机电一体化的优点篇1
关键词:电力系统;遗传算法;无功优化
中图分类号:tp301.6文献标识码:a文献标识码:1009-3044(2009)13-3481-02
1引言
随着我国电力工业已经步入了大电网、高电压和大机组的时代,电力负荷和电网容量迅速的增加,电网损耗、电压合格率等技术指标日益受到电力部门的重视,无功优化是保证电力系统安全、经济运行的一种有效手段,是降低电力网络有功损耗、提高电压质量的重要措施。
遗传算法(Geneticalgorithm,Ga)是一种模拟生物进化的智能算法,借鉴生物遗传机制的一种随机化搜索方法,其主要特点是群体搜索和群体中的个体之间的信息交换,被广泛应用于求解各类问题。遗传算法近年来在优化技术领域有了很大的发展,它具备适用范围广,寻优能力强,程序实现相对简单等优点,对于一些大型、复杂非线性系统,更表现出了比传统优化方法更加独特和优越的性能,适合于求解类似于无功优化等复杂非线性优化问题。
2遗传算法原理综述
遗传算法[1]的核心思想源于这样的基本认识:生物进化过程是从简单到复杂、从低级向高级的过程,是自然的、并行发生的、稳健的优化过程,这一优化过程的目标是对环境的自适应性,生物种群通过“优胜劣汰”及遗传变异来达到进化或优化的目的。
2.1相关术语说明
群体(population):解空间的一组作为父代遗传用的初始解。
染色体(Chromosome)又可以叫做基因型个体(individuals),一定数量的个体组成了群体,群体中个体的数量叫做群体大小。
基因(Gene)是串中的元素,基因用于表示个体的特征。例如有一个串S=1011,则其中的1,0,1,1这4个元素分别称为基因。它们的值称为等位基因(allele)。
基因特征值(GeneFeature):在用串表示整数时,基因的特征值与二进制数的权一致;例如在串S=1011中,基因位置3中的1,它的基因特征值为2;基因位置1中的1,它的基因特征值为8。
适应度(Fitness):各个个体对环境的适应程度叫做适应度(fitness)。为了体现染色体的适应能力,引入了对问题中的每一个染色体都能进行度量的函数,叫适应度函数。这个函数是计算个体在群体中被使用的概率。
2.2算法概述
在求解的过程中,遗传算法是从一个初始变量群体开始,一代一代地寻找问题的最优解,直至满足收敛判据或达到预先设定的迭代次数为止,它是一种迭代算法[2]。
在利用遗传算法求解问题时,问题的每一个可能的解都被编码成一个“染色体”,即个体,若干个个体形成了群体。在遗传算法开始时,总是随机产生一些个体初始群体,根据预定的适应度函数对每个个体进行评价和选择,通过交叉和变异操作产生继承优良特性的下一代,这样不断的朝更优解的方向进行,直到满足收敛判据或达到设定的迭代次数为止。
3无功优化介绍及典型方法
电力系统无功优化的目的是通过调整电网中无功潮流的分布来降低有功损耗,并且保持较好的电压水平。
3.1电力系统无功优化概述
电力系统无功优化的基本思路是[3]:在电力系统有功负荷、有功电源及有功潮流分布已经给定的情况下,以发电机端电压幅值、无功补偿电源容量和可调变压器分接头位置作为控制变量,而以发电机无功出力、负荷节点电压幅值作为状态变量,应用优化技术和人工智能技术,在满足电力系统无功负荷的需求下,谋求合理的无功补偿点和最佳补偿容量,使电力系统安全、经济地向用户供电。无功优化涉及到无功补偿装置投入地点的选择、无功补偿装置投入容量的确定、有载调压变压器分接头的调节和发电机机端电压的配合等,是一个带有大量约束条件的非线性规划问题。
建立无功优化分析模型的思想是:在满足各种设备和电网运行阐述的约束条件下,充分运用现有无功调节手段,如调节发电机的无功输出、改变己有无功补偿设备(电容器)的投切容量和调节有载调压变压器分接头的基础上,以投入最少无功补偿设备的投资为目的,实现电网无功功率的合理分布。
3.2无功优化的数学模型
电力系统的无功优化问题是一个多变量、多约束的混合非线性问题。电力系统无功优化数学模型分析方法大致包括:线性规划方法、非线性规划方法、混合整数规划方法、动态规划法。这些数学模型是通过确定目标函数、等式约束条件和不等式约束条件来建立模型求取最优解。
无功优化虽然是个非线性问题,但是可以采用局部线性化的方法,将非线性目标函数和安全约束逐次线性化。自1984年KarmarKar提出用于线性规划的内点法以来,各种形式的内点法被大量引人电力系统的研究中。
另外,混合整数规划方法能够有效地解决优化计算中变量的离散性问题。该方法是通过分支-定界法不断地定界以缩小可行域,逐步逼近全局最优解。
动态规划法是研究多阶段决策过程最优解的一种有效方法,它按时间或空间顺序将问题分解为若干互相联系的阶段,依次对它每一阶段做出决策,最后获得整个过程的最优解。
下面是一个电力系统无功优化的数学模型[4]:
■(1)
■(2)
■(3)
■(4)
■(5)
■(6)
■(7)
■(8)
其中,F为目标函数,是指有功网损指标,(1)式是目标函数表达式。pi,Qi为节点i注入有功、无功;Ui,Uj为节点i、j的电压幅值;Gij,Bij,0ij分别为节点i、j间的电导、电纳和电压相角差;nb表示所有与节点i直接相连的节点集合,(2),(3)式是功率约束表达式。Ugimax,Ugimin为发电机机端电压上、下限值;Qgimax,Qgimin为容性无功补偿上、下限值;tgimax,tgimin为可调变压器分接头位置的上、下限值,(4),(5),(6)式是控制变量约束表达式。Qgimax,Qgimin为发电机无功出力的上、下限值;Ucimax,Ucimin为节点电压幅值的上、下限值,(7),(8)式是状态变量约束表达式。
针对上面构造这个数学模型适合于非线性规划求解的方法求解,可以参考采用拟牛顿法对模型进行求解,本文就不详细介绍了。
4基于遗传算法的电力系统无功优化
近年来,各类人工智能方法在电力系统无功优化问题中得到了广泛的应用,主要包括:遗传算法、禁忌搜索和模拟退火算法,以及比较新的一些算法,包括:模糊优化、免疫算法、蚁群寻优算法、人工鱼群算法、粒子群算法以及这些算法的组合方法等[5]。本文将谈论遗传算法在电力系统无功优化中的应用。
机电一体化的优点篇2
Researchonreactivepoweroptimizationmethodforelectricitydistribution
networksystem
LiUYongjiang，CHenHao
（wuhupowerSupplyCompany，anhuielectricpowerCompanyofStateGrid，wuhu241000，China）
abstract：whentheconventionalgeneticoptimizationalgorithmisusedforreactivepoweroptimizationoftheelectricitydistributionnetworksystem，ithasprematureconvergenceproblemandpoorabilitytosearchthelocaloptimalsolution，whichmayresultintheoptimizationresultsthattheconvergencerateisslowandconvergenceprecisionislow.theadaptivedualpopulation，adaptiveterminationconditionsandnewfilial?generationgeneratingconditionsforoffspringareintroducedtoformanimprovedgeneticoptimizationalgorithm，whichcanensurethepopulationdiversityandavoidtheprematureconvergenceoftheoptimizationalgorithmintheprocessofpopulationiteration，andacceleratethesearchefficiencyoftheoptimizationalgorithmtoimprovetheabilityofsearchinglocaloptimalsolution.theimprovedgeneticoptimizationalgorithmiscomparedwiththeconventionalgeneticoptimizationalgorithmandthecontrolledcrossgeneticalgorithm（CCGa）bytakingieee57andieee30nodesystemsastheexperimentplatform，andthealgorithmsaretestedwithexperimentaldataundersameexperimentalconditions.thetestresultsshowthattheimprovedgeneticalgorithmhasthebestoptimizationeffect，fasterconvergencerateandhigherconvergenceprecision，canobtaintheglobaloptimalsolutiontomaketheobjectivefunctionmoreclosetotheglobaloptimalsolution，anditsaveragenetworklossobtainedbythisalgorithmislowerthanthatofotheroptimizationalgorithms.
