目录
主要内容:
文章用的改进粒子群算法是针对惯性因子和学习因子的改进。个人认为惯性因子可以改进,但学习因子改进的作用甚微,因此选择改进了惯性因子,与文章相同;并且在PSO算法中引入变异操作进行改进粒子群算法。自适应变异是借鉴遗传算法中的变异思想,即对某些变量以一定的概率重新初始化。变异操作扩展了在迭代中不断缩小的种群搜索空间,使粒子能够跳出先前搜索到的最优值位置,在更大的空间中开展搜索,同时保持了种群多样性,提高算法寻找最优值的可能性。因此,在普通粒子群算法的基础上引入简单变异算子,在粒子每次更新之后,以一定概率重新初始化粒子。综上:本程序采用的改进粒子群算法考虑了惯性因子和粒子自适应变异的改进。
对于文章《基于改进粒子群算法的微电网多目标优化调度》的复现与改进
摘要:
微电网优化调度作为智能电网优化的重要组成部分,对降低能耗、环境污染具有重要意义。微电网的发展目标既要满足电力供应的基本需求,又要提高经济效益和环境保护。对此,提出了一种综合考虑微电网系统运行成本和环境保护成本的并网模式下微电网多目标优化调度模型。同时采用改进的粒子群算法对优化模型进行求解。仿真结果表明,该模型可以有效降低用户的用电成本和环境污染,促进微电网的优化运行,并验证了改进的粒子群算法的优越性能。
基于以上考虑,本文从微电网的经济和环保方面出发,以微电网的运行成本、环境保护成本之和最小为目标,建立微电网环保与经济调度模型,并采用改进的 PSO 算法对优化模型进行求解。仿真结果表明,改进的 PSO 优化算法比传统的PSO 优化算法具有更好的性能。同时,验证了该模型的有效性和优越性,可以有效降低能耗、环境污染成本。
1. 微电网系统运行优化模型:
2. 微电网多目标优化模型:
目标函数包括:
(1)微电网的运行成本。在并网模式下的目标是最小化微电网的运行成本。
(2)微电网的环境保护成本。
微电网调度模型的目标函数:调度模型的目标函数是总成本最小,不仅包括运营成本,还包括环境保护成本。因此,目标函数定义如下:
3. 改进粒子群算法:
PSO 算法的性能受参数的选择影响。传统PSO 算法的惯性权重因子和学习因子是固定不变的,容易陷入局部最优值。针对这一缺点,从惯性权重因子和学习因子两个方面对粒子群算法进行了改进。改进后的策略如下。
式中:IT是当前迭代次数;MI是总迭代次数;ws和we是惯性权重因子的初始值和终止值。在迭代初期,较大的w使算法不宜陷入局部极小值,便于全局搜索[14]。在迭代后期,较小的w有利于局部搜索,有利于算法的收敛;c1s和c1e是c1的初始值和停止值,c1s大于c1e;c2s和c2e是的初始值和停止值,c2s小于c2e。在迭代初期,大c1和小c2使粒子具有较好的自学习能力和较差的社会学习能力,有利于全局搜索。在迭代后期,小c1和大c2使粒子具有较强的社会学习能力和较差的自学习能力,有利于算法的收敛。