以差分進化算法(de)為基本框架,結合混沌算法(ca)和蛙跳算法(slfa)各自局部搜索優勢以及多核并行計算技術(pc),提出一種新的并行混合差分進化算法(phde),即將de與ca、slfa進行有機融合,分別對精英個體進行混沌局部搜索和對較差個體進行蛙跳局部更新,且差分進化運算、混沌局部搜索和蛙跳局部更新均采用pc,以有效縮短計算時間。phde具有三點優勢:一是保留了de簡單易行、收斂迅速的特點;二是繼承了ca、slfa的遍歷性,能夠避免早熟收斂現象;三是通過合理的并行模式,有效降低了計算時間。典型測試函數表明了phde的可行性、高效性和魯棒性。實例研究表明,phde具有較好的優化性能和計算效率,為高效求解水庫群優化調度問題提供了一種可行途徑。

以水電站運行成本最小為目標,提出了一種用差分進化算法(differentialevolution,de)實現大型水電站最優運行的方法。差分進化算法是一種基于群體的多目標進化算法,通過群體內個體間的合作與競爭產生的群體智能指導優化搜索。將改進的方法應用于水電站經濟運行,模型考慮了機組能量特性差異,并能在旋轉備用、啟停成本、氣蝕振動區、機組可用性等約束條件下,制定出電站日內96段最優運行計劃。計算表明,該方法避免了動態規劃等算法處理多約束、大型優化問題的困難,同時提高了進化算法的精度。

風一火電力系統聯合優化調度是一個極其復雜的np問題，不易求解。，改進粒子群算法，并將其應用于風一火電力系統聯合優化調度，提出了一種改進的慣性權重線性遞減的粒子群算法。針對粒子群算法容易局部收斂的缺陷，、首先，本文在慣性權重線性遞減（ldw）的基礎上，加入常數擾動，使慣性權重大幅增大，以便于跳出局部搜索，進行全局搜索，從而防止局部收斂；其次，為盡可能的避免粒子群算法出現粒子高度聚集在最優粒子的周圍的情況，使得粒子趨于相同以致于大大損失粒子群的多樣性，一定概率的自適應的改變慣性權重并混入隨機個體，以便于更好的保持種群多樣性、、最后，在matlab2010agui平臺下采用幾種不同的粒子群算法進行仿真試驗。仿真結果表明，在相同條件下改進的粒子群算法能夠尋到更精確的解。

通過綜合考慮發電費用最小及污染氣體排放量最小這兩個調度目標建立了水火電力系統多目標環境經濟調度模型,并提出一種混合多目標差分進化算法對模型進行求解。該算法針對多目標優化問題的特點對差分進化算法的算子進行了修正,并基于混沌序列提出一種參數自適應調整策略以克服算法參數率定的難題。設計了一種二次變異算子來防止算法陷入局部最優。針對不同類型約束特性提出一種約束處理方法。實例計算結果及對比分析驗證了所提方法的可行性和有效性,為實現水火電力系統實現經濟與減排雙目標均衡優化提供了一條嶄新途徑。

為提高電力系統短期負荷預測的精度,引入一種新型的群智能方法——粒子群優化算法,并將這種智能算法與bp算法相結合,形成了粒子群優化bp算法模型,建立了計及氣象因素的短期負荷預測模型.通過具體算例將此模型與單純的bp模型進行比較,結果表明:該算法具有較高的預測精度,完全能滿足實際工程的要求.

