基于改进模拟退火-粒子群的配电网分布式光伏承载力评估

大规模分布式光伏并网给中压配电网带来严重功率反送,导致中压配电网出现节点电压越限和配电变压器反向过载问题.以系统潮流平衡、节点电压偏差、配电变压器反向负载率和线路载流量为约束条件,以分布式光伏并网容量与系统网络损耗之差的分布式光伏等效并网容量为目标函数,建立中压配电网分布式光伏承载力评估模型,并提出改进模拟退火-粒子群(SA-PSO)算法.对IEEE33系统和实际中压配电网进行分布式光伏承载力计算,结果表明,所建立的分布式光伏承载力评估模型适用于中压配电网节点电压稳定性与配电变压器安全运行问题评估;相较于其他算法,改进SA-PSO算法提高了评估模型计算的收敛速度与寻优能力,在相同约束条件限值下,所得线路分布式光伏承载力更高,且系统网络损耗更低.

一种自适应模拟退火粒子群优化算法

为了提高粒子群算法的寻优速度和精度,避免陷入局部优解,提出一种自适应模拟退火粒子群优化算法。采用双曲正切函数来控制惯性权重系数,进行非线性自适应变化;利用线性变化策略控制社会学习因子和自我学习因子,达到改变不同阶段寻优重点的目的;引入模拟退火操作,根据种群的初始状态设置一个温度,根据米特罗波利斯准则和温度指导种群以一定的概率接受差解,保证了算法跳出局部最优解的能力。为验证这种算法的效果,选择7种典型测试函数与已有文献中提出的5种粒子优化算法进行对比实验,根据寻优结果的平均值、标准差以及迭代次数等数据,证明文中所提算法在迭代精度、收敛速度以及稳定性上都有很大的提升,有效地弥补了经典粒子群算法的缺陷。

粒子群-模拟退火混合算法在群控电梯中的应用

针对高层建筑电梯多、分布散、维修不及时等问题,提出了一个优化调度、报警维修及时的群控电梯系统;采用多目标优化方法建立数学模型,利用粒子群算法的概念简单、收敛速度快、易于实现的优点,同时引入模拟退火思想来克服粒子群算法易陷入局部最优的缺陷,对目标函数进行优化,PLC编程计算出参数,上位机调度计算,根据算法结果,优化电梯,合理调度;经过MATLAB仿真分析表明,该系统节省了平均候梯时间、平均乘梯时间和系统能耗,缩短了故障时间和维修时间,具有较大的应用前景。

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。

基于模拟退火-粒子群算法的卤素灯阵列照度均匀性研究

光照均匀性问题是太阳模拟器照明系统的主要问题。针对目前卤素灯作为光源进行灯阵光照均匀性的阵列设计多采用理论计算的方法,复杂繁琐,不易施行的缺点,将数值优化方法应用于卤素灯阵列结构设计中,与单一的算法不同,模拟退火算法与粒子群算法相结合的方式,突破了单一算法的局限性,得到的结果更加良好,均匀性更佳。通过编程优化灯阵中每个灯的坐标,将最优结果导入光学仿真软件进行照度分析,实验数据显示,3种灯阵下的光照均匀度分别为91%、87%和91%,同等条件下的六边形灯阵的光照均匀度要比圆形的均匀度好,采用最优化方法,可使实验更加简单可行。

基于离散二进制粒子群-模拟退火算法求解0-1背包问题

0-1背包问题是最典型的组合优化问题之一。目前,有很多算法来解决这个问题,主要分为两类:一个是传统的算法,虽然它在低维和小规模的背包问题中有一个良好的寻优性能,但对于高维大规模的背包问题解决能力显然不占优势;另一个是仿生智能算法,它虽然能够很好地解决高维大规模的背包问题,但使用单一算法总是存在一定的局限性。在搜索解的过程中缺乏全局搜索能力,易陷入局部最优解。针对这一问题,提出了BPSO-SA算法,利用BPSO算法的全局搜索的优点,再引入了SA算法的退火过程中思想,使算法避免陷入局部最优解。通过大量的实验测试,验证了该文提出的算法的可行性,并且具有更好的寻优能力。

基于改进的模拟退火-粒子群算法的区域综合能源系统经济性运行

为了缓解当前化石能源使用危机的问题,在考虑了储冷、储热和储电设备的基础上,构建了区域综合能源系统(regional integrated energy system,RIES)的经济性模型。将天然气购买的成本、购电成本和设备运行成本之和作为目标函数,将系统综合运行成本考虑的更为周全,约束条件中不仅包括各设备的能量交互损耗、储能设备的功率和容量约束,还引入了重要负荷备用,提高了RIES的供电可靠性。利用改进的模拟退火-粒子群算法对所提模型进行求解,大大加快了求解算法的收敛速度。案例分析表明,提出的求解算法求解速度更快,进一步减少了系统综合运行成本。

