混合SA策略的改进SFLA算法求解配网多目标无功规划优化

针对配网无功优化问题目标维度高、非线性强及约束复杂等特点,提出一种混合SA策略的改进蛙跳算法ISFLASAS.该算法首先利用蛙跳算法(SFLA)的全局寻优能力进行最优解的探测,并对标准SFLA进行改进,在种群初始化时融入互反策略提高初始解的均匀分布能力,加速最优解的探寻;其次利用SA策略的局部逃逸能力,在SFLA计算后期辅助SA策略以一定概率跳出局部最优,提高全局探测能力;最后采用IEEE 33节点系统对所提模型算法进行仿真分析,验证了所提控制策略的有效性.     

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。     

基于模拟退火与Levenberg-Marquardt混合算法的Energetic磁滞模型参数提取

利用Energetic磁滞模型进行磁滞特性模拟的首要任务在于模型参数的精确快速辨识。该文针对现有Energetic磁滞模型参数提取方法存在的收敛速度慢、求解精度低的问题,提出一种基于模拟退火(simulated annealing,SA)算法与Levenberg-Marquardt(L-M)混合算法的Energetic模型参数提取方法,其综合SA算法全局搜索能力强,以及L-M算法局部收敛速度快的优点。在混合算法迭代初期,采用SA算法快速锁定全局最优解所在区域;而后,根据引入的普适性混合算法切换过渡准则,将SA算法当前最优解赋予L-M算法;针对基于传统L-M算法提取Energetic模型参数出现的病态矩阵问题,该文将该模型参数的灵敏度函数矩阵进行归一化处理,从而推导出适用于Energetic模型参数快速提取的归一化L-M算法。归一化L-M算法在接收到SA算法提供的最优解后,将其作为初始值,快速收敛于全局最优解。仿真及实验结果表明,该文所提混合算法同时具有收敛速度快、提取精度高的优异性能,可实现Energetic模型参数的准确快速辨识。     

基于聚类的差分进化算法的两阶段最优潮流方法

差分进化算法是一种广泛应用于求解非线性优化问题的全局最优解的元启发式方法,但存在容易找到次优解或近似局部最优解的问题.为此,提出了一种求解高质量局部最优解甚至全局最优解的基于聚类的差分进化算法的两阶段方法,并将该方法应用于电力系统最优潮流问题.所提方法由基于聚类的差分进化算法和局部优化算法组成.第Ⅰ阶段是基于聚类的差分进化算法利用强大的全局搜索能力快速确定包含局部最优解的区域;第Ⅱ阶段是局部优化算法利用局部寻优能力为非线性优化问题高效寻找高质量的局部最优解甚至全局最优解.在一组基准函数上测试了该两阶段优化方法的求解性能,并通过对IEEE 118节点电力系统最优潮流的计算,验证了所提两阶段优化方法的有效性和实用性.     

基于混合微分演化算法的配电网架结构智能规划

应用地理信息系统(GIS)和改进的微分演化(DE)算法组成混合微分演化(GDE)算法来进行配电网架结构的智能规划.该算法首先利用配电网络的地理特征,分阶段过滤明显不适合的线路,得到初步规划网络,随后利用DE算法收敛快速、鲁棒性强的特点,将其应用到优化计算中.为避免早熟,对传统DE算法进行了改进,利用解群转移策略在给定的条件下对解群进行分散处理,以跳出局部最优点,得到全局最优解.并给出了某省会城市的城区高压配电网规划算例.     

基于模拟退火算法的PID参数优化设计

PID参数整定与优化一直是控制领域的重要问题,合适的PID参数可以使系统有很好的控制效果。自Ziegler和Nichols提出了PID参数整定方法起,有许多的算法已经用于PID参数的整定优化。模拟退火算法(SA)具有渐进收敛性,而且是一种以概率1收敛于全局最优解全局优化算法。本文针对模拟退火算法,利用MATLAB对PID参数进行优化设计,该方法可使整个寻优过程简洁,精确度高,提高了计算效率。     

基于混合人工鱼群算法的磁保持继电器优化设计

采用一种混合人工鱼群算法,对磁保持继电器进行优化设计。该算法在优化早期,利用鱼群算法的快速收敛能力,确定阶段最优解;优化后期,在该阶段最优解的基础上,应用遗传算法的全局极值搜索能力,求取全局最优解,从而大大提高求解速度和寻优精度;编制了磁保持继电器的动态优化计算程序,并以某型号磁保持继电器为例进行了优化设计;最后,利用Adams对优化样机进行了验证。仿真结果表明,优化后的磁保持继电器具有更加良好的动态特性和综合经济指标。     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

基于模拟退火优化粒子群算法的七电平逆变器特定消谐技术研究

针对粒子群算法(PSO)应用于多电平逆变器特定谐波消除脉冲宽度调制(SHEPWM)技术时容易陷入局部最优问题,引入模拟退火算法(SA)与PSO结合.利用SA的Metropolis准则对PSO解的迭代进行修正,在保证求解效率的基础上,有效提升了PSO的全局寻优能力.最后将模拟退火优化粒子群算法(SA-PSO)应用于级联H...     

