基于改进简化粒子群算法的多目标输电网规划
基于粒子群算法的配电网优化设计
基于粒子群算法的配电网优化设计随着电力行业的发展，配电网系统已经成为了现代城市能源分配的关键设施之一。
为了满足用户对电力的需求，配电网需要得到不断的优化和改进，以提高其效率和质量。
传统的优化设计方法面临着很大的挑战，因为配电网的复杂性和不确定性很难被精确地建模和解决。
因此，进一步研究和发展新的优化算法才能满足人们对配电网优化设计的需求。
粒子群算法是一种高效的全局优化算法，它的原理是通过模拟一个粒子群在搜索空间中的移动，以寻找最优解。
在配电网优化设计中，粒子群算法可以用来优化配电网的结构、负载分配、电力质量等方面，从而实现配电网的高效运行。
在配电网结构优化方面，粒子群算法可以通过调整配电网的拓扑结构和容量配置，提高其供电质量和可靠性。
在算法实现过程中，需要将配电网的节点和线路等结构信息转化为粒子的位置和速度，通过运动方程来模拟粒子的移动，并逐步找到最优解。
在配电网负载分配优化方面，粒子群算法可以通过调整不同负载节点之间的电力分配，以达到最优的负载平衡。
在算法实现过程中，需要将每个负载节点的负荷情况转化为粒子的适应度，通过不断更新最优解来达到最优的负载分配方案。
在配电网电力质量优化方面，粒子群算法可以通过优化无功补偿、容性补偿等方式，提高配电网的电力质量和稳定性。
在算法实现过程中，需要将无功补偿、容性补偿等因素转化为粒子的适应度，通过不断迭代来优化最优解，以达到最优的电力质量优化方案。
总体来说，基于粒子群算法的配电网优化设计具有简单、高效、全局优化等优点，可以为配电网优化设计提供有效的解决方案。
此外，还可以结合分布式能源、电动汽车等新能源技术，对配电网进行综合优化设计，提高能源利用效率和环保水平。
基于多目标粒子群算法的电力系统优化调度
基于多目标粒子群算法的电力系统优化调度一、绪论随着经济的发展，全球能源需求和使用量不断增长，电力系统的优化调度也变得越发重要。
当今电力系统的特点之一是大规模、复杂性高、互联互通，同时在保证整个系统安全、稳定运行的前提下，还需要降低用电成本，合理利用各种能源，减少环境污染。
这就对电力系统优化调度提出了更高的要求和挑战。
传统的电力系统优化调度方法存在许多问题，如计算速度慢，调度效果差，解的有效空间小等。
因此，多目标粒子群算法作为一种新型的优化方法被提出，其具有全局寻优的能力、计算速度快的优点等，成为当前电力系统优化调度的热门研究方法。
本文将重点介绍基于多目标粒子群算法的电力系统优化调度研究。
二、电力系统优化调度电力系统优化调度是指将电力系统中各类可控设备从长期、中期、短期不同时间尺度上进行计划调度，以达到在保证供电安全、稳定的前提下，实现节约用电、优化电力系统结构和维护环境等多目标优化。
在长期调度中，主要考虑电力系统年度计划和规划，如装机容量、负荷预测、送电方式、发电机组配置等；在中期调度中，主要考虑电力系统月度、季度调度，主要包括发电机组出力安排、线路负荷分配等；在短期调度中，主要考虑电力系统日、时段调度，主要包括电力负荷预测、发电机组出力控制、电力市场运行等。
传统电力系统优化调度方法主要采用线性规划、整数规划、动态规划等数学模型，但这些方法虽然基础扎实，但缺乏全局寻优的能力，并不能解决复杂的电力系统优化问题。