Keywords：electricitydistributionnetworksystem；reactivepoweroptimization；geneticalgorithm；adaptivedualpopulation
0引言
对电力配电网络的无功优化控制，实际上是在符合系统运行的各种约束情况下，对发电机自动电压调节器、有载变压器分接头和无功补偿装置进行综合调节，使得配电网络的电压分布和期望值差值、有功功率损耗和控制成本最小化，提高电压质量。线性与非线性规划方法、动态规划方法等传统的无功优化算法对于离散变量处理不尽人意，同时在使用上受到很大局限。
随着智能算法的不断发展，人工免疫算法、粒子群优化算法、混沌优化算法以及遗传优化算法等智能算法在电力配网系统的无功优化问题上得到了广泛深入的研究[1?3]。
文献[4]中使用具有强鲁棒性能的人工鱼群算法进行电力配网系统的无功优化，虽然该算法易于实现，计算简便，但是该算法容易陷入局部最优解，收敛速度慢，较难得到最优解。文献[5?6]中使用粒子群优化算法进行电力配网系统的无功优化，粒子群优化算法同样易于实现，但是优化效率更快、收敛速度更快，然后该算法存在容易发生早熟问题影响收敛精度。文献[7?9]中使用遗传优化算法进行电力配网系统的无功优化，然而算法早熟问题以及局部寻找最优解能力欠缺是常规遗传优化算法中最常出现的问题。算法早熟问题主要来源于当多次迭代后，种群个体的多样性会随之下降，当前种群里不存在最优全局个体时，就产生了局部最优解，即算法发生早熟。局部寻找最优解能力欠缺主要来源于由交叉变异得到的子代具有较强的随机性，因而优化算法在局部空间搜索时无法保证其可行性，有部分可能是通过交叉变异得到的子代的适应值低于上一代的适应值，故影响了优化算法的收敛速度，造成了优化算法的局部寻找最优解能力欠缺。
因此为了在种群迭代过程保证种群的多样性以避免优化算法早熟现象，以及对优化算法的搜索效率进行加快以提高局部寻找最优解能力，需要对常规遗传算法进行改进研究。本文将自适应对偶种群、自适应终止条件以及全新的子代生成条件引入以形成一种改进型遗传优化算法。
1无功优化的数学模型
本文以经济角度考虑，以有功损耗最小为优化目标，数学模型表述为：
[minf=plossZs.t.GZ=0，Zmin≤Z≤Zmax]（1）
式中：[Z]是系统变量；[Zmax]和[Zmin]是系统变量[Z]的最大值和最小值，即约束条件；[GZ=0]是潮流约束方程；[f]是目标函数。
通过罚函数的方式对目标函数进行重构，以对发电机无功和系统的节点电压发生越界时进行综合衡量，目标函数如下：
[minF=ploss+λuUi-Ui1Uimax-Uimin2+λqQgi-Qgi1Qgimax-Qgimin2Ui1=Uimax，Ui>UimaxUi，Uimin≤Ui≤UimaxUimin，UiQgimaxQgi，Qgimin≤Qgi≤QgimaxQgimin，Qgi
式中：第一个式子的第2项和第3项分别为节点电压越界以及发电机无功的惩罚项；[λu]是节点电压越界惩罚系数；[λq]是发电机无功越界惩罚系数；[Ui]是节点电压无功功率，kw；[Qgi]是发电机无功功率，kw；[Uimax]和[Uimin]是节点电压无功功率[Ui]的最大值和最小值，kw；[Qgimax]和[Qgimin]是发电机无功功率[Qgi]的最大值和最小值，kw；[ploss]是有功损耗功率，kw。
潮流约束方程表述为：
[pgi-p1i-Uij=1nUjGijcosθij+Bijsinθij=0Qgi-Q1i+Qci-Uij=1nUjGijsinθij-Bijcosθij=0]（3）
式中：[Q1i]是负载无功功率，kw；[Qci]是无功补偿功率，kw；[Gij]是[i]和[j]节点的电导，S；[Bij]是[i]和[j]节点的电纳，S；[θij]是[i]和[j]节点的电压相位差；[n]是节点个数；[pgi]是发电机有功功率，kw；[p1i]是负载有功功率，kw。
变量约束条件表述为：[Ugimin≤Ugi≤Ugimax，i∈ngBimin≤Bi≤Bimax，i∈nbKimin≤Ki≤Kimax，i∈nkUimin≤Ui≤Uimax，i∈ndQgimin≤Qgi≤Qgimax，i∈ng]（4）
式中：[Ugi]是发电机端电压，V；[Bi]是无功补偿电纳，S；[Ki]是有载变压器变比；[Ugi，Bi，Ki]称为控制变量；[Ugimax]和[Ugimin]是发电机端电压[Ugi]的最大值和最小值，kw；[Bimax]和[Bimin]是无功补偿电纳[Bi]的最大值和最小值，S；[Kimax]和[Kimin]是载变压器变比[Ki]的最大值和最小值；[Ui]是负载节点电压，V；[Qgi]是发电机无功功率，kw；[Ui，Qgi]称为状态变量；[ng]是发动机节点个数；[nd]是负载节点个数；[nb]是无功补偿个数；[nk]是有载变压器个数[10]。
2改进遗传优化算法
本文将自适应对偶种群、自适应终止条件以及全新的子代生成条件引入以形成一种改进型遗传优化算法。
