调度论文关于粒子群优化算法在系统经济调度中的应用论文范文参考资料

粒子群优化算法在系统经济调度中的应用摘要：经济调度作为现代电力系统运行的一个重要原因，已经受到社会的广泛关注和研究。在实际运行中，由于阀点效应，经济调度成为多维非凸非线性优化的原因，这就对模型的求解提出了新的要求。本文建立了考虑阀点效应的经济调度模型，并采用标准粒子群算法进行求解。关键词：粒子群优化算法调度介绍在满足负荷需求的前提下，经济调度的核心原因虽然降低了运行成本，但却受到多种因素的影响和制约。在大系统中，经济调度在一定程度上逐渐成为一种非线性约束原因。受机组本身或相关设备的影响和限制，机组内一般都有禁止运行的区域，从而使发电机的输出在一定程度上不连续。此外，在线装置的输出受上一周期装置输出的限制，即爬升限制。受这些限制的影响和制约，经济调度在一定程度上逐渐成为一个复杂的非凸优化问题。本文用标准粒子群算法对IEEE 6机9节点实例进行了简单的编程分析。1经济调度模型1.1目标函数在传统的调度模型中，就最低发电成本而言，每台发电机的发电成本用二次方程表示。在本文中，该等式描述为：最小值=最小值最小值(1)其中：f是系统的总发电成本；NG是系统中发电机的总数；P是第一个电机的有功功率；F(PG)是第一台发电机的消耗特性。二次函数近似表示为Fi(PGi)=ai biPGi ciP (2)其中：a、b和c是发电机的成本系数，PGi和min是第一台发电机有功输出的下限。1.2限制在发电机运行期间，其输出受限于运行的上限和下限：PGiminPGiPGimax，i=1，2，NG(3)在公式中，PGi、PGimin和PGimax分别是发电机的有功输出及其上限和下限。2粒子群优化算法粒子群优化是一种进化计算技术。该算法由肯尼迪和埃伯哈特于1995年共同研究和开发。通过观察动物的社会行为，在群体中发现了信息的社会共享，从而在一定程度上确立了进化的优势。在算法的开发过程中，这是基础。该算法的基本原理将标准粒子群算法描述为：假设搜索空间是d维的，并且种群中有Np个粒子，那么粒子1在t代种群中的位置被表示为d维向量xti=(xti1，xti2，xtid)。粒子的速度定义为位置的变化，用矢量vti=(vti1，vti2，vtid)。粒子1的速度和位置更新可以通过等式(4)和(5)获得。vij(t 1)=wvij(t)C1 rand 1 ij(pbesti(t)-xij(t)C2 rand 2 ij(gbestj(t)-xij(t)(4)xij(t 1)=xij(t) vij(t)(5)其中t是粒子更新迭代的次数。在三维空间中的第一代粒子I中，它所经历的“最佳”位置表示为pti=(pti1，pti2，PTID)；在粒子群中，“最佳”粒子位置表示为ptg=(ptg1，ptg2，ptgd)；w是惯性系数；C1和c2通常是加速度系数；在区间0，1中，r1和r2服从均匀分布的两个独立随机数。右侧显示了标准粒子群算法的基本流程图：3例分析本文利用IEEE 6机9节点数据和基本粒子群优化算法，用matlab编程实现了电力系统的经济调度。收敛曲线如下图所示。使用的数据如下：_:代斌。基于混沌粒子群优化算法和连续潮流法的静态电压稳定性分析J。SMT(最新版)，xx(02)。李波。2粒子群优化算法及其在桁架结构优化设计中的应用J.值，xx(01)。陈志明。新的量子粒子群优化算法及