粒子群优化算法含分布式电源配电网故障定位

为了提高含分布式电源配电网故障定位的准确性,针对传统含分布式电源配电网故障定位方法的不足,提出了基于粒子优化算法的含分布式电源配电网故障定位方法。根据含分布式电源配电网故障的监测函数设计粒子群优化算法的适应度函数,通过粒子之间的相互协作实现含分布式电源配电网故障定位,采用Matlab 2014仿真工具箱对故障诊断性能进行测试。结果表明,粒子群优化算法提高了含分布式电源配电网故障定位的正确率,加快了分布式电源配电网故障定位的速度,而且综合性能明显优于其他含分布式电源配电网故障方法。     

基于粒子群和差分进化算法的含分布式电源配电网故障区段定位

配电网中引入分布式电源将导致传统的故障区段定位方法不再适用。通过构建新的开关函数,提出了基于二进制混合算法的配电网故障区段定位方法。该方法可动态适应分布式电源的投切,在进行多重故障定位时只需确定一次正方向,利用双种群进化策略和信息交换机制实现了粒子群和差分进化算法的混合。算例分析结果表明该方法能够对含分布式电源的配电网中的单一和多重故障进行准确定位,并且具有一定的容错性和高效性。     

基于SABSO算法的含分布式电源配电网故障定位

随着配电网中分布式电源的大规模应用,以及配电网规模的不断扩大,使得含分布式电源配电网的故障定位难度不断增加。为了有效解决这个问题,针对传统人工智能算法和矩阵法的不足,提出了一种模拟退火天牛群（SABSO）算法,该算法融合了天牛须搜索算法、粒子群算法和模拟退火算法的优点,并将此算法首次应用在含分布式电源配电网的故障定位中...     

基于改进粒子群算法的分布式电源接入规划

建立了含分布式电源的配电网规划经济性模型,以折算到每年的分布式电源的投资及运行费用和线路有功网损运行费用最小为目标函数,并应用改进粒子群优化算法进行配电网分布式电源(DG)规划,从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度。对69节点和33节点配电测试系统进行仿真计算,结果表明了论文采用的DG规划模型和改进粒子群优化算法的正确性和适用性。     

基于改进粒子群算法的配电网分布式电源规划

合理地对分布式电源进行选址和定容对于实现配电网网损最小是至关重要的。应用改进粒子群优化算法进行配电网分布式电源（DG）规划,并结合罚函数法将DG规划问题转化成无约束求极值问题,从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度。对69节点和33节点配电测试系统进行仿真计算,结果表明了论文采用的DG规划模型和改进粒子群优化算法的正确性和适用性。     

基于量子粒子群算法的配电网分布式电源选址和定容

分布式电源优化布置与定容是智能电网发展中的重要课题之一,合理地对分布式电源进行选址和定容对于配电网规划非常重要。在研究分布式电源规划的基础上,建立了以有功网损最小为目标函数的优化模型,用罚函数法将分布式电源规划问题转化为无约束问题,并首次将量子粒子群优化算法应用到分布式电源选址和定容问题的求解中。对IEEE 33节点配电测试系统进行仿真计算,将仿真结果与标准粒子群算法进行比较,验证了量子粒子群算法具有一定的收敛性和适应性。     

基于Spark和粒子群算法的分布式配电网重构方法

当前配电网结构日趋复杂且有分布式电源大量接入,现有人工智能算法进行配电网优化重构后会出现大量数据,导致算法搜索空间暴增、处理效率下降。为提高传统粒子群算法的处理效率,提出了一种粒子群优化算法,以配电网故障后重构的网损最小为目标函数,建立配电网故障后重构模型。充分利用分布式集群计算资源,通过Spark框架对优化粒子群算法并行化操作,以提升算法的处理效率。     

基于改进粒子群算法的配电网分布式电源规划

合理地对分布式电源进行选址和定容对于实现配电网网损最小是至关重要的.应用改进粒子群优化算法进行配电网分布式电源(DG)规划,并结合罚函数法将DG规划问题转化成无约束求极值问题,从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度.对69节点和33节点配电测试系统进行仿真计算,结果表明了论文采用的DG规划模型和改进粒子群优化算法的正确性和适用性.     

