基于自适应粒子群算法的舰船电力系统无功优化

发布时间：2017-09-29 20:36

  本文关键词：基于自适应粒子群算法的舰船电力系统无功优化

  更多相关文章： 舰船电力系统 无功优化 潮流计算 自适应粒子群算法 多目标无功优化

【摘要】：随着世界经济的飞速发展和生产生活的需求，人类对于舰船电力系统运行的安全性、经济性、稳定性也提出了更高的要求。舰船电力系统无功优化是合理调度和配置无功电源的一种有效方式，通过对舰船电力系统的无功优化，不仅可以减少舰船电力系统的网络有功损耗，降低运行成本；还能够大幅改善舰船电力系统的电能质量。因此，对于舰船电力系统无功优化的研究既有理论意义，又具有实际应用价值。 本文分析论述了舰船电力系统的运行特点、网络结构和工作要求，参考陆地电力系统，构建了适用于舰船电力系统无功优化的数学模型。模型中的目标函数可以依据不同的要求来建立，本文建立了三种不同优化目标的目标函数，分别是基于经济指标、电压稳定指标和电能质量指标的；并分别对舰船电力系统进行了单目标和多目标无功优化的求解。分析了舰船电力系统的网络结构特点，针对不同类型的舰船电力系统，，论述了适合不同网络拓扑结构类型的舰船电力系统潮流计算方法。本文仿真选取的是现在已经被广泛应用于各类舰船的环形舰船电力系统，优化过程中选用了节点电势法来对舰船电力系统进行潮流计算。 无功优化问题包括多个变量和多种约束，变量中又包含连续变量和离散变量；是一个十分复杂的多约束、多变量的非线性规划问题。如采用常规的数学方法来求解是十分困难的，这就需要一种适合的人工智能算法来对其进行求解。 针对无功优化问题多目标、多约束、多变量和非线性的特点，本文以粒子群算法为出发点，详细介绍了粒子群算法的基本原理和实现流程，并对其改进形式进行了归纳总结和探讨分析。针对基本粒子群算法存在的一系列缺陷进行了改进。以带有加速因子的局部版粒子群算法为基础，借鉴自适应粒子群算法，自适应改变种群规模、领域规模、加速因子来保证粒子更新过程中种群的多样性，并率先在其中加入了类似于遗传算法的变异操作，进一步保证了种群向全局最优收敛的速度和精度。 最后，将改进后的自适应粒子群算法（APSO）应用到某环形舰船电力系统无功优化的求解中，在MATLAB中进行了编程仿真，将仿真结果与标准粒子群算法（SPSO）进行了优化对比，验证了舰船电力系统无功优化模型的正确性和新算法优越的求解性能。对舰船电力系统无功优化的仿真时，先采用的是基于有功网络损耗最小这个单目标进行的；其次，采取了模糊理论将多目标优化问题转变为单目标优化后，结合APSO算法再次进行了无功优化的求解。并将优化结果与单目标和SPSO算法进行了横向、纵向对比，验证了APSO算法的优越性能。采用多目标无功优化后，舰船电力系统的综合性能比优化前有了一定的提升，进一步保证了舰船的安全经济稳定的运行。
【关键词】：舰船电力系统 无功优化 潮流计算 自适应粒子群算法 多目标无功优化
【学位授予单位】：江苏科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：U665.1
【目录】：

• 摘要6-8
• Abstract8-14
• 第1章 绪论14-23
• 1.1 课题研究的背景及意义14
• 1.2 舰船电力系统无功优化的目的和意义14-16
• 1.3 无功优化的研究现状16-17
• 1.3.1 无功优化问题的特点16-17
• 1.3.2 无功优化问题的数学模型17
• 1.4 无功优化问题的求解方法17-21
• 1.4.1 常规优化算法18-19
• 1.4.2 人工智能优化算法19-21
• 1.5 论文的研究目的及主要工作21-23
• 第2章 舰船电力系统及其无功优化的数学模型23-32
• 2.1 引言23
• 2.2 舰船电力系统综述23-25
• 2.2.1 舰船电力系统23-24
• 2.2.2 舰船电力系统的工作环境24
• 2.2.3 舰船电力系统的运行要求24-25
• 2.3 无功平衡与电压水平的关系25-26
• 2.4 无功平衡与有功损耗的关系26-27
• 2.5 舰船电力系统中常用的无功控制设备27-28
• 2.6 舰船电力系统无功优化的数学模型28-31
• 2.6.1 功率约束方程28-29
• 2.6.2 变量约束条件29-30
• 2.6.3 目标函数30-31
• 2.7 本章小结31-32
• 第3章 舰船电力系统网络拓扑结构分析和潮流计算32-49
• 3.1 引言32
• 3.2 舰船电力系统网络结构特点32-34
• 3.3 网络拓扑结构分析34-37
• 3.3.1 节点和支路编号34-37
• 3.3.2 扩展关联矩阵的建立37
• 3.4 潮流计算37-48
• 3.4.1 节点电势法38-43
• 3.4.2 前推回代法43-48
• 3.5 本章小结48-49
• 第4章 自适应粒子群优化算法49-59
• 4.1 引言49
• 4.2 标准粒子群算法的基本原理49-54
• 4.2.1 标准粒子群算法50-51
• 4.2.2 粒子群算法的参数分析51-53
• 4.2.3 粒子群算法的特点及其改进措施53-54
• 4.3 粒子群算法的实现流程54-55
• 4.4 自适应粒子群优化算法55-58
• 4.4.1 APSO 算法中的一些定义56
• 4.4.2 APSO 算法的自适应操作56-57
• 4.4.3 APSO 算法中的变异操作57-58
• 4.5 本章小结58-59
• 第5章 基于自适应粒子群算法的舰船电力系统无功优化的研究59-69
• 5.1 引言59
• 5.2 求解关键步骤分析59-60
• 5.3 求解流程分析60
• 5.4 基于 APSO 算法的舰船电力系统无功优化60-68
• 5.4.1 仿真环境60-61
• 5.4.2 仿真电力系统描述61-64
• 5.4.3 参数性能分析64-66
• 5.4.4 优化结果对比66-68
• 5.5 本章小结68-69
• 第6章 基于 APSO 的舰船电力系统多目标无功优化69-78
• 6.1 引言69
• 6.2 模糊多目标理论69-72
• 6.2.1 多目标优化的数学模型69-70
• 6.2.2 多目标优化的基本概念70-71
• 6.2.3 多目标优化的模糊解法71-72
• 6.3 多目标无功优化的模糊解法72-74
• 6.4 基于模糊自适应粒子群算法的多目标无功优化74-77
• 6.4.1 算法步骤74-75
• 6.4.2 算例结果及分析75-77
• 6.5 本章小结77-78
• 总结与展望78-80
• 全文总结78-79
• 工作展望79-80
• 参考文献80-83
• 攻读硕士学位期间发表的学术论文83-84
• 致谢84