三、多目标粒子群算法3.1 算法概述多目标粒子群算法是基于粒子群算法、遗传算法和多目标优化的结合，其基本思想是通过在多目标空间中求解非劣解集合来避免单点搜索陷入局部最优解，从而实现全局优化目标。
3.2 算法流程多目标粒子群算法的主要流程如下：(1)初始化种群，包括每个粒子的位置和速度(2)根据评价函数计算种群中每个个体的适应度(3)更新种群中每个粒子的速度和位置(4)根据多目标优化原则，选择出非劣解集(5)终止条件判断，若满足终止条件则输出非劣解集，否则返回(2)3.3 算法优点多目标粒子群算法具有以下优点：(1)具有强大的寻优能力，能够有效避免单点搜索陷入局部最优解的情况；(2)计算速度快，能够在很短的时间内求解出复杂的非线性多目标优化问题；(3)具有较好的鲁棒性，对模型参数的变化不敏感，实用性较强。
多目标粒子群优化算法在城市供电中的应用
多目标粒子群优化算法在城市供电中的应用摘要：多目标粒子群优化算法是一种新型群智能进化计算技术，它模拟鸟群觅食的行为，在鸟群彼此个体之间共享信息和根据自身经验总结来修正其行动策略，既体现了个体影响也体现了社会群体影响，最终取得问题最优解。
粒子群算法能够方便地处理大量的等式、不等式约束，以及包含连续变量和离散变量的优化问题。
基于此，文章对多目标粒子群优化算法在城市供电中的应用进行了总结和分析。
关键词：多目标粒子群优化算法；城市供电；应用1 多目标粒子群优化算法在城市供电中的必要性电力是国家主要能源基础，涉及到国家经济命脉。
现代电力的发展已经进入到了多效益时代，关乎全球资源、环境保护和可持续发展。
同时，用户对电能质量和可靠性的要求不断提高，未来电力事业的发展需朝着向更加安全可靠、清洁环保的优质电能的发、输、配、变发展。
目前，我国已经进入了电力全面建设的阶段。
在电力建设中，合理的发、输、配、变规划不仅增强了电网的可靠性，而且提高了电网的经济性，节省了人力和财力。
例如，在发电过程中，如何做到更低的燃料消耗，同时考虑能否减小发电过程中燃料消耗对环境的影响。
在输电过程中，输电网如何规划能达到一个更加经济可靠的输电网络。
在配电过程中，无功补偿如何做到补偿的位置和容量最优，达到网损更低，电压偏差更小，电压稳定性更好的目标。
在变电过程中，有载调压变压器分接头如何正确合理地调节，以达到获得稳定优质电能的标准等。
然而，城市供电中的问题存在非线性，多约束，非凸性，高维的难题。
传统的数学计算方法，如动态规划方法、大系统分解系统方法、网络流规划法等在求解城市供电问题时都存在着维数灾难、收敛不稳定等缺陷。
因此，为了求解城市供电中的优化问题引入了粒子群算法。
粒子群算法能够很好地解决以上难题，并且具有收敛速度快，多粒子并行处理，易于实现等优点。
本文采用的优化算法是在经典粒子群算法的基础上，采取各种改进方式，加速了收敛速度，提高了收敛精度；计算结果随机性小，稳定性好；有较强的全局搜索能力；达到了较好的辅助决策作用。
基于改进粒子群优化算法的分布式电源规划
基于改进粒子群优化算法的分布式电源规划摘要：针对目前配电网中存在的分布式电源规划问题，在最大化电压静态稳定性、最小化配电网损耗以及最小化全年综合费用三个方面建立了分布式电源规划的优化模型。
在规划模型的基础上，采用拥挤距离排序的多目标量子粒子群优化算法（MOQPSO-CD）以及基于量子行为特性的粒子群优化算法（QPSO），来更新和维护外部存储器中的最优解，通过对全局最优最小粒子的选择引导粒子群能够对分布式电源的配置容量与接入点位置的真实Pareto最优解集进行查找，获得对多个目标参数进行合理优化。
