基于量子人工蜂群算法的风电场多目标无功优化

为了分析风机的不确定性出力对电网运行的影响,建立了风电场的概率模型,利用两点估计法(2PEM)进行概率潮流计算。然后,建立了综合考虑有功网损、电压偏移量和静态电压稳定裕度的多目标无功优化模型,并通过层次分析法(AHP)确定各个目标函数的权重,避免了人为主观臆断性。提出了量子人工蜂群算法,并将该算法和前述的概率潮流计算相结合应用到风电场无功优化当中。最后,以IEEE 14节点系统为例,将风电场接入该系统进行无功优化,并和传统的人工蜂群算法(ABC)进行比较,结果表明量子人工蜂群算法优化效果更好,具有更高的收敛精度,有效地避免了早熟现象。

基于量子人工蜂群算法的配电网多目标优化重构

为了保证配电网优化运行,本文以系统网损最小、节点最低电压幅值最大、开关操作次数最少为目标构造配电网多目标优化重构模型,采用量子人工蜂群算法和帕累托(Pareto)支配关系求解。针对易于陷入局部最优解问题的人工蜂群算法,引入量子理论来进行蜂群的搜索,扩大了全局搜索范围,使其收敛于全局最优解,对于多目标问题,采用拥挤度来控制Pareto最优解的个数。将算法应用于标准IEEE 33节点配电网和加入分布式电源的配电网进行重构测试,实验表明该方法是有效和可行的。

量子人工蜂群优化的盲源分离算法

为了实现分离多种服从不同分布类型的源信号,将一种改进的量子人工蜂群方法用于优化盲源分离算法。在标准量子人工蜂群算法的基础上,引入混沌优化算子生成初始解,使初始种群的解均匀分布在可行解空间上;在搜索阶段引入动态的邻域因子和遗忘因子,控制寻优方向,提高算法的收敛速度和寻优能力;以信号峰度构造目标函数,利用改进的量子人工蜂群方法对目标函数寻优,获得分离矩阵,实现混合信号的分离。仿真结果表明,所提算法能够分离亚高斯分布、超高斯信号及两者的混合信号,且在收敛速度和分离精度上均优于传统算法。

基于改进量子蜂群算法的多中继选择

为提高无线多中继协作网络的系统性能,提出一种改进量子人工蜂群(quantum artificial bee colony,QABC)算法的多中继选择方案。多中继选择问题实际上是选择最佳中继节点的数量以及选取哪些中继来参与协作的优化问题,以往的穷举搜索方式使算法的复杂度随着中继数目的增加呈指数增长。通过引入符号函数,使QABC算法的计算更为简洁,相比之下,可以获得较高的信噪比(signal to noise ratio,SNR)和功率效率。仿真结果表明,该算法的性能要明显优于现有的中继排序方案的性能。