假设[xit]表示父代种群，[i=1，2，…，n]；[xkt]表示种群中最优个体；[yit]表示经过遗传操作后，父代种群[xit]得到新的种群。[zit]表示对偶种群；对称中心为父代种群中最优个体[xkt]；对称中心[xkt]对偶后得到新种群[yit]；使用处在搜索范围内的随机个体替换不处在搜索范围内的对偶种群[zit]中的个体；两个对偶种群中各一半最优个体构成了子代[xkt+1]；[xkt+1]表示最优的子代个体。
优化算法终止条件表述为：
式中：[ffitness_best]和[ffitness_worst]是分别为第[i]次进化迭代的最佳函数适应值及最差函数适应值；[i]是进化迭代次数；[εi]为精度函数：
式中：[a]，[b]，[c]，[d]均为常数量；精度函数[εi]用于判断优化算法结束的条件，为单调递减函数，与进化迭代次数[i]相关。
对常规遗传优化算法的改进步骤如下：
Step1：首先初始化常规遗传算法模型的最大进化迭代次数[G]、交叉概率[pc]、变异概率[pm]以及精度函数常量[a]，[b]，[c]，[d]等参数。在算法起始阶段，优化算法处于随机搜索状态，这是因为精度函数常量[a]，[b]，[c]，[d]等参数使得精度函数[εi]具有较大值，而当进化迭代次数增加，精度函数[εi]逐渐变小，使得优化算法处于局部细化搜索状态。
Step2：初始化种群[xit]，对种群个体进行编、解码操作，计算个体的适应值，得出最优种群个体[xkt]。
Step3：对种群[xit]进行交叉变异操作，得到新的种群[yit]。
Step4：选取一个关于新种群[xk]中心对称的对偶种群[zit]。使用处在搜索范围内的随机个体替换不处在搜索范围内的对偶种群[zit]中的个体。
Step5：对进化迭代次数[i]、精度函数[εi]等参数进行更新。
Step6：当终止条件满足后，结束对常规遗传算法的改进，若终止条件没有满足时，跳回Step3继续迭代[11]。
3实验分析
通过实验对本文研究的改进遗传优化算法对电力配电网络无功功率优化性能进行研究。使用的是ieee57节点系统和ieee30节点系统作为测试平台。ieee57节点系统具有发动机节点、有载变压器支路以及无功补偿节点，个数分别为7个、15个以及3个。ieee57的系统结构图如图1所示[12]。
使用常规遗传优化算法（常规Ga）和可控交叉遗传算法（CCGa）与本文研究的改进遗传优化算法进行对比，使用相同的实验条件和实验数据进行测试。设定遗传优化算法系统参数，种群的规模为[n=50]，进化最大代数为[G=150]，交叉和遗传概率分别为0.7和0.2。设定精度函数的常数量[a]为e-2，[b]为e-6，[c]为9，[d]为8。使用常规遗传优化算法和可控交叉遗传算法与本文研究的改进遗传优化算法进行对测试系统进行优化操作后，得到有功损耗结果见表1。
通过优化结果可以看出，系统有功损耗在使用三种优化算法优化计算后有较大改观，本文研究改进遗传算法使得ieee57节点系统的有功损耗的最好值、最差值和平均值优化结果最好，平均降损率达到了27.4%，明显高于其他算法。通过对比有功损耗的标准方差可以看出本文研究改进遗传算法具有最好的稳定性。
使用常规遗传优化算法和可控交叉遗传算法与本文研究的改进遗传优化算法对测试系统进行优化操作后，得到的电压分布如图2所示。可以看出，三种优化算法均能够使得系统最低电压高过0.95pu，其中本文研究改进遗传算法的优化结果最优。
下面使用ieee30节点系统继续进行优化实验。ieee30的系统结构图[13]如图3所示。
使用常规遗传优化算法和可控交叉遗传算法与本文研究的改进遗传优化算法进行对测试系统进行优化操作后，得到的网损如图4所示。
电压分布优化效果
网损优化效果
电压曲线如图5所示。从ieee30节点系统的测试结果可以看出，与ieee57节点系统测试结果类似，本文研究的改进遗传算法具有最好的优化效果。该算法计算得到的平均网损均低于其他优化算法，收敛精度和收敛速度更高，能够在局部最优解处跳出，距离目标函数的全局最优解更加接近。
4结语
本文主要针对电力配电网络的无功优化方法进行深入研究，针对常规的Ga算法通常存在算法早熟以及局部寻优能力弱等问题，本文将自适应对偶种群、自适应终止条件以及全新的子代生成条件引入以形成一种改进型遗传优化算法。
电压分布优化效果
机电一体化的优点篇3
【关键词】机电一体化；电动机；机械技术；微电子技术
一、我国发展机电一体化面临的形势以及对策
（一）机电一体化技术发展历程及其趋势。自电子技术一问世，电子技术与机械技术的结合就开始了，只是出现了半导体集成电路，尤其是出现了以微处理器为代表的大规模集成电路以后，“机电一体化”技术之后有了明显进展，引起了人们的广泛注意。“机电一体化”这个词是日本安川电机公司在上世纪60年代末作商业注册时最先创用的。当时及70年代，人们一直把机电一体化看作是机械与电子的结合。国内早期将“机电一体化技术”与“机械电子学”并用，近年来“机电一体化”更流行使用。从系统科学的观点来看，机电一体化产品又可称之为机电一体化系统，它是集机械元件和电子元件于一体的复合系统。