基于图论的含分布式电源配电网故障恢复算法

含分布式电源配电网的故障恢复策略对于配电网的安全性至关重要。针对含分布式电源和联络开关的配电网络,提出了基于图论的故障恢复算法。在充分考虑负荷恢复总量、开关次数和网络损耗的基础上,建立了含分布式电源的配电网故障恢复模型,以及配网故障恢复下的目标函数;设计了基于图论理论的不可行解修正和调整机制,即通过网络状态生成、网络区域划分、网络结构修正、负荷校验4个步骤,实现对不可行解的修正;利用量子离散粒子群算法其优越的优化特性,实现目标函数的最优;通过算例分析,验证了图论算法在智能优化算法中对不可行解修正的优越性和基于图论算法应用于配电网故障恢复问题上的有效性。     

基于浓度的粒子群算法在含分布式电源配电网重构中的应用

针对现有基于粒子群算法的配电网重构易陷入局部最优的问题,本文将一种基于粒子浓度的新型粒子群算法应用于含分布式电源配电网的重构,该方法基于粒子浓度对粒子群的更新进行引导,有效提高了粒子的全局搜索能力,优化了含分布式电源配电网的重构结果。对IEEE33节点标准算例进行了仿真计算分析,结果表明重构后最优解较大的降低了网络损耗,验证了论文中新型算法能有效应用于含分布式电源配电网的重构;对比基于标准粒子群算法的配电网重构结果,验证了论文中的重构方法有效提高了含分布式电源配电网的重构性能。     

考虑节能效益的企业分布式电源优化配置

针对企业供配电系统分布式电源规划问题,以企业节能效益最大化为目标,建立企业分布式电源优化配置模型。采用改进粒子群算法进行求解,将参数自适应调节、粒子交叉、模拟退火算法融入粒子群算法,有效提高了粒子群算法的寻优效率。采用IEEE33节点配电系统进行了算例仿真分析,仿真结果表明,利用此模型对分布式电源进行优化配置后,配电网损耗降低、电压质量显著提高、企业节能经济效益得到最大化提升。算例有效验证了优化配置模型与改进粒子群算法的可行性。     

改进粒子群算法在含分布式电源配电网优化重构中的应用

针对配电网中各种类型分布式电源接入所造成的配电网拓扑结构的复杂性,提出了一种改进粒子群优化算法应用于配电网重构,把粒子群算法和布谷鸟算法有效地结合在一起,采用两层种群框架。为了提高粒子群优化算法的全局搜索能力,采用中值聚类算法对下层粒子群进行重组,粒子群算法用于优化下层的各类小种群,然后将其发送到上层,使用布谷算法进行深度寻优。通过算例对多种情况进行仿真分析,验证改进算法在配电网重构中的优越性。结果表明,该算法能有效地降低配电网的有功网损,提高各节点的电压水平。本研究为我国分布式电源接入配电网的发展提供了参考和借鉴。     

带分布式电源的配电网电能质量扰动源定位

为实现带分布式电源的智能配电网发生电能质量扰动时的自动精确定位,提出了一种粒子群优化算法和矩阵算法结合的电能质量扰动源自动定位算法。采用矩阵描述配电网拓扑结构和电能质量监测信息,建立了矩阵粒子群优化模型,构建了一种新的评价函数,通过矩阵粒子群迭代进行全局寻最优解。MATLAB仿真表明,该算法能实现在接入分布式电源情况下的扰动源自动精确定位,并具有定位准确、收敛性好、容错率高等优点。     

基于果蝇优化算法的配电网故障定位

为解决配电网故障定位问题,提出了一种基于果蝇优化算法的故障定位方法。将原先果蝇优化算法中连续的位置坐标和搜索步长离散化,使其与馈线区段的状态信息相联系。对于单电源辐射状配电网和多电源复杂配电网建立了相应的目标函数,分别针对单一故障、含信息畸变的单一故障、多重故障、含信息畸变的多重故障等四种场景进行了测试,测试结果验证了所提出方法的准确性和有效性。与蝙蝠算法、粒子群算法、遗传算法相比,果蝇优化算法在多重故障定位问题中表现出了良好的寻优能力和更快的收敛速度。     

