改進(jìn)的人工魚群算法在電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配中的應(yīng)用

為提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的精度,引入一種新型的群智能方法——粒子群優(yōu)化算法,并將這種智能算法與bp算法相結(jié)合,形成了粒子群優(yōu)化bp算法模型,建立了計(jì)及氣象因素的短期負(fù)荷預(yù)測(cè)模型.通過具體算例將此模型與單純的bp模型進(jìn)行比較,結(jié)果表明:該算法具有較高的預(yù)測(cè)精度,完全能滿足實(shí)際工程的要求.

針對(duì)電力負(fù)荷短期預(yù)測(cè)問題,提出了一種基于相似日的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,在建立具體模型時(shí),對(duì)于24點(diǎn)負(fù)荷預(yù)測(cè),采用24個(gè)單輸出的神經(jīng)網(wǎng)絡(luò)來分別預(yù)測(cè)每天的整點(diǎn)負(fù)荷值,具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時(shí)間短的優(yōu)點(diǎn),考慮了不同小時(shí)類型的負(fù)荷差異,具有較高的預(yù)測(cè)精度。分析了如何采用bp多層感知器的隱層數(shù)及隱層單元數(shù)。最后對(duì)四川省電力公司某區(qū)一條線路的供電負(fù)荷進(jìn)行短期負(fù)荷預(yù)測(cè)仿真,仿真結(jié)果表明其具有較好的預(yù)測(cè)精度。

介紹了混沌優(yōu)化技術(shù)的原理和數(shù)學(xué)模型，在此基礎(chǔ)上，將混沌優(yōu)化技術(shù)應(yīng)用于求解水電站機(jī)組之間的經(jīng)濟(jì)負(fù)荷分配問題，獲得了與動(dòng)態(tài)規(guī)劃方法相同的結(jié)果．混沌方法提高了計(jì)算速度、減小了維數(shù)災(zāi)，不失為一種有生命力的優(yōu)化方法．同時(shí)，還較詳細(xì)地給出了混沌優(yōu)化的計(jì)算步驟．

文章認(rèn)為相空間局域線性回歸法是電力系統(tǒng)短期負(fù)荷預(yù)測(cè)混沌預(yù)測(cè)法中廣泛使用的方法,在用線性最小二乘法估計(jì)局部線性化模型的參數(shù)時(shí),往往由于病態(tài)的數(shù)據(jù)矩陣導(dǎo)致估計(jì)值對(duì)噪聲過于敏感而變得不可信。針對(duì)這種情況應(yīng)用最小均方誤差準(zhǔn)則和最陡下降原理提出了一種基于自適應(yīng)濾波電力系統(tǒng)短期負(fù)荷預(yù)測(cè)算法,避免了病態(tài)矩陣的影響。實(shí)驗(yàn)結(jié)果表明該算法預(yù)測(cè)結(jié)果穩(wěn)定、可靠。

為克服bp算法收斂速度慢,易陷入局部極小值等的缺點(diǎn),從而提高bp預(yù)測(cè)精度等性能,提出了變共軛梯度法(vcg),并對(duì)其收斂性作了分析及簡(jiǎn)要證明。通過將其應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)報(bào),證實(shí)了該算法克服了傳統(tǒng)bp算法收斂速度慢,易陷入局部極小值的缺陷。

提出了一種改進(jìn)混沌粒子群算法,將拋物線與混沌序列相融合產(chǎn)生慣性權(quán)重,并引入遺傳算法中的交叉思想,增加種群中粒子的多樣性.建立了考慮汽輪機(jī)閥點(diǎn)效應(yīng)的火電廠經(jīng)濟(jì)負(fù)荷分配模型,并采用等概率負(fù)荷調(diào)整約束處理方法處理經(jīng)濟(jì)負(fù)荷分配中的約束條件,以40臺(tái)機(jī)組經(jīng)濟(jì)負(fù)荷分配為例進(jìn)行仿真計(jì)算.結(jié)果表明:與傳統(tǒng)混沌粒子群算法相比,改進(jìn)混沌粒子群算法優(yōu)化后的煤耗成本最佳值約降低0.78%;通過與其他智能優(yōu)化算法的對(duì)比,驗(yàn)證了所提出的改進(jìn)算法具有更好的優(yōu)化效果和魯棒性.

分析了人工魚群算法存在的問題,提出一種改進(jìn)人工魚群算法,并將其用于梯級(jí)水庫群的優(yōu)化調(diào)度.其改進(jìn)思想是采用動(dòng)態(tài)調(diào)整人工魚視野和步長的方法,較好地平衡了人工魚群算法的全局搜索能力和局部搜索能力的矛盾;在此基礎(chǔ)上,針對(duì)算法局部更新策略引起的更新操作前后個(gè)體空間位置變化較大,降低收斂速度這一問題,在局部更新時(shí)采用了閾值選擇的策略.通過實(shí)例驗(yàn)證了該改進(jìn)算法的有效性,并對(duì)改進(jìn)算法的閾值參數(shù)進(jìn)行了率定.