（二）我国“机电一体化”工作面临的形势。1.我国用微电子技术改造传统工业的工作量大而广，有难度。2.我国用机电一体化技术加速产品更新换代，提高市场占有率的呼声高，有压力。3.我国用机电一体化产品取代技术含量和附加值低，耗能、耗水、耗材高，污染、扰民产品的责任重，有意义。
由于电力拖动具有控制简单调节性能好耗损小经济，能实现远距离控制和自动控制等一系列优点，因此大多数生产机械都采用电力拖动。
近年来我国的工业结构、产品结构虽然几经调整，但由于多种原因，成效一直不够明显。这里面固然有上级领导部门的政出多门问题，有企业的“故土难离”“死守故业”问题，但不可否认也有优化不出理想的产业，优选不出中意的产品问题。同时，可为传统的机械工业注入新鲜血液，带来新的活力，把机械生产从繁重的体力劳动中解脱出来，实现文明生产。
（三）我国“机电一体化”工作的任务。我国在机电一体化方面的任务可以概括为两句话：一句话是广泛深入地用机电一体化技术改造传统产业；另一句话是大张旗鼓地开发机电一体化产品，促进机电产品的更新换代。总的目的是促进机电一体产业的形成、为我国产业结构和产品结构调整作贡献。另外，从市场需求的角度看，由于我国研制、开发机电一体化产品的历史不长，差距较大，许多产品的品种、数量、档次、质量都不能满足需求，每年进口量都比较大，因此亟需发展。
总之，机电一体化技术既是振兴传统机电工业的新鲜血液和源动力，又是开启我国机电行业产品结构、产业结构调整大门的钥匙。
二、我国发展“机电一体化”的对策
（一）加强统筹安排，协调发展计划。目前，我国从事“机电一体化”研究开发及生产的单位很多。各自都有一套自己的发展策略。各单位的计划由于受各自立足点、着眼点的限制，难免只考虑局部利益，各主管部门的有关计划和规划，也有统一考虑不足，统筹安排不够的问题，同时缺少综观全局的有权威性的发展计划和战略规划。因此，建议各主管部门责成有关单位在进行深入调查研究、科学分析的基础上，制定出统管全局的“机电一体化”研究、开发、生产计划和规划，避免开发上重复，生产上撞车！
（二）强化行业管理，发挥“协会”作用。目前，我国“机电一体化”较热，而按目前的行业划分方法和管理体制，“政出多门”是难哆的。因此，我国有必要明确一个“机电一体化”行业的统管机构，根据目前国家政治体制改革和经济体制改革的精神，以及机电一体化行业特点，我们建议，尽快加强北京机电一体化协会的建设，赋予其行业管理职能。“协会”要进一步扩大领导机构――理事会的代表层面和复盖面，要加强办公室、秘书处的建设；要通过其精明干练的办事机构、经济实体，组织“行业”发展计划、战略规划的拟制；指导行业布点布局的调整，进行发展突破口的选择，抓好重点工程的试点和有关项目的发标、招标工作。
（三）优化发展环境、增大支持力度。优化发展环境指通过宣传群众，造成一种社会上下、企业内外都重视、支持“机电一体化”发展的氛围，如尽快为外商到我国投资发展“机电一体化”产业提供方便；尽可能为兴办开发、生产机电一体化产品的高新技术企业开绿灯；尽力为开发、生产机电一体化产品调配好资源要素等。增大支持力度，在技术政策上，要严格限制耗电、耗水、耗材高的传统产品的发展，对未采用机电一体化技术落后产品限制强制淘汰；大力提倡用机电一体化技术对传统产业进行改造，对有关机电一体化技术对传统产业乾地改造，对有关技术开发、应用项目优先立项、优先支持，对在技术开发、应用中做出贡献的单位领导、科技人员进行表彰奖励等。
三、电动机的发展及工作原理
1、电动机技术发展及现状。电机是利用电磁感应原理工作的机械。随着生产的发展而发展的，反过来，电机的发展又促进了社会生产力的不断提高。随着自动控制系统和计算机技术的发展，在一般旋转电机的理论基础上又发展出许多种类的控制电机，控制电机具有高可靠性好精确度快速响应的特点，已成为电机学科的一个独立分支。在现代化工业生产过程中，为了实现各种生产工艺过程，需要各种各样的生产机械。拖动各种生产机械运转，可以采用气动，液压传动和电力拖动。
2、电动机工作原理
目前较常用的主要是交流电动机，它可分为两种：1、三相异步电动机。2、单相交流电动机。第一种多用在工业上，而第二种多用在民用电器上。下面以三相异步电动机为例介绍其基本工作原理。起来，形成一个笼型的闭合绕组。定子三相绕组可接成星形，也可以接成三角形。
综上分析可知，三相异步电动机转动的基本工作原理是：
（1）三相对称绕组中通人三相对称电流产生圆形旋转磁场。
（2）转子导体切割旋转磁场感应电动势和电流。
（3）转子载流导体在磁场中受到电磁力的作用，从而形成电磁转距，驱使电动机转子转动。
四、结论
随着电工技术的发展，对电能的转换、控制以及高效使用的要求越来越高。电磁材料的性能不断提高，电工电子技术的广泛应用，为电动机的发展注入了新的活力。经历了100多年的技术发展，电动机自身的理论基本成熟。未来电动机将会沿着单位功率体积更小、机电能量转换效率更高、控制更灵活的方向继续发展。一批“巨无霸”电机、一批“光怪陆奇”电机将同时展现在世人眼前。
【参考文献】
[1]姜培刚，盖玉先.机电一体化系统设计[m].北京：机械工业出版社，2003.
[2]刘政华.机械电子学[m].长沙：国防科技大学出版社，2009.
