基于CPSO和DE改进粒子群算法的无功优化仿真

传统的粒子群优化(Particle Swarm Optimization,PSO)算法易陷入局部最优,因此引入了混沌优化形成混沌粒子群(Chaotic Particle Swarm Optimization,CPSO)算法以减小粒子陷入局部最优的可能,并在此基础上结合了差异进化(Differential Evolution,DE)算法中的交叉操作得到改进粒子群优化(Improved Particle Swarm Optimization,IPSO)算法以增加粒子的多样性,从而增加获得更优解的可能。为验证算法有效性,将PSO、CPSO和IPSO基于Matlab软件分别对IEEE30节点测试系统进行电力系统无功优化仿真。仿真结果表明,IPSO算法能找到质量更高的解,且收敛特性更好,体现了算法改进的优越性。通过该仿真实验,既可加强学生运用仿真软件的能力,又可加深学生对无功优化的理解和对智能算法的认识,从而有效提高教学质量。     

含分布式电源的配电网重构优化算法研究

针对含分布式电源(Distributed Generators,DG)配电网络优化运行的问题,进行了配电网重构优化算法的研究,对含有DG的配电网络应用改进二进制粒子群优化算法进行重构,建立基于多种负荷方式(最大、最小、一般负荷方式)的配网重构模型,建立计及DG的配网辐射状判定依据,并对配电网潮流计算进行了改进,使其适用于拓扑结构变化频繁的网络。最后运用IEEE33节点测试系统对所提算法进行仿真验证,结果表明所提优化算法可使含DG配电网络的网络损耗明显降低,在一定程度提升系统的电压水平。     

基于改进引力搜索算法的无功优化仿真研究

针对引力搜索算法(GSA)在求解电力系统无功优化时出现早熟收敛和局部搜索能力差的问题,引入粒子群算法的记忆功能和加速机制,形成改进引力搜索算法(IGSA)。将GSA和IGSA基于Matlab对IEEE30节点测试系统进行电力系统无功优化仿真。仿真结果表明:IGSA算法避免了早熟现象,增强了局部搜索能力,能获得质量更高的最优解。该仿真实验可加深学生对电力系统无功优化的理解和对智能算法的认识。     

基于改进CS算法的电网损耗最小仿真研究

利用布谷鸟算法(Cuckoo Search algorithm,CS)求解电力系统无功优化问题是一种新的方式,但其中的两个重要参数取的是固定值,导致其在迭代后期收敛速度慢、易陷入局部最优,因此引入动态发现概率Pa、步长因子a以及一个改进的步长搜索方程,形成改进布谷鸟算法(Improved Cuckoo Search algorithm,ICS)。本文基于Matlab软件,将CS和ICS分别对IEEE30节点测试系统进行仿真实验,以验证算法的有效性。实验结果表明,利用ICS算法求解无功优化问题可以在提高收敛性能的同时得到使电网损耗更小的解。通过该仿真实验,将理论运用到实践中,使学生提高仿真能力,进一步加深对无功优化的理解。     

基于改进萤火虫算法的多目标优化潮流仿真研究

针对电力系统多目标优化潮流(MOOPF)问题,结合基于约束优先的帕累托占优关系、非劣排序和拥挤距离计算,提出了约束优先非劣排序的多目标萤火虫算法(CNSFA),并根据模糊数学中的模糊隶属度选取最优折衷解。通过对IEEE30节点测试系统进行电力系统多目标优化潮流仿真测试以及与对比算法的比较可以看出:该算法在求解多目标优化潮流问题时,得到了分布性均匀和收敛性较强的帕累托解。     

基于改进PSO算法的电力系统无功优化

本文采用的无功优化数学模型虑了系统的实际约束条件和无功调节手段,能够准确直观地反映电力系统无功优化的实际问题。在此基础上对基于粒子群算法的无功优化作了深入的研究,尝试利用粒子群优化算法对无功优化问题进行求解。对常规粒子群算法的搜索策略进行了改进,对约束条件、离散变量都采取了一定的改进处理措施。以IEEE-6节点系统为例进行了仿真计算,验证了本文模型和算法的正确性、适用性和经济性。     

基于多目标优化的虚拟机放置策略研究

虚拟机放置是云数据中心资源管理的一个重要问题。提出了基于多目标优化的蚁群算法,通过建立服务器CPU进程损耗和内存资源消耗模型,定义一个多目标优化的虚拟机放置问题。通过改进蚁群算法获得一组非支配解来有效处理大规模数据中心潜在的较大解空间问题。在不同数量虚拟机情况下进行实验,证明该算法有着最低的资源消耗。     

基于改进量子粒子群算法的电力系统经济调度仿真研究

针对水火电系统的多约束、时滞非线性特点,建立了带有梯级水电厂的电力系统模型,并采用量子粒子群(QPSO)算法对系统进行优化求解。为了解决基本量子粒子群算法容易陷入局部最优解的问题,提出了一种改进量子粒子群(IQPSO)算法。为了验证该算法的性能,运用Matlab编写程序,利用典型的4水电3火电系统算例进行仿真。算例表明,改进的量子粒子群算法具有更好的收敛特性。     

基于改进粒子群神经网络的电力电子电路故障诊断

粒子群优化（PSO）算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。本文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播（BP）算法结合起来构成的混合算法用于训练人工神经网络,对电力电子电路故障进行在线诊断。仿真结果表明,改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的诊断精度。     

基于PSO的电力系统环境经济负荷调度

针对基于线性加权和处理成单目标优化问题的传统方法存在的缺陷,提出使用粒子群优化算法求解EELD多目标优化问题。该方法通过对粒子群算法个体极值和全局极值选取方式的改进,实现了对EELD多目标优化问题的非劣最优解集的搜索,为决策者提供了丰富的参考信息。在此基础上,应用模糊满意度方法求出的最优折衷解为调度运行人员提供了最佳调度折衷方案。最后,对一个三机系统进行了测试,并与线性加权人工神经网络法进行了比较分析,仿真结果验证了该方法的有效性。