第28卷第19期電網(wǎng)技術(shù)vol.28no.19 2004年10月powersystemtechnologyoct.2004 文章編號(hào)：1000-3673（2004）19-0014-06中圖分類號(hào)：tm715文獻(xiàn)標(biāo)識(shí)碼：a學(xué)科代碼：470·4054 粒子群優(yōu)化算法在電力系統(tǒng)中的應(yīng)用 袁曉輝1，王乘1，張勇傳1，袁艷斌2 （1．華中科技大學(xué)，湖北省武漢市430074；2．武漢理工大學(xué)，湖北省武漢市430071） asurveyonapplicationofparticleswarmoptimization toelectricpowersystems yuanxiao-hui1，wangcheng1，zhangyong-chuan1，yuanya

隨著電力系統(tǒng)規(guī)模的日益擴(kuò)大和電力市場(chǎng)改革的實(shí)施，保證電力系統(tǒng)安全、經(jīng)濟(jì)、穩(wěn)定、可靠地運(yùn)行越來越重要。本文對(duì)pso算法在電力系統(tǒng)中應(yīng)用的研究現(xiàn)狀進(jìn)行了較為全面的總結(jié)，主要包括在電網(wǎng)擴(kuò)展規(guī)劃、檢修計(jì)劃、機(jī)組組合、負(fù)荷經(jīng)濟(jì)分配、最優(yōu)潮流計(jì)算與無功優(yōu)化控制、諧波分析與電容器配置、網(wǎng)絡(luò)狀態(tài)估計(jì)、參數(shù)辨識(shí)、優(yōu)化設(shè)計(jì)等方面的應(yīng)用研究成果。

文章首先對(duì)遺傳算法的基本概念進(jìn)行闡述,然后對(duì)文獻(xiàn)中提出的各類遺傳算法在電力系統(tǒng)中的不同應(yīng)用進(jìn)行述評(píng),分析了它們?cè)诓煌娏ο到y(tǒng)問題中的應(yīng)用特點(diǎn)及改進(jìn)措施,促進(jìn)遺傳算法在該研究領(lǐng)域的進(jìn)一步發(fā)展。

以配電網(wǎng)系統(tǒng)最優(yōu)化運(yùn)行為目標(biāo)，在保證配電網(wǎng)各節(jié)點(diǎn)電壓滿足電壓質(zhì)量要求的前提下，以最高的供電可靠性來確定網(wǎng)絡(luò)的連接狀態(tài)，采用改進(jìn)的自適應(yīng)遺傳算法進(jìn)行配電網(wǎng)絡(luò)重構(gòu)。通過ieee典型算例rbtsbus2系統(tǒng)的驗(yàn)算黠果表明了該算法的有效性和可行性。

電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)中的一個(gè)重要的研究課題。對(duì)神經(jīng)網(wǎng)絡(luò)算法和時(shí)間序列預(yù)測(cè)算法進(jìn)行加權(quán)融合,提出一種混合算法對(duì)eunite競(jìng)賽數(shù)據(jù)進(jìn)行了短期電力負(fù)荷預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明負(fù)荷預(yù)測(cè)精度得到了很大的提升。

船舶工業(yè)的發(fā)展是我國國防工業(yè)、交通運(yùn)輸?shù)闹匾A(chǔ),船舶電力系統(tǒng)的故障重構(gòu)一直是國內(nèi)外研究的熱點(diǎn),船舶電力系統(tǒng)故障重構(gòu)是一典型的非線性組合優(yōu)化問題。本文提出了一種改進(jìn)的蟻群算法對(duì)船舶電力系統(tǒng)故障重構(gòu)問題進(jìn)行研究,并通過實(shí)例分析和實(shí)驗(yàn)仿真將改進(jìn)后的蟻群算法和傳統(tǒng)基本蟻群算法進(jìn)行對(duì)比分析,得出了改進(jìn)后的蟻群算法在船舶電力系統(tǒng)故障重構(gòu)問題上具有更加優(yōu)越的性能。

針對(duì)基本混合蛙跳算法收斂速度慢,優(yōu)化精度低的問題,提出了改進(jìn)的混合蛙跳算法:通過引入自適應(yīng)因子,保持了算法開發(fā)與探索的平衡,維持了種群的多樣性,提高了個(gè)體向局部最優(yōu)或全局最優(yōu)個(gè)體學(xué)習(xí)的能力,加快了算法的收斂速度。通過對(duì)4個(gè)測(cè)試函數(shù)和電力系統(tǒng)中經(jīng)濟(jì)調(diào)度問題進(jìn)行優(yōu)化實(shí)驗(yàn),并與基本混合蛙跳算法和相關(guān)文獻(xiàn)中的改進(jìn)算法進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明所提出的改進(jìn)算法取得了更加理想的運(yùn)算結(jié)果,具有更好的優(yōu)化性能。