机电一体化的优点篇4
【关键词】电力系统全面学习粒子群优化算法无功优化群体智能
0引言
电力系统无功优化[1],是指当系统有功负荷、有功电源及有功潮流分布己经给定的情况下,通过优化计算确定系统中某些控制变量的值,以找到的在满足所有约束条件的前提下,使系统的某一个或多个性能指标达到最优时的运行方式。其需要研究的就是在满足系统负荷需求及运行约束要求的条件下,使电网的某一指标或多个指标(如有功网损最小、电压质量最优、年支出费用最少)达到最优的无功功率最佳分布方案。
在数学上,无功优化是典型的非线性规划问题,具有非线性、小连续、不确定因素较多等特点。对于无功优化的研究方法,传统的数学规划方法主要有非线性规划法和线性规划法等[2,3]。采用常规算法求解无功优化问题时遇到的主要困难就是离散变量的归整问题、多峰多极值问题。近年来基于群集智能的优化方法逐渐得到重视和开发,如遗传算法(Geneticalgorithm,Ga)、模拟退火法(Simulatedannealingalgorithm,Sa)、粒子群算法(particleSwarmoptimization,pSo),这些基于群集智能的优化方法具有并行处理的特征,易于实现,但同时也存在计算速度慢,有时陷入局部最优解等缺点。
粒子群算法(pSo)是美国Kennedy和eberhart博士受鸟群觅食行为的启发,于1995年提出的一种生物进化算法[4]。与遗传算法[5-8]相比,pSo算法的优势在于简单易行、收敛速度快、优化效率高[9]。目前pSo算法已在电力系统各种复杂优化问题中得以应用,取得了较好的效果[10]。pSo算法采用速度-位置搜索模型,每个粒子代表解空间的一个候选解,粒子在搜索空间以一定的速度飞行,飞行速度根据飞行经验进行动态调整。每个潜在解与粒子运行速度相联系,该速度不停地根据粒子经验以及与该粒子邻近的粒子经验来调整大小、方向,总是希望粒子能朝着更好的方向发展。从原理上讲,在进化过程中标准pSo算法受当前最优位置的影响,容易出现收敛到局部极值而丢失全局最优的结果。因此,在搜索过程中全局搜索能力与局部搜索能力的平衡关系对于算法的成功起着至关重要的作用。
全面学习粒子群优化算法(CLpSo),是模拟鸟群的随机搜索行为的一种应用于连续空间的群体智能优化算法[11]。从本质上CLpSo是采用一种动态的拓扑模型,每间隔固定的进化代数就随机改变一下粒子的拓扑模型。本文将CLpSo算法应用于ieee30节点系统中进行仿真试验,并与其它一些方法的优化结果进行比较,结果表明CLpSo算法不易使问题的解收敛于局部最优解,并且可以提高寻优速度和计算精度,从而能够对电力系统无功参数进行很好优化,同时证明了该算法的有效性和优越性。
1无功优化的数学模型
电力系统无功优化的目的是在保证系统无功功率平衡的条件下,通过调节系统中的带负荷调压变压器、可投切电容器和可调压发电机等控制变量来减少网络损耗,改善电能质量和提高经济效益。其数学模型包括目标函数的选择和约束条件的约定。
通常以网损最小化为目标函数,可表示为:
minf(x1,x2)=minploss(1)
功率约束方程,即潮流方程:
变量约束方程为:
式中:npQ、nG、nB、nt和nC分别为p-Q节点号的集合,发电机节点号的集合、总的节点号的集合、变压器支路集合和补偿电容器节点集合、ni与节点i的关联的节点号的集合,包括节点i本身;
S――平衡节点;
pkloss――支路k的有功功率损耗;
Gij和Bij――接点导纳的系数;
pi和Qi――节点i的有功和无功注入;
Vi――节点i的电压幅值;
θij――节点i和节点j之间的电压角度差;
VGi、QGi――节点i的有功、无功发电功率;
Sl――支路通过的功率;
x1=[VG,tk,QC]――控制变量,分别指发电机的机端电压,有载调压变压器的分接头和无功补偿容量;
x2=[VL,QG,pref]――状态变量,分别为负荷节点的电压,发电机的无功出力和平衡节点的有功出力。
2CLpSo算法
2.1pSo算法的基本原理
假设在m维搜索空间(解空间)里,有s个粒子组成的粒子群,其中第i个粒子位置可以表示成m维向量,xi(n)=[xi1,xi2,…,xij,…,xim],j表示变量xi的第j维分量;粒子的飞行速度为vi(n)=[vi1,vi2,…,vij,…,vim];该粒子所经历的个体最佳位置可表示为pi(n)=[pi1,pi2,…,pij,…,pim];在整个粒子群中,所有粒子经历过的最佳位置为gi(n)=[gi1,gi2,…,gij,…,gim],当第i个粒子从n-1代迭代到n代时,可采用下式进行其速度和位置的更新[6]:
式中:ω――惯性权值;
Rand――在[0,1]范围内变化的随机数;
n――迭代次数;粒子数i=1,2,…,s。
2.2CLpSo算法的基本原理
CLpSo是采用一种动态的拓扑模型,每间隔固定的进化代数就随机改变一下粒子的拓扑模型。同时CLpSo算法还有一个和pSo算法的重要的不同点,那就是每个粒子的各维是相互独立学习的。
CLpSo算法的核心思想如下:每个粒子的各维分别向自身的pi,best,粒子群体的gbest和随机选择的其他粒子的pbest的相应维学习。而不是像基本pSo算法那样只向pi,best和gbest两个榜样学习,这主要是考虑到潜在的粒子群中的每个粒子都可能有好的维度可以被其他粒子学习。
在CLpSo算法中,假设每个粒子随机选择m维向gbest的相应维度学习,余下的d-m维中,再随机选择一些维度向另外一些被随机选择的粒子的pbest的相应维度学习,余下的维度向自身的pi,best的相应维度学习。当m=0时,看上去似乎gbest没有被选择到的机会,实际上gbest也是某个粒子的pi,best,它同样有机会被其他粒子学习。针对每一维,粒子的速度更新公式修改为:
(11)
(12)
(13)
机电一体化的优点篇5
abstract：Byanalyzingthedistributedpoweroftheimpactofdistributionnetworkplanning，anewmindevolutionaryalgorithmbasedonconsiderationwithisproposedtosolvethesiteandunitsizeproblemofthedistributedgeneration.Firstly，thenormalizedobjectivefunctionincludinginvestmentandoperatingcost，losscostandpurchaseisproposed，thenthealgorithmisachievedbymatlab.theresultsobtainedshowthattheglobalsearchcapabilitiescanachievebalanceandtheoptimalsolutioncanbefoundquickly.