自适应模拟退火混合粒子群算法的配电网故障定位

针对传统配电网故障定位模型结果精度低的问题,提出一种基于自适应模拟退火混合粒子群算法的故障定位方法。首先,分析实际情况,改进开关节点状态值,在此基础上构造故障模型开关函数。然后,基于模拟退火算法收敛速度快的特性,结合混合粒子群算法搜索范围广的优点,实现两种算法的结合。为了避免陷入局部最优解,引入自适应寻优方案进行迭代判别。接着,分析改进算法故障定位原理,构建适应度函数。最后,对产生的多种故障情况通过Matlab进行算例仿真分析。仿真结果表明:改进算法在配电网故障定位的过程中收敛速度和精度均有明显提高,并针对不同的情况具有一定鲁棒性。

一种新的基于正弦自适应权重的模拟退火粒子群优化算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢和收敛精度低的问题,提出一种新的基于模拟退火的粒子群优化算法,采用正弦自适应权重策略,提高算法的收敛速度和收敛精度,增强算法的全局搜索能力。采用4种基准函数对所提出的算法进行仿真测试,并与其他几种粒子群算法进行横向对比,通过仿真实验验证了所提出的基于模拟退火的粒子群算法具有更好的收敛速度和收敛精度。

基于Metropolis准则的自适应模拟退火粒子群优化

为有效提高粒子群优化(PSO)算法搜索最优解的效率,提出一种基于Metropolis准则的自适应模拟退火粒子群优化(ASAPSO)算法。首先,ASAPSO采用一种新的自适应极值惯性权重方式,能有效平衡粒子种群的全局搜索和局部搜索过程;其次,通过分析粒子个体间信息交流方式,构建粒子飞行学习交流的中心粒子,该粒子能有效增强粒子个体的社会学习能力;最后,基于Metropolis准则的模拟退火选择概率,粒子群体在中心粒子的引领下向着全局最优解不断逼近,能有效避免粒子群体陷入局部最优区域。仿真实验表明,相比其他测试算法,ASAPSO收敛精度高,在多种标准测试函数中收敛率(CR)可达94%以上,能有效提高粒子种群的寻优效率。

基于模拟退火和粒子群改进的图像分割FCM方法

针对模糊C均值聚类(FCM)算法在分割图像时需要事先给出聚类数和容易陷入局部极小值的问题,提出一种新的FCM算法。首先,利用粒子群算法更新FCM的聚类中心,以加强算法的搜索能力,提高收敛速度;其次,根据模拟退火准则决定是否接受新的聚类中心,以得到当前迭代下的全局最优值;最后,设定有效性函数寻找图像的最佳聚类数,使算法具有自适应判断图像类别个数的能力。实验结果表明,该算法具有较好的全局收敛性,并且在未知聚类数的情况下能自适应寻找图像的最佳分类个数。

基于正弦自适应权重的模拟退火粒子群算法

将模拟退火算法混合到粒子群算法中,虽然能够有效地解决粒子群算法容易陷入局部极值的问题,但是在用此混合算法求解复杂高维函数时,收敛速度较慢、精确度较低.为解决此问题,提出对惯性权重的正弦自适应变化的方案,即正弦自适应权重的模拟退火粒子群算法.本文采取四个基准函数来对提出的优化算法进行仿真,同时与改进前的模拟退火粒子群算法和其他人所提出的基于惯性权重改进的优化方案进行比较.结果表明,优化后的算法拥有更强的收敛能力,更高的精确度,更加稳定的优化值.

基于自适应粒子群算法的燃煤-捕碳机组热力系统优化设计

以某1 000 MW超超临界燃煤机组为例,提出了一种新型燃煤-捕碳机组热力系统设计方案,建立了该方案下机组的热经济性计算框架及回热系统参数优化模型,并引入自适应粒子群算法进行优化计算.结果表明:新设计燃煤-捕碳机组的热经济性显著改善,循环热效率比捕碳改造机组相对提高10.7%;自适应粒子群算法收敛快、稳定性好,其优化结果明显优于其他方法,能够适用于燃煤-捕碳机组的热力系统优化设计.