最后采用IEEE33节点的配电系统，在模拟仿真实验过程中获得了分布式电源容量配置以及介入位置的合理方案，验证了优化算法的可行性。
【关键词】分布式电源规划Pareto最优解配电网分布式电源（Distributed Generation，DG）由于其在减少环境污染、节约成本、发电方式灵活、减少发电输送中的线路损耗、改善电网中的能源质量以及提高电网供电稳定性等方面具有优点，在配电网中发展迅速。
然而，在配电网中加入分布式电源会使电网中原有的结构发生改变，从而导致节点电压、线路损耗与网络损耗产生了不同程度的变化。
如果分布式电源注入容量与接入点位置的配置出现问题，会加大电网中线路与网络等损耗，并且会对电网供电的可靠性产生严重影响，因此，针对这一现象，对DG的容量与配置参数进行合理的优化具有重要意义。
国内外许多学者曾对DG的参数配置优化问题进行了较为深入的研究并取得了一定进展。
文献[1]针对分布式电源中的地址定容问题采取了单一目标的优化方法，但是该方法在实际电网中的可行性存在问题。
文献[2]采用传统的模糊理论提出将电网中具有多目标优化方案转变为只有单一目标的优化方法，并且采用遗传算法，优化了分布式电源中的容量与位置。
文献[3]对于配电网中DG的容量与选址通过改进遗传算法进行优化，但是该方法存在计算时间长、算法过于复杂有时会计算得出局部的最有求解等缺点。
基于改进粒子群算法的工程设计优化问题研究
基于改进粒子群算法的工程设计优化问题研究在当今的工程领域，优化设计问题至关重要。
它不仅能够提高工程产品的性能和质量，还能有效降低成本和缩短研发周期。
而粒子群算法作为一种强大的优化工具，在解决工程设计优化问题方面展现出了巨大的潜力。
然而，传统的粒子群算法在某些复杂的工程问题中可能存在局限性，因此对其进行改进成为了研究的热点。
粒子群算法的基本原理是模拟鸟群觅食的行为。
在算法中，每个粒子代表问题的一个潜在解，它们在解空间中飞行，通过不断调整自己的速度和位置来寻找最优解。
粒子的速度和位置更新取决于其自身的历史最优位置和整个群体的历史最优位置。
这种简单而有效的机制使得粒子群算法在处理许多优化问题时表现出色。
然而，在实际的工程设计优化中，问题往往具有高维度、多约束和非线性等特点，这给传统粒子群算法带来了挑战。
例如，在高维度空间中，粒子容易陷入局部最优解；多约束条件可能导致算法难以满足所有约束；非线性特性则可能使算法的搜索变得困难。
为了克服这些问题，研究人员提出了多种改进粒子群算法的策略。
其中一种常见的方法是引入惯性权重。
惯性权重的引入可以控制粒子的飞行速度，使其在搜索过程中更好地平衡全局搜索和局部搜索能力。
较大的惯性权重有利于全局搜索，能够帮助粒子跳出局部最优；较小的惯性权重则有助于在局部区域进行精细搜索，提高解的精度。
另一种改进策略是对粒子的学习因子进行调整。
学习因子决定了粒子向自身历史最优位置和群体历史最优位置学习的程度。
通过合理设置学习因子，可以提高算法的收敛速度和搜索效率。
此外，还有一些研究将粒子群算法与其他优化算法相结合，形成混合算法。
例如，将粒子群算法与遗传算法相结合，利用遗传算法的交叉和变异操作来增加种群的多样性，避免算法早熟收敛。
在工程设计优化问题中，改进粒子群算法已经取得了许多显著的成果。