关键词：分布式发电；配电网规划；思维进化算法；学习；反思
Keywords：distributedpower；distributionnetworkplanning；mindevolutionaryalgorithm；study；consideration
中图分类号：tm715文献标识码：a文章编号：1006-4311（2014）08-0093-02
0引言
随着新能源的大力发展，分布式发电与大电网的结合是未来电力系统发展的方向，也是节能减排、绿色环保、安全可靠的电力系统运行方式。分布式发电（DistributedGeneration-DG）是指安装在用户处或其附近的小型发电机，或者就地应用热电联产的发电形式，该发电形式支持已有配电网的经济运行且发电效率较高。配电网规划的主要任务是：在满足系统负荷和安全、可靠供电的前提下，根据现有电网的基本情况以及电网负荷预测的结果，来规划和确定最佳的配电网建设方案，使其建设费用和运行费用最小[1]。然而，由于分布式电源在电网中的投入和退出具有很大的随机性，极大地增加了负荷预测的不确定性，给准确预测负荷的变化带来了许多困难；除此之外，分布式电源所在的位置与其价值也密切关联。因此，为保证配电系统运行的安全性与经济性，准确评估这些影响，寻求准确的负荷预测方法和优化算法，对规划DG最佳位置和容量具有重要的意义。对DG位置和容量进行优化的求解方法大都采用的是遗传算法[2]、其求解过程是将每个分布式电源的规划方案用两个变量来表示，但当规划中分布式电源很多时就会大大的增加求解变量，出现求解计算速度变得很慢等问题。本文提出了优化含DG配电网规划的一种新方法，建立了含DG电源的最优目标函数、约束条件，采用反向的思维进化算法（Cema）求解，该方法能有效解决计算速度慢等问题。仿真结果表明了本算法的有效性。
1含DG的配电网规划模型
数学模型如式（1）所示：
oBJminCtola1=？琢1CDG+？琢2CBuy+？琢3CLoss
StSDe∑
Ctola1为总费用；CDG，CLoss，CBuy分别为DG的投资运行费用、网络损耗费用和购电费用；？琢1，？琢2，？琢3为权重系数，且？琢1+？琢2+？琢3=1；SDe∑，SL为DG的总容量和电网负荷总容量。
①DG的投资运行费用CDG=■？坠iCDGi+？酌pu？驻pDGi+ZDGi（2）
CDGi，？驻pDGi，ZDGi分别为第i个DG的年固定投资费用、年检修维修费用和年功率损失总值；？坠i为第i个DG的固定投资年平均费用系数；？酌pu为单位电价，元/kwh，nDG为DG的数目。
②购电费用CBuy=tmax×（padd∑-pDG∑）×？酌pu（3）
tmax为最大负荷年利用小时数；padd∑为新增负荷总量；pDG∑为DG的总有功功率。
③网络损失费用CLoss=■？酌pu？子maxi？驻pLi（4）
CLoss为线路年网损费用；？酌pu为单位电价，元/kwh；？子maxi为第i条支路年最大负荷损耗小时数，h；？驻pLi为第i条的有功损耗，kw。
2优化算法
2.1基本思维进化算法（mea）思维进化算法[mea]是模拟人类思维进化方式的一种新的算法，它继承了Ga算法中群体与进化的概念，开发了趋同与异化算子的概念。算法突破了自然进化的限制，引入了记忆与定向学习机制，算法的智能程度得到了增强，从而有效的提高了搜索效率。研究结果表明：优化速度及全局收敛性能优于遗传算法。在mea中，趋同是在子群体范围内个体竞争成为胜者的过程；异化是在整个解空间内，各子群体相互竞争成为优生个体而不断探索的过程。进化的过程即是趋同和异化不断反复推进的过程，直到满足终止的条件而结束。mea的优点是子群体中的个体依靠优胜者信息生成，并以公告板中的全局信息作为更新自身的行为的依据与准则。这样不断的正反馈能够加强某种行为，从而使优胜个体的进化向着有利于群体生存的方向推进，进而巩固和发展进化的成果。此机制的运行可有效防止算法的早熟，解决算法陷入局部最优解的问题。
2.2反向思维进化算法的基本定义思维运动是一种持续性的过程，也是一个积累的过程，是对新、旧信息以及运算结果信息的综合运算。同时，思维运动的结果会对现在和将来的思维运动产生影响。如运算结果出现差异，会及时的进行方向推演，由于主体的不同，他的思维记忆和反思，包括学习的方式也不同。反应到函数优化中则表现为，对于不同的优化函数可以采用不同的记忆、学习和反思的方式。
定义1历史最优子群体。设子群体的优胜个数为nS，即适应度值最高的nS个子群体。
定义2学习，即子群体间进行的信息交流。设趋同过程结束后，第i个子群体中的最优个体为：
Cx=f（C1，C2，…，Ci，…，Cn），Ci为各子群体中适应度最高的个体，其中i=1，2，…，n，函数f的学习策略是使Cx仍具有第i个子群体的特征。为此，选取Cx=？籽Ci+？滓■Cj+？滓■Cj，？滓？籽，分别为惯性系数和学习权值，对他们选取不同的数值就可得到不同的学习方法。
定义3反思，经过学习后，若Cx在解空间中并且g（Cx）？燮g（Ci），则取Ci=Cx；若Cx在解空间中且g（Cx）>g（Ci），则Ci取值不变。若Cx不在解空间中，则需要重新随机生成Ci，或采用前期的学习值。这样既可增加群体的多样性，又可加快进化速度。g为适应度函数。
2.3反向思维进化算法的流程①初始化。在解空间产生S个按正态分布个体，计算适应度函数，选择最高得分的n个个体。②趋同操作。以n个个体作为中心，产生n个按正态分布的子群体，在每个子群体中产生m个个体，计算m个个体的得分，以得分最高的个体成为该子群体的中心Ci（i=1，2，…，n）。③学习。取？滓为区间（-1，1）的随机数；取？籽=1以保留子群体的特征。④反思。当Cx不在解空间时，需要重新随机生成Ci。生成原则需依据据优化函数的特点，或按照优化目的选择一种方式进行。⑤异化。根据子群体的适应度值，保留最优子群体，并释放n-nS个最低适应度值的临时子群体，同时随机生成n-nS个新的子群体。⑥记忆。将历史最优子群体在全局公告板上记录，便于群体之间的信息交流。⑦如满足进化结束条件，则转到⑧，否则返回②。⑧进化终止，给出优化结果。
反思过程能够根据学习来判断出结果的可取性，避免搜索陷入局部极值点。除正反馈机制和负反馈机制外，Cmea还具有智能机制，即所有子群体间有了相互交流信息的机会，可以通过学习获得其他全部子群体，或某几个子群体的优良信息，这样既保持了自身的特点，又有助于增加群体的多样性，保证了全局收敛性。利用全局公告板的记忆功能也能够使其异化操作充分，使进化个体向历史最优值推进，在一定程度上避免出现退化现象，从而加快了算法的收敛速度。Cmea由于有学习等相互交流信息的机会，有效的增加了群体的多样性，避免使优化进程陷入局部极值点。反思和记忆的交叉，使算法加快了收敛速度。
3仿真与分析
利用matlab对参考文献[3]中的10节点10kV辐射型配电系统，依据本文提出的模型及算法进行了仿真分析。该网规划新增负荷有功功率为7.2mw，计算中将GD作为普通的pQ节点来处理，待选单个DG电源的功率因素为0.9。为保证配电网的安全及可靠性DG的总装机容量不允许超过新增负荷总量的10%，即为0.8mVa。该系统的简化结构图如图1所示。本次计算，？滓、？籽分别取0.5和1。
计算结果为在4、5、7、10节点接入0.2、0.3、0.13、0.12mVaDG容量。其费用为：DG160.8万元，购电540.5万元，网损3.2万元，总费用为701.5万元。对不含DG的配电网也进行了仿真计算，其总费用为710.2万元。
由仿真结果可知，分布式电源的接入点大都位于辐射型网络的末端，从含DG与不含DG规划的总费用分析，接入DG的规划方案要比不接入DG的规划方案略微经济，主要原因是分布式电源的接入对配电网进行了就地补偿，改善了网络的潮流分布与电网的负载能力，减少了网络损耗。
为反映本文所提出算法的快速性和收敛性，将本文的算法与一般思维进化算法（mea）、遗传算法（Ga）的迭代次数进行了比较，比较结果如图2所示，从图形中三种算法结果的对比得知，本文所提出的算法具有更好的收敛性，快速性，且不失全局性。
4结语
本文以含分布式电源配电网规划为研究对象，提出了基于反向思维进化的优化算法，将其应用于优化分布式电源的选址和定容，建立了规划模型，并用matlab进行了仿真，仿真结果表明，接入DG的配电网可以有效降低配电网的网损。含DG的规划方案较不含DG的规划方案还要经济。通过比较，基于反思的思维进化算法，具有全局搜索能力强，收敛速度较快的特点，可适用于配电网的规划优化。
参考文献：
[1]张李盈，范明天.配电网综合规划模型与算法的研究[J].中国电机工程学报，2004，24（6）：59-64.
