论文题目: 群集智能计算和多智能体技术及其在电力系统优化运行中的应用研究
论文类型: 博士论文
论文专业: 电力系统及其自动化
作者: 赵波
导师: 曹一家
关键词: 电力系统优化运行,群集智能计算,免疫算法,粒子群优化算法,多智能体系统,最优潮流,机组组合,无功优化
文献来源: 浙江大学
发表年度: 2005
论文摘要: 近年来,我国电力工业高速发展,发电装机容量和年发电量跃居世界领先地位。针对电力工业这样的超大型企业,提高运行效率,力争达到运行优化,将会带来巨大的经济效率。因此,电力系统优化运行问题的研究显得越来越重要和迫切;如何在已有研究成果的基础上继续完善、改进和探索收敛速度快、适应性强的电力系统优化调度模型及其算法,具有巨大的经济和工程意义。 群集智能计算和多智能体技术都是近年来人工智能领域探讨的热门方向,它们已经在许多领域得到了成功的应用,显示了较强的发展潜力。因此,本文对群集智能计算与多智能体技术进行了研究,并且对两种技术的结合在电力系统优化运行中的应用进行了深入的探讨。全文的内容主要包括以下几个章节: 第一章节详细介绍了群集智能计算和多智能体技术的研究现状及其在电力系统中的应用前景,阐述了本课题的研究意义。最后,阐明了本课题的主要任务。 第二章节针对两种群集智能优化算法的不足,提出了改进免疫算法和改进粒子群优化算法。两种算法通过收敛性分析可知,若能恰当地选择算法的控制参数,其计算速度、计算精度和算法收敛性均能得到显著的提高。通过一系列典型标准函数的测试,结果表明两种改进的算法均可以显著地提高计算效率和计算精度,算法收敛性较好。 第三章节应用改进免疫算法求解电力系统最优潮流问题和改进粒子群优化算法求解电力系统机组组合问题。在求解最优潮流问题时,提出了动态调节罚函数的方法,有效解决了求解过程中约束条件违限的问题;在对机组组合问题的求解过程中,首先将机组组合问题的0、1变量进行松弛,应用罚函数方法将此问题转化为一个非线性连续变量的规划问题,使其适合改进粒子群优化算法进行求解。针对不同电力系统优化运行问题的求解,两种算法均显示了较强的寻优能力,具有实用价值。 第四章节将粒子群优化算法结合在一个多智能体系统中,提出了一个全新的粒了群优化算法的多智能体系统,并应用它来求解电力系统无功优化问题。该系统中的每一个Agent相当于粒子群优化算法中的一个粒子,它们“居住”在一个格子环境中,每个Agent通过与其邻居进行竞争与合作操作、自学习操作,并且结合粒了群优化算法的进化机理,能够对求解的优化问题快速、准确地收敛到全局最优解。同时在求解无功优化问题时,提出了一种简单易行的“切割”方法,在不影响系统寻优的
论文目录:
摘要
ABSTRACT
第一章 绪论
1.1 选题的背景、依据和研究意义
1.2 群集智能概述
1.2.1 群集智能
1.2.2 群集智能计算
1.2.3 群集智能计算在电力系统的应用情况
1.3 多智能体技术概述
1.3.1 Agent概念
1.3.2 多智能体系统
1.3.3 多智能体技术的研究现状
1.3.4 多智能体技术在电力系统中的应用情况
1.4 本文的主要工作
第二章 两种改进的群集智能优化算法
2.1 引言
2.2 克隆选择算法
2.3 改进免疫算法及其收敛性分析
2.3.1 改进免疫算法
2.3.2 参数的选择
2.3.3 改进免疫算法的收敛性分析
2.3.4 改进免疫算法优化效率的评价
2.3.5 算例分析
2.3.6 效率评估
2.4 粒子群优化算法
2.4.1 粒子群优化算法的基本思想
2.4.2 粒子群优化算法的参数设置
2.4.3 两种典型的粒子群优化算法
2.5 改进粒子群优化算法及其收敛性分析
