基于自适应粒子群算法的电力系统无功优化

无功优化是电力系统安全经济运行的核心问题之一,电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划。它的目标是在满足约束条件的前提下,使系统的某个指标或多个指标达到最优。在分析配电网无功优化所面临困难的基础上提出了一种粒子群优化算法,并结合IEEE30节点试验系统利用粒子群算法以实现。计算结果表明,这种优化方法有利于提高配电网的无功优化水平。     

改进遗传算法在配电网无功规划的应用研究

无功优化规划可以视作为非线性的条件组合优化问题,目前对这些问题的解决办法有很多种,但不能应用在大规模优化计算中。为了使遗传算法搜索时间得到有效降低,提高整体的效率,本文对无功规划相关算法进行改进,使得算法更加贴合实际,以更快的速度求得最优解。本文在遗传算法的基础上对一些环节作出相应的改进,并分析选择无功补偿节点,利用灵敏度加强算法的交叉、变异性,引入灾变来对种群进行阶段性灭绝,使得遗传算法在求取全局最优解时有着更好的表现,进而使得算法整体的效率得到提升。     

组合预测方法研究的若干新结果

本文对组合预测方法的一些基本问题进行了较深入的研究:证明了随着预测方法的增加,最优组合预测方法的预测误差平方和并不一定减少;给出了最优组合预测方法的预测误差平方和恰好等于参加组合预测的各个单项预测方法预测误差平方和的最小值的充分条件;对递归等权组合预测方法的收敛性等问题给出了理论证明,并给出了一种新的替换准则。本文还就最优组合预测方法预测误差平方和的取值范围等问题进行了研究,给出了一些新的结果。     

改进粒子群算法的电力系统无功优化应用

电力系统的无功优化问题的操作变量既有连续变量又有离散变量,同时它还是混合了多个变量和多个约束条件的一个非线性的规划问题。本文中阐述的粒子群优化算法PSO(Particle Swarm Optimization)算法,是一种应用于电力系统无功优化的算法,是针对无功优化问题的特点提出的。考虑到算法的一些问题,通过引入动态的惯性权重和收缩因子来达到对原有算法的改进目的,改进粒子群优化算法MPSO(Modified Particle Swarm Optimization)算法作为一种新的算法被提出来,同时结合了电力系统无功优化的实际情况,证明了改进的粒子群算法的良好的实用效果。     

基于改进粒子群算法的配电网无功优化研究

电力系统无功优化是电力系统安全经济运行的核心问题之一,电力系统无功优化是一个较复杂、多目标、非线性混合规划问题。基于配电网无功优化所面临的困难,本文将改进粒子群优化算法应用到电力系统无功优化问题的研究中。最后通过对配电网33节点系统无功优化算例分析,仿真结果验证了该算法解决电力系统无功优化问题的有效性和可行性。     

不允许卖空的证券组合选择模型研究

本文在Ｍａｒｋｏｗｉｔｚ的均值－方差模型基础上提出了一种既能对投资比例向量优化又能对投资对象选择优化的证券组合选择模型,研究了模型的最优解以及模型中风险选择参数的确定问题,给出了求解模型的最优解的树型算法。     

再论最优组合预测模型的确定

1 引言组合预测的基本含义是把两个或两个以上的预测模型来用加权平均的方式组合为一个模型,而加权系数的确定是最优组合预测模型确定的关键。我国有很多人从事过这方面的研究,得到一些结果(见[1]、[2]).本文根据广义最小二乘法和加权最小一乘法思想,再论最优组合预测模型的确定. 2 根据广义最小二乘法确定最优权系数设对于同一预测问题我们有几种预测方法。 y(?)实际观测值,t=1,2,…,N; y(?)第i种方法的预测值,i=1,2,…,n; (?)=y(?)—y(?)第i种方法的预测误差; W_(?)第i种方法的加权系数,(?)=1; (?)加权组合预测值; e(?)=y(?)—y(?):组合预测误差. 根据广义二乘法的思想,最优组合预测模型,其权系数W=(w_1,…,w_n)~r应使下式中的J达到最小     

带精英策略的改进NSGA及其在配网无功优化应用的研究

电力系统无功优化是一个多变量、多约束的混合非线性规划问题,优化过程十分复杂。带精英策略的快速非支配遗传算法是一种求解多目标优化的优良算法之一。但该算法缺乏明确的约束处理机制。本文在处理约束方法上将约束优化问题转换为多目标问题,将个体支配关系的准则改变为根据不可行解违反约束条件的程度判断哪个更优,保证了种群的多样性和分布陛     

组合预测计算方法研究

组合预测的关键是确定加权系数。本文通过使组合预测误差平方和极小化来确定最优加权系数。本文给出了计算最优加权系数的计算公式,并导出了简单平均预测是最优组合预测的条件。     