基于自适应模拟退火PSO算法建筑管道布置研究

为解决建筑空间下的管道自动布置问题,建立了建筑环境和管道数学模型,将管道长度、弯头数、敷设区域作为评价指标。采用自适应模拟退火粒子群算法对管道进行优化,该算法引入随适应值大小自适应调整进化参数及结合模拟退火算法调整粒子最优位置的策略,以增强算法跳出局部极值的能力。设计了一种基于选择概率代价的初始种群建立方法,提高初始解的质量。通过仿真实验,将该算法与标准粒子群算法进行比较,结果表明自适应模拟退火粒子群算法在解的质量上有显著的提高。

自适应杂交退火粒子群优化算法

为解决粒子群优化(particle swarm optimization, PSO)算法易早熟、后期收敛慢、收敛精度低等问题,提出一种自适应杂交退火PSO算法。采用Sigmoid函数控制惯性权重,平衡粒子的全局搜索和局部搜索能力;采用双曲正切函数控制加速系数,平衡粒子的自我认知和社会认知能力,提高算法精度;引入模拟退火算子,使粒子在搜索过程中以一定概率接受差解,增加粒子跳出局部最优的能力;在算法后期引入杂交变异算子,增加种群多样性,进一步提高算法精度。基于3种标准测试函数对所提算法的性能进行了验证,并与现有典型PSO算法进行了对比。结果表明,所提算法在收敛精度及收敛速度上均具有一定提升。最后,将所提算法应用于阵列天线方向图综合设计,取得了较现有算法更优的结果。

基于自适应遗传-粒子群优化算法的风电场微观选址优化

为了减小尾流效应对风电场发电量的影响,提高风能利用率,提出了一种自适应权重的遗传-粒子群优化算法(genetic-particle swarm optimization algorithm,GA-PSO)。首先,以风电场单位发电成本为目标函数,风机坐标为优化变量,通过在优化变量的速度更新中加入惯性权重,以改变算法的寻优速度;其次,在WASP软件选址的基础上,对风电机组进行布局优化;进而,将计算结果与遗传算法(genetic algorithm,GA)、萤火虫算法(firefly algorithm,FA)和粒子群(particle swarm algorithm,PSO)优化算法进行对比。结果表明:运用PGOA算法优化后的风电场单位发电成本为2016元/GWh,减少了232元/GWh,年发电量为82.633 GWh,比优化前提高了8.538 GWh,同时尾流损失减小了1.12%。可见研究结论对未来的风电场微观选址具有一定指导意义。

邻域退火粒子群算法在配电网重构中的应用

为求解多目标非线性整数组合优化的配电网络重构问题,建立了以电压均衡指数和网损为目标的配电网重构数学模型。为了克服粒子群算法容易局部收敛的不足,提出了一种基于正态分布的局优邻域闭锁方法的退火技术的粒子群算法(LA-PSO),改进了扰动机制,设计了自适应退火策略,对邻域内的粒子执行并行化退火操作,从而弥补粒子群算法爬山能力的不足,提高了算法的全局寻优能力。用3个不同规模的算例测试提出的算法并与基本算法的性能进行了比较。结果表明,该算法有效改进了粒子群优化算法的局部收敛问题,与单一算法相比,在收敛特性、全局寻优能力和稳定性等方面都有所提高。

粒子群参数自适应调整的优化设计

在分析粒子群优化原理基础上,引入模拟退火机制以一定的概率对部分粒子的速度及位置执行更新操作,建立了粒子群惯性量权重因子及学习因子的模糊逻辑控制器以实现粒子群参数的自适应调整,从而提高优化算法的收敛速度及获得全局解的能力。通过运用常规优化方法、遗传算法及参数自适应调整的粒子群优化方法对起重机结构主梁截面优化设计对比可知:采用粒子群参数调整的优化方法具有自适应能力强、计算效率高及优化设计精度高等优点。

一种结合自适应惯性权重的混合粒子群算法

粒子群算法(particle swarm optimization,PSO)是一种容易实现且高效的优化算法,但该算法对各种参数反应较为敏感.本文针对经典粒子群算法容易陷入局部最优的不足之处进行研究,提出对经典粒子群算法使用自适应惯性权重并引入模拟退火法的思想来解决经典粒子群优化算法容易陷入局部最优解的问题.仿真实验结果表明,本文提出的混合算法与经典粒子群算法相比,不仅能够避免寻优过程中陷入局部最优问题,而且还具有收敛速度快、成功次数高、稳定性及寻优结果好等特点.

自适应变异的混合粒子群优化策略及其应用

提出了一种新的基于群体自适应变异和个体退火操作的混合粒子群优化(HPSO)算法.该算法将模拟退火过程引入到粒子群优化(PSO)之中,以PSO作为主体,先随机产生初始群体,并开始随机搜索产生新的个体.同时,使用自适应变异操作进行个体变异,对进化过的个体进行退火操作,以调整和优化群体.与模拟退火算法和基本PSO算法相比,HPSO保持了基本PSO算法简单、容易实现的特点,又能进行自适应变异.复杂函数优化和旅行商组合优化问题的实例验证表明,所提算法的全局收敛性较好,提高了摆脱局部最优的能力,有效避免了基本PSO算法的早熟问题.