以机械工程中的结构优化设计为例，通过改进粒子群算法，可以在满足强度、刚度等约束条件的前提下，优化结构的形状、尺寸和材料分布，从而减轻结构重量，提高结构的性能。
基于粒子群算法的配电网优化设计
基于粒子群算法的配电网优化设计
配电网是城市电力系统的重要组成部分，其优化设计对于降低电力系统的能耗，提高供电质量和经济效益具有重要意义。
基于粒子群算法的配电网优化设计是运用粒子群算法（PSO）进行配电网优化设计的一种方法，可以有效优化配电网的运行效率和经济性。
粒子群算法是一种基于群体智能的优化算法，其基本思想是通过模拟鸟群或鱼群等自然群体的行为方式，利用个体之间的交互作用和信息共享来寻找最优解。
粒子群算法的优点在于简单易用、全局优化能力强、不易陷入局部最优等特点，因此在配电网优化设计中得到了广泛应用。
粒子群算法的主要思想是将问题的解表示为一个粒子的位置，利用粒子之间的交互作用和信息共享寻求目标函数的全局最优解。
每个粒子的速度和位置根据其个体信息以及群体信息进行更新，直至达到最优解或满足收敛准则停止。
在配电网优化设计中，粒子群算法的主要应用包括负荷分配问题、电源优化问题、电网规划问题等。
例如在电源优化问题中，粒子群算法可以应用于确定各电源的出力，使得总成本最小。
在电网规划问题中，粒子群算法可以应用于选择最佳线路以及配电变压器的位置等。
在实际应用中，粒子群算法的优化效果取决于选择的目标函数、初始种群大小、迭代次数等因素，因此需要根据实际情况进行调整。
同时，粒子群算法仍存在着局部最优的问题，在优化过程中需要通过多次运行和参数调整等方式来避免陷入局部最优。
总之，粒子群算法是一种有效的配电网优化设计方法，可以优化配电网的成本、效率和可靠性等方面，对于电力系统的可持续发展具有重要意义。
基于粒子群算法的配电网优化设计
基于粒子群算法的配电网优化设计粒子群算法是一种常用的优化算法，它模仿鸟群或鱼群的行为，在问题解空间内搜索最优解。
配电网优化设计是粒子群算法的一个应用领域，它将粒子群算法应用于配电网的优化设计中，以提高配电网的稳定性和可靠性。
首先，需要建立配电网模型。
配电网模型由各个节点和连接它们的线路组成。
每个节点和线路都有一些属性，如电压、电流、功率等，这些属性可以用来描述节点和线路的状态。
在建立配电网模型时，还需要考虑负荷和发电机的影响，以及可能的故障和停电情况。
接下来，通过粒子群算法来优化配电网的设计。
在粒子群算法中，每个粒子代表一个潜在的解，它的位置表示一个设计参数的组合，如线路的电阻、电感等参数。
每个粒子的运动受到自身历史最优解和全局最优解的引导，这样可以有效地搜索问题的解空间，找到最优解。
为了应用粒子群算法进行配电网优化设计，需要定义适应度函数来评估每个粒子的解的质量。
适应度函数应该考虑配电网的稳定性和可靠性等方面的因素，例如电流的平衡度、电压的稳定度和可靠性指标等。
根据适应度函数的结果，可以对每个粒子进行评估和排序，并更新每个粒子的速度和位置。
最后，根据粒子群算法的结果来优化配电网的设计。
通过不断迭代，可以逐步接近最优解，并得到一个优化的配电网设计方案。
此外，还需要进行仿真和评估，以确保方案的稳定性和可靠性，同时满足不同需求的约束条件。
总之，基于粒子群算法的配电网优化设计具有高效和可靠的优化能力，可以优化配电网的结构和参数设置，提高配电网的稳定性和可靠性。
这将有助于推进能源的可持续发展，促进经济的繁荣和社会的进步。
基于粒子群算法的配电网无功优化研究