【共引文献】

中国期刊全文数据库 前10条

1 佘远俊;张翠芳;鄢田云;;粒子群神经网络及其在非线性系统辨识中的应用[J];成都信息工程学院学报;2006年02期

2 沈艳,郭兵,古天祥;粒子群优化算法及其与遗传算法的比较[J];电子科技大学学报;2005年05期

3 柯晶,钱积新;应用粒子群优化的非线性系统辨识[J];电路与系统学报;2003年04期

4 柯晶,钱积新,乔谊正;一种改进粒子群优化算法[J];电路与系统学报;2003年05期

5 冯少辉;周平;钱锋;;一种确定神经网络初始权值的新方法[J];工业仪表与自动化装置;2006年01期

6 周振坤;马士华;林勇;岳锋;;多目标优化在ERP模块化服务设计中的应用[J];管理学报;2013年09期

7 郭少帅;;基于离散粒子群算法的作业车间调度优化[J];装备制造技术;2013年09期

8 郭梅;罗建强;;一种航空备件供应链协调模型及优化方法研究[J];工业工程与管理;2013年04期

9 刘琦铀;施灿涛;李铁克;;基于混合粒子群算法的工艺规划与调度集成问题研究[J];工业工程与管理;2013年06期

10 庞佳玮;杜晓燕;张水莲;江长荫;;蒸发波导高度水平非均匀性对路径损耗的影响[J];电波科学学报;2013年06期

中国博士学位论文全文数据库 前10条

1 沈艳;分布式测试系统协作理论及其通信平台实时性研究[D];电子科技大学;2004年

2 岳]Z;粗粒度并行遗传算法的计算性能及其应用研究[D];华中科技大学;2008年

3 王纵虎;聚类分析优化关键技术研究[D];西安电子科技大学;2012年

4 谭阳;求解广义旅行商问题的若干进化算法研究[D];华南理工大学;2013年

5 张宇山;进化算法的收敛性与时间复杂度分析的若干研究[D];华南理工大学;2013年

6 赵晶;量子行为粒子群优化算法及其应用中的若干问题研究[D];江南大学;2013年

7 姜恩宇;基于直肠感知功能重建的人工括约肌系统研究[D];上海大学;2013年

8 程兴国;仿生算法的动态反馈机制及其并行化实现方法研究[D];华南理工大学;2013年

9 刘逸;粒子群优化算法的改进及应用研究[D];西安电子科技大学;2013年

10 李猛;基于智能优化与RRT算法的无人机任务规划方法研究[D];南京航空航天大学;2012年

中国硕士学位论文全文数据库 前10条

1 燕居伟;工程建设项目控制目标优化研究[D];河北工程大学;2010年

2 唐嗣元;基于进化计算的优化试验设计方法与实现技术研究[D];东北石油大学;2011年

3 谢元平;改进粒子群优化算法的研究及其在控制系统设计中的应用[D];北京化工大学;2011年

4 孙书芳;PSO神经网络及其在板形板厚综合控制中的应用研究[D];东北大学;2006年

5 张博;基于智能优化模型的短期电力负荷预测系统[D];华北电力大学（河北）;2007年

6 张云娥;基于粒子群算法的中压配电网规划研究[D];华北电力大学（河北）;2007年

7 刘晶晶;粒子群优化算法的改进与应用[D];武汉理工大学;2007年

8 方向;稀土永磁同步电动机优化设计[D];广东工业大学;2008年

9 杜雷;基于两阶段特征提取法和PSO-BP神经网络的人脸识别方法研究[D];新疆大学;2008年

10 王裔丹;制造链协同调度方法研究[D];沈阳工业大学;2008年

本文编号：944136