改进量子遗传算法在含分布式电源配电网中的应用

针对配电网中分布式电源的不断接入使得故障定位越来越困难,为了准确地定位故障和快速隔离故障支路,文中提出一种改进的量子遗传算法用于含分布式电源的配电网故障定位。利用动态旋转角策略更新量子门,在使用Tent映射的混沌优化法跳出局部最优。通过仿真对改进前后的算法进行对比分析,验证算法的准确性和有效性。仿真结果表明,所提方法具有收敛速度快、执行时间短等优点,能有效地定位故障区域。此研究为我国配电网故障定位方法的发展提供了参考和借鉴。     

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。     

基于二次插值粒子群算法的配电网多目标双阶段故障恢复策略

随着人们对供电质量要求的提高,为了满足配电系统的可靠性、安全性和经济性方面的要求,配电网的故障恢复策略相关研究成为了目前专家学者研究的重要课题。提出了基于二次插值粒子群算法的适用于配电网多目标下故障恢复的双阶段策略。首先建立了配电网故障恢复时基于不同目标函数下的数学模型,制定了适合基于二次插值粒子群算法的配电网多目标双阶段故障恢复策略的编码策略,并利用基于二次插值的粒子群算法对其进行求解。最后以某实际电网为例,在不同故障情况下验证了所提策略的正确性和实用性。     

基于改进粒子群算法的含DG配电网无功优化

含分布式电源(DG)配电网的无功优化是一个复杂的非线性优化问题,文中采用改进的粒子群算法(PSO)对配电网进行无功优化计算,建立以系统网损和电压平均偏离最小为目标函数,节点电压和电容器投切容量为约束条件的优化模型。在PSO中引入位置方差防止PSO陷入局部最优解,根据种群中粒子的适应度值对粒子进行变异处理,在保证算法收敛速度的基础上,改善算法性能。以含分布式电源的IEEE14节点配电系统为例进行无功优化分析,结果表明DG能增强电网运行的稳定性,所提算法具有较好的优化性能。     

基于邻接矩阵的低压配电网故障区段定位方法

低压配电网具有线路区段短、分支众多且拓扑结构复杂多变的特点,分布式电源的并网进一步增加了其故障定位的难度。结合图论分析方法和人工智能算法,提出了基于拓扑邻接矩阵的低压配电网故障区段定位方法。首先生成与配电网故障监测单元配置相对应的邻接矩阵,其次建立故障电流在故障监测单元拓扑中的连通性等效模型,根据故障电流从电源到估计故障区段的最短路径计算故障监测信息。以此为基础建立了考虑多重故障的低压配电网故障定位模型并利用粒子群优化算法进行模型求解。仿真算例验证了所提方法能够有效提高故障定位的效率和准确度。     

Integration of Distributed Generation in Power Networks Considering Constraints on Discrete Size of Distributed Generation Units

Abstract—An optimization algorithm based on a novel discrete particle swarm optimization technique is proposed in this article for optimal sizing and location of distributed generation in a power distribution network. The proposed algorithm considers distributed generation size and location as discrete variables substantially reducing the search space and, consequently, computational requirements of the optimization problem. The proposed algorithm treats the generator sizes as real discrete variables with uneven step sizes that reflect the sizes of commercially available generators, meaning that it can handle a mixed search space of integer (generator location), discrete (generator sizes), and continuous (reactive power output) variables while substantially reducing the search space and, consequently, computational burden of the optimization problem. The validity of the proposed discrete particle swarm optimization algorithm is tested on a standard 69-bus benchmark distribution network with four different test cases. Two optimization scenarios are considered for each test case: a single objective optimization study where network real power loss is minimized and a multi-objective study in which network voltages are also considered. The proposed algorithm is shown to be effective in finding the optimal or near-optimal solution to the problem at a fraction of the computational cost associated with other algorithms.