微粒群算法研究及其在電力無功優(yōu)化中的應用.pdf

1、無論是在電力行業(yè)還是在金融證券行業(yè)都會涉及到復雜的、非線性數(shù)學模型,由于受到低聚集性及高緯度的限制使得傳統(tǒng)的解析方法在解決這類問題時束手無策,這就凸顯了解決多個非線性最優(yōu)化問題的重要性。基于啟發(fā)式智能算法是一種高效群體算法.作為群體智能算法的一員,微粒群算法具有原理簡單、參數(shù)少、易操作、收斂快和較強的通用性,且具有全局尋優(yōu)等優(yōu)點,不失為解決大規(guī)模高緯度非線性規(guī)劃問題的有效方法.
　　微粒群算法(Particle Swarm Opt

2、imization，PSO),是非線性連續(xù)優(yōu)化問題、組合優(yōu)化問題和混合整數(shù)非線性優(yōu)化問題的有效優(yōu)化工具(Fukuyama Y.,2002).PSO算法已在函數(shù)優(yōu)化、電力系統(tǒng)優(yōu)化、神經(jīng)網(wǎng)絡訓練、TSP問題等領域獲得了廣泛應用,并取得了不錯的成績.盡管微粒群算法自1995年由美國社會心理學家Kennedy和電氣工程師Eberhart共同提出以來,取得了快速發(fā)展,在多個方面進行了改進,但是由于微粒群算法本身在尋優(yōu)過程中存在一定盲目性,易出現(xiàn)局

3、部收斂等問題,還有待進一步研究,使得算法無論從理論分析還是實踐應用都更趨向成熟和完善.
　　本文首先介紹了微粒群算法和電力系統(tǒng)無功優(yōu)化研究的相關背景及理論知識,對微粒群算法的相關工作了一個簡單的概述.在研究已改進的微粒群算法的基礎上,針對基于聚類分析的微粒群算法進行了專項研究,然后主要針對微粒群算法容易陷入局部最優(yōu)這一問題,通過保持種群多樣性的方法予以解決即把聚類分析的思想引入微粒群算法對標準微粒群進行改進,通過標準函數(shù)證明此算法