本研究提出了電力系統(tǒng)負(fù)荷控制裝置的概念、系統(tǒng)組成及工作原理,并提出了電力系統(tǒng)負(fù)荷控制裝置未來的發(fā)展方向。

???????????????????????????????????(63?ì1.???.???.????????????????19882.????????????????19873.???.??.?.???.???.????????????????????[?????-????2003(3)4.perryshort-termloadforecastingusingmultipleregressionanalysis19995.apapalexopoulos.thesterburgaregression-basedapproachtoshort-termloadforecasting1990(04)6.???.???.??????????

伴隨著電力緊缺的局面,國內(nèi)各類電力供電企業(yè)都在探索各種不同的負(fù)荷控制手段。以漢江集團(tuán)所采用的負(fù)荷控制系統(tǒng)為例,簡(jiǎn)要介紹了國內(nèi)較為成熟的一種控制系統(tǒng)。

確定上網(wǎng)電價(jià)模式、制定全網(wǎng)發(fā)電經(jīng)濟(jì)調(diào)度計(jì)劃是實(shí)行發(fā)電側(cè)電力市場(chǎng)的核心問題。結(jié)合電力市場(chǎng)條件下經(jīng)濟(jì)負(fù)荷分配出現(xiàn)的新特點(diǎn),對(duì)火電系統(tǒng)經(jīng)濟(jì)負(fù)荷分配的算法進(jìn)行了研究,并對(duì)幾種情況下經(jīng)濟(jì)負(fù)荷分配的同一性和特殊性進(jìn)行了深入的理論分析。分析了按電網(wǎng)購電邊際成本作為全網(wǎng)上網(wǎng)電價(jià)的弊端,提出了按購電平均成本定價(jià)的新觀念,并提出了將網(wǎng)損微增率修正法和改進(jìn)型優(yōu)序法并用的最優(yōu)求解法

粒子群算法(pso)作為群智能算法的主要方法之一。自提出開始,便引起了眾多研究學(xué)者的關(guān)注。pso算法屬于進(jìn)化算法的一種,通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)。在查閱大量文獻(xiàn)的基礎(chǔ)上,本文首先簡(jiǎn)單介紹了群智能的概念,簡(jiǎn)述了粒子群算法的基本原理。然后,詳細(xì)敘述了pso算法在電力網(wǎng)絡(luò)規(guī)劃,經(jīng)濟(jì)調(diào)度等電力系統(tǒng)領(lǐng)域中的應(yīng)用,并回顧了前人及當(dāng)前的研究成果。最后,指出了pso算法未來的發(fā)展方向和研究重點(diǎn)。

利用標(biāo)準(zhǔn)bp神經(jīng)網(wǎng)絡(luò)建立短期電力負(fù)荷預(yù)測(cè)模型,其算法存在最終解過于依賴初值和過學(xué)習(xí)現(xiàn)象,并且訓(xùn)練過程中存在局部極小問題且預(yù)測(cè)精度低等缺點(diǎn)。為了提高電力負(fù)荷模型的預(yù)測(cè)精度,通過閱讀相關(guān)文獻(xiàn),構(gòu)建了基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)模型,該模型采用遺傳算法對(duì)權(quán)值和閾值進(jìn)行初始化,以相對(duì)誤差和附加動(dòng)量法相結(jié)合的方式去計(jì)算權(quán)值修正量。比較改進(jìn)后的bp算法和標(biāo)準(zhǔn)bp算法在短期電力負(fù)荷預(yù)測(cè)的效果,從實(shí)驗(yàn)仿真的效果表明改進(jìn)后的模型提高了預(yù)測(cè)精度。

介紹了bp神經(jīng)網(wǎng)絡(luò)算法的原理以及對(duì)其采用非線性阻尼最小二乘法levenberg-marquardt進(jìn)行優(yōu)化的方法。采用matlab的神經(jīng)網(wǎng)絡(luò)工具箱建立了一個(gè)單隱層的bp神經(jīng)網(wǎng)絡(luò)模型和預(yù)測(cè)流程,采用24個(gè)輸入人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)每天的整點(diǎn)負(fù)荷,并且討論了如何進(jìn)一步通過改變網(wǎng)絡(luò)參數(shù)以提高負(fù)荷預(yù)測(cè)精度。實(shí)驗(yàn)仿真結(jié)果表明,此方法預(yù)測(cè)短期電力負(fù)荷,可以得到令人滿意的訓(xùn)練速度及預(yù)測(cè)精度。

介紹了人工智能中的專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊理論、模式識(shí)別和小波分析技術(shù),以及這些技術(shù)在電力系統(tǒng)中的相關(guān)應(yīng)用。