基于粒子群算法的配电网无功优化研究配电网无功优化问题是指在配电网运行中，通过调整无功补偿装置（如无功补偿电容器等）的投入和退出，以优化系统的功率因数，降低电网的无功损耗，提高电网的功率质量和效率。
这是一个典型的多目标优化问题，同时涉及到无功补偿设备的投资成本和运行成本，以及电网的功率因数改善、电网损耗降低等多个指标。
粒子群算法（Particle Swarm Optimization，PSO）是一种常用的优化算法，模拟了鸟群觅食的过程，通过个体之间信息的共享和学习，以寻找全局最优解的方式进行。
基于粒子群算法的配电网无功优化研究主要包括以下几个方面：首先，需要建立配电网的模型。
该模型需要考虑电网的拓扑结构、节点的电压和相角等参数，并考虑无功补偿装置的投入和退出对系统的影响。
同时，还需要考虑电力负荷的变化、电压约束条件等因素，从而构建配电网无功优化的数学模型。
其次，需要确定优化目标。
根据具体的需求，可以选择不同的优化目标，如最小化电网的无功损耗、最大化电网的功率因数等。
同时，还需要考虑无功补偿装置的投资成本和运行成本，以及电网的安全性等因素，综合考虑多个指标，建立多目标优化的数学模型。
然后，需要设计适应度函数。
适应度函数衡量了解决方案的优劣程度，作为粒子群算法过程中的评价标准。
适应度函数需要综合考虑各个优化目标，并将其转化为数值化的指标。
接下来，需要设计粒子群算法的参数设置。
包括种群大小、最大迭代次数、惯性权重等参数的确定。
这些参数设置直接影响到过程的效率和准确性。
最后，可以通过编程实现基于粒子群算法的配电网无功优化模型，并进行仿真实验。
通过对不同大小的配电网进行实验验证，评估算法的性能和效果。
同时，还可以将该算法与其他优化算法进行比较，以进一步验证其优越性。
总之，基于粒子群算法的配电网无功优化研究可以有效地解决配电网无功优化问题，提高电网的功率质量和效率。
但需要注意的是，在实际应用中还需要考虑到电力系统的实时运行条件和设备的实际操作限制等实际问题。
基于粒子群算法求解多目标优化问题
基于粒子群算法求解多目标优化问题一、本文概述随着科技的快速发展和问题的日益复杂化，多目标优化问题在多个领域，如工程设计、经济管理、环境保护等，都显得愈发重要。
传统的优化方法在处理这类问题时，往往难以兼顾多个目标之间的冲突和矛盾，难以求得全局最优解。
因此，寻找一种能够高效处理多目标优化问题的方法，已成为当前研究的热点和难点。
粒子群算法（Particle Swarm Optimization, PSO）作为一种群体智能优化算法，具有收敛速度快、全局搜索能力强等优点，已经在多个领域得到了广泛应用。
近年来，粒子群算法在多目标优化问题上的应用也取得了显著的成果。
本文旨在探讨基于粒子群算法求解多目标优化问题的原理、方法及其应用，为相关领域的研究提供参考和借鉴。
本文首先介绍多目标优化问题的基本概念和特性，分析传统优化方法在处理这类问题时的局限性。
然后，详细阐述粒子群算法的基本原理和流程，以及如何将粒子群算法应用于多目标优化问题。
接着，通过实例分析和实验验证，展示基于粒子群算法的多目标优化方法在实际问题中的应用效果，并分析其优缺点。
对基于粒子群算法的多目标优化方法的发展趋势和前景进行展望，为未来的研究提供方向和建议。
二、多目标优化问题概述多目标优化问题（Multi-Objective Optimization Problem, MOP）是一类广泛存在于工程实践、科学研究以及社会经济等各个领域中的复杂问题。
