质参数.通过两个算例的演示,证明微粒群算法用来反求水文地质参数是很有效率的.与遗传算法相比,能用更少的迭代次数得到更高的精度.地下水模型反求水文地质参数的问题是多参数连续优化问题,而微粒群算法本身就是解决多参数连续优化问题的有力武器,特别是用于地下水模型的逆问题求解,求解效率和解的精度也令人满意.     

散体渗流的分形行为及其计算机模拟

散体的颗粒和孔隙都具有不规则性、自相似性、模糊性和非线性等特点，且整体结构表现出复杂性。流体在散体中的随机运动，便形成了一种无序的渗流体系。作者利用重正化群方法，建立了二维渗流模型，分析了多孔散体介质中渗流的产生过程，并利用分形几何分析了散体渗流的分形特征并对其进行了计算机模拟。     

基于粒子群算法的主动配电网经济优化调度

针对分布式能源接入配电网的经济调度问题,本文在考虑光伏、风能、燃气轮机及蓄电池等分布式能源接入配电网的基础上,建立以配电网总成本最小为目标函数的主动配电网的经济优化调度模型,并将粒子群算法用于该调度问题的求解,最后通过算例仿真验证调度的优化性,大大提高了电网经济效益。     

高阶非线性系统的位置控制器PID参数优化

针对高阶非线性系统的位置控制器PID参数优化问题,以五阶传递函数横动伺服系统为例,结合粒子群算法成功实现了参数的优化。设计了粒子群算法的PID参数优化原理。在已知系统传递函数的基础上,利用Z-N法进行参数初求解,然后利用粒子群算法对初解进行参数寻优,并将优化前后的系统进行动态性能对比,结果表明:优化后的高阶非线性系统动态性能更好,响应速度更快,调节时间更短,鲁棒性更强。     

电力电子变压器在有源配电网无功优化中的应用

尽可能地降低配电网中节点电压的偏差,是配电网运行的基本要求。为实现对节点电压的有效控制,提出利用电力电子变压器通过对其一次侧和二次侧电力电子变换器的脉宽调制控制(Pulse Width Moderation, PWM),改变其一次侧和二次侧潮流的方法加以解决。为此,构建了含分布式电源、储能元件和电力电子变压器在内的有源配电网无功优化模型,并运用粒子群优化算法进行求解。仿真结果表明,含电力电子变压器的有源配电网无功优化后的网损,低于采用有载调压变压器(On-Load Tap Changer, OLTC)对应网络无功优化后的网损;且其节点电压与额定值的相对偏差也优于后者,从而说明了在有源配电网中应用电力电子变压器,利用其灵活的无功调节功能,能提高配电网的运行水平。     

基于MFOA算法的无功优化和控制研究

为降低电力系统有功损耗,在果蝇优化算法的基础上,提出一种基于修正的果蝇优化算法的无功优化和控制算法研究。为了避免FOA算法陷入局部最优问题,将修正因子β引入基本的FOA算法,提出一种修正型的果蝇优化算法。以IEEE 30节点系统为研究对象,与FOA、PSO和内点法相比较可知,MFOA算法在潮流计算结果和收敛速度上均取得了较好的效果,优于FOA、PSO和内点法。     

基于动态多种群粒子群算法的低压配电网电压无功优化

粒子群算法已在配电网无功优化领域中得到广泛应用,而基本粒子群算法在求解多约束条件的低压配电网电压无功优化问题时耗时过长。为解决这一问题,提出了利用动态多种群粒子群算法对低压配电网进行电压无功优化方案。动态多种群粒子群算法通过轮盘赌将粒子按照各节点电压合格、各节点无功补偿容量不超过预设值和系统总无功不过补偿这3个约束条件进行动态分组,粒子根据改进的粒子速度位置更新公式飞行搜寻,最后获得满足以上约束条件的电压无功优化问题最优解。本文提出的电压无功优化方案将分散并联电容器组与配电变压器调压相结合,与集中补偿无功方式相比,节点电压偏移程度更小、电网损耗更低。本文应用的约束优化粒子算法与基本粒子群算法相比,运行速度大幅提高,计算结果较为优化。     

基于改进双中心粒子群算法的电动公交车运营数量优化策略研究

针对电动公交车在一定容量约束的馈线充电的情况,采用了一种改进的双中心粒子群算法对电动公交车充电进行优化调度,以获得最大的电动公交车运营数量。首先,建立公交车充电后馈线负荷曲线峰谷差最小的模型,设公交车运营初始数量,利用改进的双中心粒子群算法进行优化。然后,根据优化结果对比该馈线容量约束修改电动公交车运营数量,重新优化,逐步逼近并最终找到最优的运营数量。改进的双中心粒子群优化算法是在原算法的基础上,增加了5条粒子运动路线,扩大了搜索精度,抑制了粒子群的早熟。同时,为了提高寻优速度,粒子的初始化是根据日负荷曲线距离馈线约束容量的远近来确定。最后以南方某城市典型的馈电线路为例进行仿真计算,结果表明,该方法具有更优的调度效果。     

基于多目标粒子群算法的电力系统环境经济调度研究

提出了一种新的多目标粒子群优化(Multi-Objective Particle Swarm Optimization, MOPSO )算法,用于求解电力系统的环境/经济调度问题。通过设计特定的约束修正因子,将不可行解修正成可行解,并在此基础上用惩罚函数法构建了新的适用于多目标粒子群的适应度函数模型。根据帕累托占优条件形成历史帕累托最优解集和全局帕累托最优解集,引入稀疏度排序法选择全局最优解,基于帕累托最优前沿的斜率特性,提出用斜率法筛选非劣解,采用基于模糊数学的满意度评价模型选择POF的折衷最优解。最后,用IEEE-30节点标准测试系统对所提算法进行了仿真测试,并与其他算法进行了对比。仿真结果表明所提算法可行、有效。     

基于并行膜计算的短期电力负荷组合预测

提出一种并行膜计算(Parallel Membrane Computing,PMC)的电力负荷短期组合预测方法。将线性回归模型、趋势外推模型、改进灰色模型和粒子群优化参数的支持向量机分别放入膜系统的基本膜中,同时并行预测,然后把预测结果输出到表层膜。在表层膜中组合得出最终预测值,组合优化以各种方法预测结果的几何平均数与加权组合结果之差的平方值最小为目标函数,并采用改进粒子群算法分时段优化出权重系数。此外,在进行预测前对历史数据进行了改进滑动平均处理,并采用系统聚类法选出计算输入的历史数据。并行膜计算可以极大地提高组合预测速度,以多种方法预测结果的几何平均数代替真实值确立组合预测模型的目标函数更具实用性。最后,仿真结果验证了所提方法的合理性和有效性。