机电一体化的优点篇6
关键词：教学模式；电机学；优化方法
电机学课程综合性强、涉及因素多、信息量大，要想在有限的学时内全面、透彻的分析问题，融入一种系统化的教学思想，在具体建模时，必须主次分明。所以，本文在建立目标模型，引入优化方法的基础上，建立一种优化教学模式，为多样性的教学方式提供支持。
一、教学模型
目标函数以知识点间路径最小为目标，即
连通性原则
式中，ai表示路径i间两个相接知识点的相似度；ti是通过路径i的时间；n为路径总数。连通性原则：知识点之间至少有一个通路。
二、优化方法
1.构造优化图
根据知识点和路径的构造优化图，也就是把基本物理量作为知识点，用带有单向箭头路径指明了各物理量之间的关系，构造出一个结构图，它强调的是各支路间的连接关系，如图1。具体处理方法是以知识点为顶点，各知识点间可待选的路径为边，最后按路径走向标定方向。
2.编码
在图1的知识点的基础上，对变量相似度进行编码。例如知识点2散发的路径有2-4和2-5，按相似程度相似、一般和不相似排序，故染色体第2个基因即可在1、2、3中任选一个。
3.适应函数调整选择
引用优化方法，需凭借经验反复试验，按个体适应度大小和群体的分散程度自行调节概率，提高优化收敛速度获取最佳参数值。为了放宽优化解的可行域，个体选择以0.60G为界，使适应值按高于平均适应值增长。为了保证适应性好的个体有更多机会繁衍后代，使优良的特性得以遗传，需要通过变换把优化问题的目标函转化为适应函数。
三、效果分析
以绕组设计过程教学内容为例，优化制作流程，其初始数据见下表所示，绕组设计过程优化见图2所示。
绕组设计的初始数据
此优化结果严格按顺序向下步递进，路径中没有分支，涉外因素少，形简易记，浓缩了教学内容，减轻了学习负担。
对电气2009级和2008级学生考试最终成绩作对比，结果表明：采用此教学模式后，电气2009级学生的平均成绩高于电气2008级；电气2009级学生平均成绩比电气2008级分散度有所降低。
参考文献：
[1]姜莉.基于“问题”模式优化成人远程教育教学[J].中国成人教育，2012（6）：125-127.
机电一体化的优点篇7
关键词：发电厂；锅炉；循环经济
随着我国电力的发展，不仅解决了国民用电需求，还带动了我国电力经济的提高，但发电厂在经济运行管理方面还有不足，导致了不必要的能源消耗和成本的损失，因此，发电厂要注重经济成本的控制并对机组的运行进行优化，进而促进电力的可持续发展。
影响发电厂机组经济性的因素
1.锅炉
相关的技术人员在对锅炉不同工作情况下所产生的热力进行计算，并分析所得出的各个参数即锅炉负荷、环境温度等变化所造成的锅炉运行经济的影响，进而找寻可以优化锅炉运行方式、减少能源消耗的技术措施，发电厂技术人员可以根据单个运行参数即燃热器摆动的角度、给水温度、受热面的污染状况等进行逐一分析，得出运行数据，进而得出其因素对于机组经济影响的大小。也可以根据多个运行参数分析，通过运行的整体性得出锅炉的对于机组经济的影响，同时炉水泵运行也会对发电厂的机组经济运行造成影响，想要降低经济的损耗，就采用适当的方式对以上设备进行改良。
2.汽轮机
影响发电厂机组经济性的因素不仅有锅炉还有汽轮机，其进汽方式为单阀进汽，也是由于这一进汽方式，导致节流损失严重，进而对汽轮机的安全经济运行造成隐患。单阀运行时，会降低高中压缸的效率，间接导致了所需的燃煤量增加，从而增加能源损耗，虽然其进汽较为均匀，但会因为高压调门并没有全部开启，进而使节流损耗加大，影响机组工作效率，所以想要保证发电厂机组经济正常运行，就要使用合适的汽轮机，改变单阀进汽的方式，提高工作效率的同时减少能源损耗。
优化发电厂机组经济运行的重要举措
1.锅炉运行
锅炉各项热损失中排烟的损失程度依旧占据关键地位，在煤质量好的基础上将产生的挥发量也就比较高，形成的灰分自然就比较少。结合上述内容可以得挥发量下降是未来发展的一种趋势，在燃烧稳定且机械不完整的热量损失和炉渣热损量较小的情况下，炉内氧气含量较低将能够发挥煤种优势，有效提升锅炉运行的经济性质。降低炉内风速后排烟情况将得到明显的改善，因此需按照风煤比例的曲线控制进行风速调整。通过调整空气系数的方式将改变排烟热损失的方式，机械的不完全燃烧将增加进而降低锅炉损失。运行过程中的燃烧器摆角在六度左右，将其进行调整后可以看出角度摆动对炉膛具有明显影响；当角度摆动变化幅度不是很大时将不会对锅炉内部排烟温度造成影响，同时对其效率的影响也不是十分明显。形成的烟气将与过热器进行热量的有效交换，进而促使烟气进入尾部烟道最后仅仅有很少细小灰粒随着烟气被排入大气。采取汽轮机顺序进气的方式将保障机组运行期间的安全性，并且还能促使机组产生的经济效益得到大幅度提升。
2.汽机运行