与单目标优化问题只寻求一个最优解不同，多目标优化问题涉及多个相互冲突的目标，这些目标通常难以同时达到最优。
因此，多目标优化问题的解不再是单一的最优解，而是一组在各个目标之间达到某种平衡的最优解的集合，称为Pareto最优解集。
多目标优化问题的数学模型通常可以描述为：在给定的决策空间内，寻找一组决策变量，使得多个目标函数同时达到最优。
这些目标函数可能是相互矛盾的，例如，在产品设计中，可能同时追求成本最低、性能最优和可靠性最高等多个目标，而这些目标往往难以同时达到最优。
基于改进粒子群算法电力系统多目标无功优化
基于改进粒子群算法电力系统多目标无功优化武因培;张绍德;陈刚;王赟【期刊名称】《能源与节能》【年(卷),期】2013(000)001【摘要】在传统的电力系统无功优化问题的基础上,建立了同时兼顾电力系统有功网损最小和电压偏移最小的多目标无功优化模型,并且针对多目标优化问题,提出了一种改进的多目标粒子群算法,该算法利用计算非支配排序和拥挤距离方式更新粒子的个体最优值和全局最优值并保留每一次迭代后的一部分精英解集,最终结果在精英集合中找寻所需的Pareto前端；引入变异算子和动态权重算子,增强了寻优能力,降低了结果早熟和陷入局部最小值的可能,最后将该算法应用于IEEE 14节点系统进行测试,结果表明该算法不仅实现了系统经济运行同时也提高了电网的电压稳定,并且为用户提供了多样化的解集,方便用户根据实际情况灵活选择.【总页数】4页(P17-19,31)【作者】武因培;张绍德;陈刚;王赟【作者单位】安徽工业大学电气信息学院,安徽马鞍山243002;安徽工业大学电气信息学院,安徽马鞍山243002;安徽工业大学电气信息学院,安徽马鞍山243002;安徽工业大学电气信息学院,安徽马鞍山243002【正文语种】中文【中图分类】U665.12【相关文献】1.基于改进粒子群算法电力系统多目标无功优化 [J], 武因培;张绍德;陈刚;王赟;2.基于新型多目标粒子群算法的电力系统动态无功优化 [J], 李璇;李玎3.基于混沌免疫接种粒子群算法的电力系统多目标无功优化 [J], 张洪波;杨琳;刘金龙;杨德龙;张晨4.基于多目标粒子群算法的电力系统无功优化 [J], 张聪誉;陈民铀;罗辞勇;翟进乾;姜毅5.改进粒子群算法的电力系统多目标无功优化 [J], 吴育芝;邹晓松;袁旭峰;熊炜;姚刚因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｉ ｐｒ ｖ ｄ Ｓ ｍ ｐｌ ｒ ｉ ｌ ｗａ ｍ ｍ ｏ ｅ ｉ ｅ Ｐａ ｔｃｅ Ｓ ｒ Ｏｐｔｍ ｉａ ｉ ｎ Ａｌ ｏ ｉｈ ｉ ｚ ｔｏ ｇ ｒｔ ｍ
Ｗ Ｕ ｎ， ＨＥＮＧ ｉ ｑｎ ，Ｃ Ｘｉ Ｓ Ｓ－ ｉｇ ＡＯ Ｌ ｎ ｉ
（ｃ ｏｌ ｆ ｌｃｒ ａ ＆ Ｅｅｔ ｎｃＥ ｇｎ ｅｉｇ Ｎ ａ ｈｎ ｌ ｔｃＰ ｗ ｒ ｎｖｒｉ ， ａ ｄｎ ７ ０ ３ ｈｎ ） Ｓ ｈ ｏ ｏ ｅｔ ｃｌ Ｅ ｉ ｌｃ ｏ ｉ ｎ ｉｅ ｒ ， ｏ ｈＣ ｉａＥ ｅ ｒ ｏ ｅ ｉｅｓｙ Ｂ ｏ ｉｇ０ １ ０ ，Ｃ ｉａ ｒ ｎ ｃｉ Ｕ ｔ
社 会 群体 行 为 ， 多 位 空 间 中构造 被 称 为 “ 子群 ” 在 粒
Ｏ 引 言