一种基于帐篷映射的混沌搜索全局最优方法

利用混沌的随机性、遍历性和规律性进行优化计算，搜索全局最优，可以避免系统落入局部最优陷阱。本文将具有均匀分布函数的帐篷映射引入到混沌优化算法中，并与共轭梯度法相结合，比Logistic混沌映射确定的算法能更快、更有效地搜索到全局最优解。仿真表明该算法是有效的。     

基于最优流法和遗传算法的配电网重构

提出了一种基于改进最优流和遗传算法的配电网重构算法.该算法先利用配电网的同胚图将重构问题的全局寻优空间划分为若干子空间,然后利用改进最优流法寻找子空间内的最优解,之后再利用遗传算法搜索全局最优解所在的子空间,从而实现在局部最优解中寻找全局最优解.该算法既通过压缩寻优空间提高了遗传算法的搜索效率,又利用改进最优流法改善了局部寻优能力.算例计算结果表明了文中所提算法的可行性和有效性.     

变尺度混沌优化算法在梯级水电站水库优化调度中的应用

利用变尺度混沌优化算法(Mutative Scale Chaos Optimization Algorithm,MSCOA)对梯级水电站水库调度问题进行优化调度。主要思想是利用混沌运动的随机性,由Logistic方程随机生成混沌序列;将其载波到包含水电站目标函数可行域S的一个区域;利用随机性、遍历性和规律性,不断缩小优化变量的搜索空间和提高搜索精度进行全局寻优,从中搜索属于可行域S的解;同时在搜索中引入解向量优选,将解向量中那些接近全局最优解的分量找出,构成一个新的向量,代入目标函数中进行计算,从而找出全局最优解,最终求出水电站水库发电调度的最优调度线。实例计算结果表明,算法可以求解具有复杂约束条件的非线性梯级水电站水库优化调度问题。算法求解精度高,具有较大的实用价值,为求解梯级水电站水库优化调度问题提供了一种有效算法。     

混沌模拟树木生长算法在无功优化中的应用

针对模拟树木生长算法在求解大规模电力系统无功优化问题中存在的收敛稳定性差、难以找到全局最优解的缺点,提出了新的无功优化算法——混沌模拟树木生长算法（CTGSA）。该方法利用混沌优化所具有的对初值敏感性和遍历性的特点,在模拟树木生长寻优过程中引入混沌移民操作来改善生长点集中可行解的质量、增加可行解的多样性,从而提高算法的收敛稳定性和寻优精度。将该算法应用于IEEE 30节点系统,结果表明该算法具有较强的全局优化能力和收敛稳定性。     

混沌模拟树木生长算法在无功优化中的应用

针对模拟树木生长算法在求解大规模电力系统无功优化问题中存在的收敛稳定性差、难以找到全局最优解的缺点,提出了新的无功优化算法--混沌模拟树木生长算法(CTGSA).该方法利用混沌优化所具有的对初值敏感性和遍历性的特点,在模拟树木生长寻优过程中引入混沌移民操作来改善生长点集中可行解的质量、增加可行解的多样性,从而提高算法的收敛稳定性和寻优精度.将该算法应用于IEEE 30节点系统,结果表明该算法具有较强的全局优化能力和收敛稳定性.     

利用智能型模拟退火算法进行开关磁阻电机磁极几何形状的优化

通过对模拟退火算法(简称SA算法)进行深入研究发现，SA算法在寻优过程中随机产生的新点仅与当前状态有关，而与已搜索过空间的状态及其目标函数值毫无关系，这就浪费了大量有用的信息，因而SA算法最大的缺点是在搜索寻优过程中存在较大的盲目性。为此，该文将模糊推理技术用于SA寻优过程，可利用已搜索过的空间信息确定全局最优点所在的区间，从而缩小搜索范围使算法迅速收敛于全局最优点；并可自动去除不可行解，避免了电磁场逆问题计算中大量不必要的磁场计算。应用电磁场逆问题的分析方法，对开关磁阻电动机转子磁极几何形状进行了全局优化设计，在电机主要尺寸不变的条件下，显著地提高了样机的静态转矩。     

基于改进粒子群算法的多目标无功优化

提出了一种基于粒子群算法的多目标优化方法,该算法采用Pareto支配关系来更新粒子的个体最优和全局最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分散性;采用动态惯性权重来平衡粒子的局部和全局搜索能力,并将该算法应用于IEEE14节点系统的多目标无功优化     

遗传和禁忌搜索混合算法在机组负荷分配中的应用

提出一种遗传和禁忌搜索相结合的混合算法,利用该算法解决电力系统经济负荷分配问题。遗传算法的全局搜索能力强,但容易出现"早熟"现象,而禁忌搜索的爬山能力强,能有效避免"早熟"现象。首先利用遗传算法进行全局搜索,当算法陷入"早熟"时停止搜索,以遗传算法的结果作为初始解进行禁忌搜索,提高了初始解的质量,使禁忌搜索达到很好的效果。将该方法分别应用于某5台机组组成的发电系统和3台机组组成的发电系统进行负荷优化计算,结果与遗传算法进行比较,分析表明该算法收敛速度更快,优化成功率更高,优化结果更靠近全局最优。     

一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法。综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解。在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势。在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解。     

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。     

一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法.综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解.在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势.在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解.