針對梯級水電站優化調度的復雜問題,結合差分進化算法和混合蛙跳算法各自優勢,提出一種新的混合差分進化算法。該算法將差分進化策略嵌入到混合蛙跳算法框架中,對整個群體循環進行分組進化與混合操作,而在每個分組內部按照差分進化策略對個體不斷進行更新。數值實驗表明該算法具有較強的全局搜索能力,克服了基本差分進化算法易早熟收斂的缺點。將該算法應用于梯級水電站中長期優化調度實例,并與傳統動態規劃法進行比較分析,進一步驗證了其可行性與有效性。

針對電力負荷短期預測問題,提出了一種基于相似日的神經網絡預測方法,分析傳統bp算法的不足,提出一種基于levenbery-marquardt優化法的bp模型學習算法,在建立具體模型時,對于24點負荷預測,采用24個單輸出的神經網絡來分別預測每天的整點負荷值,具有網絡結構較小,訓練時間短的優點,考慮了不同類型的負荷差異,并對四川省電力公司某區一條線路的供電負荷進行短期負荷預測仿真,仿真結果表明其具有較好的預測精度。

針對標準螢火蟲算法(fireflyalgorithm,fa)在求解電力系統優化潮流(opf)問題上出現的早熟收斂和求解精度不高等問題,引入混沌優化和萊維飛行,形成了混沌萊維螢火蟲優化算法(chaoticlévyflightfirelyalgorithm,clfa).對改進的clfa算法進行了推導與分析,并將fa和clfa兩種算法對ieee30節點測試系統進行電力系統優化潮流仿真,用實驗證實算法的有效性.仿真結果表明:改進后的clfa算法避免了早熟收斂,增強了局部搜索能力,提高了求解精度.算法的改進方式具有良好的創新性,學生可以自行開發不同的改進方式,改進后的算法更有利于進行后續的電力系統優化潮流問題研究.

第28卷第19期電網技術vol.28no.19 2004年10月powersystemtechnologyoct.2004 文章編號：1000-3673（2004）19-0014-06中圖分類號：tm715文獻標識碼：a學科代碼：470·4054 粒子群優化算法在電力系統中的應用 袁曉輝1，王乘1，張勇傳1，袁艷斌2 （1．華中科技大學，湖北省武漢市430074；2．武漢理工大學，湖北省武漢市430071） asurveyonapplicationofparticleswarmoptimization toelectricpowersystems yuanxiao-hui1，wangcheng1，zhangyong-chuan1，yuanya

隨著電力系統規模的日益擴大和電力市場改革的實施，保證電力系統安全、經濟、穩定、可靠地運行越來越重要。本文對pso算法在電力系統中應用的研究現狀進行了較為全面的總結，主要包括在電網擴展規劃、檢修計劃、機組組合、負荷經濟分配、最優潮流計算與無功優化控制、諧波分析與電容器配置、網絡狀態估計、參數辨識、優化設計等方面的應用研究成果。

鄭州大學 碩士學位論文 電力系統短期負荷預測方法的研究 姓名：張德玲 申請學位級別：碩士 專業：電力系統及其自動化 指導教師：陳根永 20070515 電力系統短期負荷預測方法的研究 作者：張德玲 學位授予單位：鄭州大學 本文鏈接：http://d.g.wanfangdata.com.cn/thesis_y1059836.aspx

首先,簡要介紹了深度學習算法的有關內容,包括深度學習與神經網絡的比較和深度學習的訓練過程。其次,從負荷的日屬性、負荷的周屬性、溫度因素、節假日因素這幾個方面對負荷的特性進行了研究。最后,根據負荷的歷史數據,應用深度學習算法進行了短期負荷預測,并將其預測結果與bp神經網絡的預測結果做了比較。

針對電力負荷短期預測問題,提出了一種基于相似日的神經網絡預測方法,在建立具體模型時,對于24點負荷預測,采用24個單輸出的神經網絡來分別預測每天的整點負荷值,具有網絡結構較小,訓練時間短的優點,考慮了不同小時類型的負荷差異,具有較高的預測精度。分析了如何采用bp多層感知器的隱層數及隱層單元數。最后對四川省電力公司某區一條線路的供電負荷進行短期負荷預測仿真,仿真結果表明其具有較好的預測精度。