2.5.1 改进粒子群优化算法
2.5.2 改进粒子群优化算法的收敛性分析
2.5.3 算例分析
2.6 小结
第三章 改进的群集智能优化算法在电力系统优化运行中的应用
3.1 引言
3.2 改进免疫算法在最优潮流中的应用
3.2.1 最优潮流的数学模型
3.2.2 动态调整罚函数法
3.2.3 改进免疫算法求解最优潮流的计算步骤
3.2.4 改进免疫算法在最优潮流中的应用实例
3.3.改进粒子群优化算法在电力系统机组组合中的应用
3.3.1 机组组合的数学模型
3.3.2 机组组合问题中一些变量的处理
3.3.3 改进粒子群优化算法在机组组合中的应用实例
3.4 小结
第四章 基于粒子群优化算法的多智能体系统在电力系统无功优化中的应用
4.1 引言
4.2 电力系统无功优化的数学模型
4.3 基于粒子群优化算法的多智能体系统
4.3.1 标准粒子群优化算法
4.3.2 Agent和多智能体系统
4.3.3 基于粒子群优化算法的多智能体系统的实现
4.4 基于粒子群优化算法的多智能体系统在无功优化中的应用
4.4.1 无功优化中混合变量的处理
4.4.2 基于粒子群优化算法的多智能体系统求解无功优化问题的步骤
4.4.3 算例分析
4.5 小结
第五章 协同进化的多智能体系统在大规模电力系统无功优化中的应用
5.1 引言
5.2 协同进化计算
5.2.1 协同进化的概念
5.2.2 竞争型协同进化
5.2.3 合作型协同进化
5.3 多群体合作型协同进化模型
5.3.1 结构描述
5.3.2 数学模型分析
5.3.3 合作型协同进化的数值试验
5.4 协同进化的多智能体系统体系结构
5.4.1 协同进化Agent的结构
5.4.2 多智能体系统体系结构
5.4.3 多智能体系统的工作流程
5.5 协同进化的多智能体系统在大规模电力系统无功优化中的应用
5.5.1 分层控制的无功优化
5.5.2 协同决策模块的设计
5.5.3 算例分析
5.6 小结
第六章 动态无功优化计算的多智能体系统
6.1 引言
6.2 电力系统动态无功优化模型
6.2.1 动态负荷模型
6.2.2 动作次数约束
6.2.3 优化模型
6.3 动态无功优化计算的多智能体系统
6.3.1 动态无功优化问题的分析
6.3.2 系统结构
6.3.3 Agent间的协商机制
6.4 算例分析
6.5 小结
第七章 总结
参考文献
附录Ⅰ IEEE30节点系统参数
附录Ⅱ 试验系统参数
致谢
攻读博士学位期间发表的论文
发布时间: 2006-07-12
参考文献
- [1].基于群集智能模式识别方法的研究[D]. 张颖.大连理工大学2008
- [2].群集智能及其在分布式系统中的应用研究[D]. 蒲汛.电子科技大学2012
- [3].基于群集智能与算法融合的电力负荷组合预测[D]. 陆宁.华中科技大学2010
- [4].强跟踪状态估计与群集辨识[D]. 柯晶.浙江大学2003
- [5].基于群集智能的最优化算法研究及其应用[D]. 楚湘华.哈尔滨工业大学2014
- [6].基于混沌蚂蚁的群集协同求解算法及应用[D]. 葛方振.合肥工业大学2012
- [7].基于群集智能的复杂问题优化算法与应用研究[D]. 唐若笠.武汉大学2016
- [8].群集智能理论及其在多机器人系统中的应用研究[D]. 刘佰龙.哈尔滨工程大学2009
- [9].自由搜索算法及其在传感器网络中的应用[D]. 周晖.东华大学2010
标签：电力系统优化运行论文; 群集智能计算论文; 免疫算法论文; 粒子群优化算法论文; 多智能体系统论文; 最优潮流论文; 机组组合论文; 无功优化论文;