遗传算法在电力系统无功优化中的应用分析

随着科技的不断进步与发展,电力已经成为人们中不可缺少的能源。电力系统无功优化一般是指在保持正常的电力系统运行情况下,通过确立最优无功补偿点和设备容量,来尽可能的减少无功补偿设备的投资,最大可能的提高电力系统的电压稳定性,从而改善电压质量,降低电能损耗,保证电力系统的安全稳定运行。然而电力系统无功优化问题是一个求解过程非常复杂的混合优化问题,也是最优潮流问题中的一个重点。经过研究证明,遗传算法对于这种优化问题来说是目前最有效的解决方法,针对遗传算法在电力系统无功优化中的应用进行简要分析。     

折扣组合预测法研究

普通最优组合预测向量的确定常以组合预测误差平方和最小或误差绝对值和最小为标准,忽视了近期误差比远期误差重要的事实。本文提出折扣组合预测法确定最优组合预测模型的方法,从而提高了预测尤其是近期预测的精度。     

粒子群优化算法及在电力系统中的应用

粒子群优化PSO(Particle Swarm Optimization)算法是一种有效的全局优化技术,PSO算法通过粒子间的相互作用在复杂搜索空间中寻求最优区域。PSO的优势在于算法简单,容易实现。从研究PSO算法及其在电力系统中的无功优化、最优潮流计算、电网扩展规划、机组优化组合、经济负荷分配等方面的应用现状出发,对其研究发展方向作了展望。     

均值—级差型组合投资优化选择模型

本文给出基于历史收益率数据的均值－极差型组合投资优化选择模型,该模型采用收益的极差作为风险的尺度,可以通过求解线性规划获得最优投资组合方案,在惧益分布为正态分布时与均值－方差模型的解相似,避免了均值－方差模型求解二次规划问题（尤其在解决大规模的组合投资问题）的计算复杂性,本文还考虑了存在交易费用时的情形。     

人工智能在电力系统无功优化中的应用探讨

电力系统无功优化是一个复杂的非线性规划问题,本文介绍了古典算法在解决这一问题中的局限性,详细阐述了人工智能方法在电力系统无功优化中的应用,分析各类人工智能方法的优缺点,提出了加强各类人工智能方法在无功优化中配合应用的研究.     

投资组合问题中极小极大模型的光滑化方法

以沪市三支股票历史整月的收盘价作为研究对象,采用一种光滑化的方法近似地将投资组合问题中的极小极大模型转化为一类可微的经典规划模型,并给出相应的误差分析,以便利用改进的梯度投影算法得出最优投资组合。研究结果表明,这种算法运行稳定并在实证中得出相对精确的结果。     

基于语义扩展的知识服务检索与组合方法研究

针对现有知识服务组合技术的不足,提出一种基于语义扩展的服务检索与组合方法。利用领域本体为已有知识服务建立统一语义框架进行知识服务检索。在此基础上对服务组合全局优化方法进行研究,将该问题转化为一个带有质量约束的线性规划模型,利用一阶展开式代替目标函数求得最优解从而得到优化的服务组合。与已有方法相比,该方法从语义角度综合考虑了知识服务的功能、质量等因素,提高了知识服务管理的动态性与灵活性。     

R&D项目组合选择的决策分析与思考

 目前R&D项目的研究大多以数学规划、决策理论及评分方法来构建R&D项目投资组合的多准则模型。这些模型在有限范围内考虑是有效的,然而对于R&D项目的调度问题,是这些方法所不能解决的。本文将模糊集理论及启发调度的方法引入R&D项目组合的决策分析之中,以期寻求其最优解。最后用算例对R&D项目组合进行系统分析与研究。     

均值—离差型组合证券投资优化模型

本文给出了基于历史收益率数据的均值－平均绝对离差型组合证券投资优化模型。该模型采用收益的平均绝对离差作为风险的尺度,可以通过求解线性规划获得最优证券投资组合。在证券收益分布为正态分布时与均值－方差模型的解相似,避免了均值－方差模型求解二次规划问题（尤其在解决大规模的组合证券投资问题时）的计算复杂性。本文还考虑了存在交易费用时的情形。     

农网无功补偿优化配置方案

电力系统在正常运行的过程中,为确保其能安全、稳定、持续地为社会输送电力资源,必须对其无功补偿进行优化,确保无功补偿设备在系统配置、系统布局等方面最符合实际情况,保证在无功运行过程中,引起的损失达到最小。同时在进行新电网规划、设计、建设时,要结合实际情况,做好无功电力平衡及无功运行的优化补偿,这样才能为电力系统的持续运行打下良好基础,并且能减少电力系统的运行成本,提高电力企业的经济收益。     

含无风险证券的组合投资决策的研究

本文考虑了较为复杂的含无风险证券的组合证券投资决策问题，分别就允许卖空与不允许卖空两种情形证明其最优解的存在与唯一；并就两情形下最优解之间的联系进行研究，使得借助允许卖空来决策不允许卖空的理论趋于系统化。最后通过例子说明一个由５种证券进行组合的决策