分析了大規模風電給電力系統實時調度所帶來的若干問題,依據節能減排原則,以消納風電最大化和火電機組一次能源消耗最小化為雙重目標,建立了含大規模風電的實時調度模型。在量子粒子群算法基礎上加入混沌初始化和混沌擾動,形成混沌量子粒子群優化算法。基于修改的ieee-118節點系統進行仿真計算,結果表明:建立的模型能在最大程度消納風電的前提下,最大限度地減少一次能源消耗,達到節能減排的目的;采用的算法計算速度快、收斂性能好,滿足實時性的要求。

提出一種求解梯級水電系統短期發電計劃問題的新方法——混沌雜交進化算法(chea)。該算法將混沌序列與進化算法有機結合在一起,同時采用浮點數編碼并構造一種新的自適應誤差反向傳播變異算子,從而有效抑制了進化算法的“早熟”現象和收斂速度慢等缺陷。仿真計算結果表明,該方法可以求解具有復雜約束條件的非線性優化問題,算法求解精度高、收斂速度快,從而為水電系統的短期發電計劃問題提供了一種有效的方法

針對水火電系統的多約束、時滯非線性特點,建立了帶有梯級水電廠的電力系統模型,并采用量子粒子群(qpso)算法對系統進行優化求解。為了解決基本量子粒子群算法容易陷入局部最優解的問題,提出了一種改進量子粒子群(iqpso)算法。為了驗證該算法的性能,運用matlab編寫程序,利用典型的4水電3火電系統算例進行仿真。算例表明,改進的量子粒子群算法具有更好的收斂特性。

電力系統負荷預測是電力系統中的一個重要的研究課題。對神經網絡算法和時間序列預測算法進行加權融合,提出一種混合算法對eunite競賽數據進行了短期電力負荷預測。實驗結果表明負荷預測精度得到了很大的提升。

為解決bp神經網絡應用于入侵檢測時檢測率較低、訓練時間過長的問題,對改進差分進化算法(samde)優化bp神經網絡并用于入侵檢測的可行性進行研究.該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對差分進化算法進行改進以提高其全局尋優能力.用改進后的算法優化bp神經網絡權值閾值.通過逐次的迭代訓練使bp神經網絡收斂,將優化過的bp神經網絡用于入侵檢測.仿真實驗結果顯示,優化的bp網絡在收斂速度和精度方面有明顯提升,用于入侵檢測時提高了檢測準確率,縮短了訓練時間.

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

【目的】針對傳統優化算法的不足,將微分進化算法應用到水電站水庫優化調度問題中,建立新的優化算法模型。【方法】建立基于微分進化算法的水電站水庫優化調度模型,并給出具體求解步驟。為驗證算法的有效性,將其應用于具體水電站水庫的優化調度計算中,最后將該方法與遺傳算法的計算結果進行了對比。【結果】實例計算結果表明,與遺傳算法相比,微分進化算法收斂速度快,可調參數少,計算精度高,穩定性好,且該算法簡單、容易實現,具有較強的全局搜索能力。【結論】微分進化算法在解決水電站水庫優化調度問題時具有很強的適用性,為求解水電站水庫優化調度問題提供了新思路。

基于使用優化算法來計算果蠅,提出了一種修正算法研究,即無功優化和控制算法。這些算法有利于降低電力系統的有功損耗。設β為修正因子,然后代入基礎的算法中對這個基礎的foa算法進行修正和優化,從而避免foa算法容易僅將焦點關注于局部而非整體。采用foa、pso、mfoa以及內點法來研究ieee30節點系統,通過研究對比發現,mfoa相較于其他幾種算法,計算結果較為準確,且收斂效率更高。

針對傳統粒子群算法在無功優化中易陷入局部最優和后期收斂慢等問題,提出了基于量子粒子群混合算法的無功優化計算方法。該算法將量子疊加態思想引入到粒子群算法中,使得單個粒子能表示更多的狀態和量級,增加了種群的多樣性;采用量子旋轉門更新粒子的速度和位置,提高了收斂的速度。用該算法對ieee30節點系統進行無功優化計算,并與粒子群算法和遺傳算法的優化結果進行比較,仿真結果表明,該算法能夠更好地獲得全局最優解,具有實用意義。