电网规 划 的任 务ｌ 根 据 规 划期 间 的 负荷 增 长 ｌ ｌ 是 及 电源 规 划方 案确 认 相应 的最 佳 电 网结 构 ， 以满 足 经济 可靠 输 送 电力 的要 求 。其基 本 原则 是在 保证 将 电力 安 全 可 靠地 输 送 到 负荷 中心 的前 提 下 ， 电 网 使
镁他粒寻群舞、 奄效牲 去
关键 词 ： 输电网规划； 粒子群 算法 ； 惯性权值 。 Leabharlann 中图分类号：Ｍ ７４ Ｔ ４
文献标志码 Ａ。
史章编． ：６３７９ ０２０—ｏ００ ￣ １７－５ ８２ １）５ ｏ３．５ ｔ
Ｐｌ ｎｎｉ ｆＰｏ ｒ Ｔｒ ｎｓ ｉｓｏ ｔ ｒ ｐａ ｓｏ ｓ ｄ ｏ ａ ｎｇ ｏ ｗｅ ａ ｍ ｓ ｉ ｎ Ｎｅ ｗｏ ｋ Ｅｘ ｎ ｉ ｎ Ｂａ ｅ ｎ
，
ｃ ａ ｅ ｄ ｃ ｅ ｓｎｇ ｈ ｎｇ ｅ ｒ ａ ｉ
ｉｅ ｉ ｗ ｉ ｔ Ｄ Ｗ ）ｆ Ｓ ｎ ｒａ ｅ ｈ （ Ｉ ｏ Ｏ，ｕｉｇｎｎｉｅｒ ｔ ｔ ｉｓ ｏ ＤＷ ｐａｅｔｅｌ ｅｒＤＷ ，ｆｃ ｎｌ ｏｔ ｌ ｈ ｌｂｌ ｎ ｃｌ Ｓ ｔ ｇ Ｐ ｓ ｏｌ ａ ｒ ｅ ｅ ｒ Ｉ ｒ ｌ ｎ ａ Ｉ ｅ ｉｅ ｔ ｃｎｒ ｅｇｏａ ａｄｌ ａ ｎ ｎ ｓａ ｇ ｆ ｅ ｃ ｈ ｉ ｆｉ ｙ ｏｔ ｏ Ｐ Ｏ．
ｍ１
‘
亡
一） ｌ＾三
； 『＾ Ｚ
＝ 疗 亡 ＝
基 于 改 进 简 化 粒 子 群 算 法 的 多 目标 输 电 网 规 划
吴 欣 ， 四清 ， 盛 曹 林
（ 华北 电力大 学 电气 与 电子 工程 学院 ， 河北 保 定 ０ １０ ） ７ ０ ３
摘 要： 针对标准粒子群（Ｐｏ ￣法在计算过程中容易陷入局部最优的缺点， ＰＯ ｓ ｓ ）ｔ 对ｓ ｓ 算法做了以下改进： 首先， 简化粒子群算法， 去掉不影响其进化过程的 速度撼 提高收敛精度¨ ； 其次， 将粒子群算法中的惯性权值由线性 递减策略改进为非线性递减策略， 有效地控制 了粒子群优化算法的 全局搜索和局部搜索。在输电网扩展规划中 的应用结果表明， 上述２ 个操作可以 提高Ｐ０ ｓ 算法的收敛 精度ｉ 使算法最终寻找 到全局最优解， 从而证明 了改进
Ａｂｔａ ｔ Ｆ ｒ ｈ ｈｒ ｇ ｆ ｔ ｄｒ ａｔ ｌ Ｓ ａｍ Ｏ ｔ ｚｔｎ （Ｐ Ｏ） ａｇｒｈ ｋｌ ｔ ｃｎｅｇ ｏａ ｏ ｔ ｕ ｔｅ ｓ ｃ： ｏ ｅｓｏｔ ｅｏ ａ ａｄＰ ｒｃ ｗ ｒ ｐｉ ａ ｏ Ｓ Ｓ ｒ ｔ ａ Ｓｎ ｉｅ ｍｉ ｉ ｌｏ ｔｍ ｉ ｌ ｅ ｏｖｒｅｔ ｌｃｌ ｐｉ ｍ， ｉ ｓｉ ｙｏ ｏ ｍ ｈ
ｆ ｌ ｗ ｎ ｍｐ ｏ ｅ ｎ ｓ ａ ｅ ｍａ ｅ ｏ Ｐ Ｏ： ｆ ｓｌ ｓｍｐ ｉ ｈ ａ ｔ ｌ ｗａ ｌ ｐ ｉ ｚ ｔ ｎ ａ ｇ ｒ ｈ ｄ ｓ ａ ｄ ｔ ｅ ｐ ｎ ｃｅ ｖ ｌ ｃｔ ｏｌ ｉ ｇ ｉ ｒ ｖ ｍｅ ｔ ｒ ｄ ｎ Ｓ Ｓ ｏ ｉｔ ｒ ｙ，ｉ ｌ ｙ ｔ ｅ ｐ ｒ ｃｅ ｓ ｒ ｏ ｔ ｆ ｉ ｎ ｍｉａｉ ｌｏ ｉ ｍ， ｉｃ ｒ ｈ ａ ｉ ｌ ｅｏ ｉ ｏ ｔ ｙ ｗｈ ｃ ｏ ｓ ｔａｆ ｃ ｅ ｐ ｏ ｅ ｓｏ ａｃ ｌ ｔ ｇ， ｎ ｒ ｖ ｘｒ ｏ ｄ ｎ ｒ ｙ ｔ ｅｃ ｎ ｅ ｇ ｎ ｅ ｐ ｅ ｉ ｏ ； ｓ ｃ ｎ ｌ ｉｈ ｄ ｅ ｎ’ ｆ ｔ ｈ ｒｃ ｓ ｆｃ ｌｕ ａｉ ａ ｄ ｉ ｏ ｅ ｅ ｔａ ｒ ｉ ａｉ ｈ ｏ ｖ ｒ ｅ ｃ ｒ ｃｓ ｎ ｅ ｔ ｎ ｍｐ ｌ ｉ ｅ ｏ ｄｙ