首先，在汽机运行时，需要优化汽轮机进汽，分析汽门的开启顺序，当汽轮机具有590mw的机组负荷时，其状态运行采用单阀的方式，降低了安全裕量，主要原因是#1瓦和#2瓦具有较重的载荷，二者的瓦温分别超过80℃和75℃，在受力分析中发现，应当确保顺利方式更加均匀，顺序阀的顺序最终为#2+#3#1#4，可以获得较为安全的进汽效果，具有良好的经济性。其次，需要掌握汽轮机变负荷过程，负荷主要分为降负荷与升负荷，其中降负荷主要因为机组负荷频繁动，对转子寿命产生一定影响，需要降低转子的瞬时应力，将其控制在172mpa，而且总原本的600mw负荷降低到180mw，确保获得3mw/min的负荷降低率。当采用滑压运行时，需要保持18mw/min的负荷率。当处于升负荷状态时，机组明显升高，从原本的240mw转变为480mw，需要提高负荷的速度。最后，需要给水泵上水启动，在开始上水冲洗时，利用汽泵前置泵。为了维持汽包水位，还要使用小汽机，若是想要启动另外的给水泵，则需要在机组并网前进行，确保达到300mw的机组负荷，由四段抽汽负责两台汽泵。在分析的过程中，应当注重经济性，需要消耗15h，完成300mw负荷投入和上水冲洗等操作，将会节约45000kwh的用电量，经过计算可知，汽泵前置电流与电泵电流为32a和350a，若是按照每千瓦时消耗0.88元计算，则启动一次需要消耗3.96万元。
3.指标优化
在发电厂运行的过程中，需对锅炉运行进行有效优化，结合实际情况，合理调整氧量。目前，发电厂使用的煤具有较高的挥发性，同时，产生的灰分较少，燃烧较稳定，并且产生的热损失相对较小。在优质烟煤的使用中，可有效提高锅炉的经济性，能够被有效应用。在其优化过程中，应当根据实际的规定，将其中氧量从原来的下降到，并将空气系数由调整到，以此通过优化指标，发电厂一年可有效节约大约万元，提高发电厂的经济效益。同时，还需合理调整风速，通过实际分析，可将锅炉中风管内的压力控制到，并使风机电流控制在左右。在该指标的设定下，每年可节约大约万元。与此同时，除了锅炉优化之外，还需对汽机进行节能优化，在汽轮机优化的过程中，应当详细分析单阀运行时热耗的变化，并对汽轮机进行逐渐改进，完善其设计方案。在改造完善后，汽机的各项指标均有所下降，继而通过对经济效益分析，发现在汽机的优化下，可充分节约万元左右。同时，在汽轮机负荷变化的过程中，发电厂应当对其进行有效试验，明确具体的变化过程，以此确定实际参数。在汽机水泵的应用时，可对水泵上水进行调整，采用抽汽供汽的方式，并选用电泵作为热备用，以此能够降低发电厂的成本，节约成本大约为万元左右。通过指标优化，进一步降低发点厂成本，提高其经济效益。
提高发电厂经济运行的管理建议分析
1.控制成本
首先，强化节能方面的基础性管控。执行基础工作，是实现发电厂减排机制及目标的根本保障。龙岗发电厂需根据本单位的具体经济发展标准，适时进行基础性工作，并落实设计方案。其一，节能方案需在各个部门执行，确保经济项目和目标均有对应的负责人，以月、年为实践节点，汇总报告经济项目的执行程度，实际完成率标准需和项目本身有关。其二，合理运用公司内部结构的各阶层，确保组织整体、部门以及一线班组，以实现全体人员及整个发电生产链均能融入到节能管理之中。发电、资源消耗及发电厂本身的用电量等指标，细分至班组及部门。其三，能源计量方面，需严格根据国内及电力行业的规定开展，具体的计量内容包括设备规格、精确值以及测量范畴等，确保实物符合发电厂节能减排的标准，为此需构建校验、应用及运维的基本体系与台账。为保证发电质量，所用的燃料、水等需全部检验，注意要配备专用的计量工具。其次，强化安全方面的运行管控。一是加大宣传，使全体职工均能产生节能意识。对于发电厂而言，节能是保障其经济平稳运行的重要方向，现实推行期间，应能将此落实于群众，根据发电厂的专业情况，组织节能训练，提高其节能分析的水准，以强化职业素养，从一线员工本身提升节能效果。例如，目前已有的老带新，借助理论与技能考试、节能演讲等。二是加深管理的精细化程度。运行分析主要负责对发电机组的所有参数开展研讨，目的是辅助管理者及运行工作者，清晰了解发电厂使用设施的工作性能和运维规律，积极开发或吸收新技术，以提升职业水准，保障发电机组安全，由此保障电厂运行的经济性。三是开展小指标竞赛。可兼顾增产及控耗，以推动经济运行效益。借助竞赛的形式，落实考评体系，将耗煤量、用电量等小指标细分至短期目标上。最后，强化运维管控。为使经济运行保持安全，需全方位运维发电机组及控制系统，并落实对装置管理控耗，合理改造机组，时刻持有节能的理念，推进项目检测及实行、汇总。借助发电生产技能升级优化，综合体现在煤炭、水体、电能等资源的消耗上。同时，落实常规的设备状态运维工作，根据厂内现有的技术员，将机组需要检修的各项工作分配给个人，实行责任制，并设置考核体系，避免出现遗漏项。机组的阀门和各构件的衔接面，渗漏率不能超过2%。此外，针对锅炉设备的漏风情况，必须定期查看。通过全方位的防护，使发电机组始终保持稳定的工作状态，降低意外停机的概率。
2.节能效益
一方面，凭借外力扩展节能的渠道。现如今，国内的生态环保基本由经营主体自行开展，造成此类项目的规模不大，缺乏集成化及专业性的技术队伍，公司对此投入的成本偏高。发电厂的经营项目和能源有关，生产期间会产生消耗资源的情况，节能减排的难度较大，此外专业性人才及工艺、管理等方面的诉求逐步强化。发电厂在面对此类经济性运转工作时，若无法有效和同行业企业，将用于节能减排的各类要素之间形成优势互补，则会限制节能发展的成效。对此，发电厂应合理借助外力，发挥出集体的力量，提高节能的专业化程度，以满足相关使用仪器、技术的专业性管控使用，以推动发电厂所开展的节能减排工作，得以平稳运行。此外，持续开展对标工作，合理借鉴其他发电厂在节能环保方面的管理举措及运行指标，提升发电机组的稳定性，并将此作为管理工作的重点，确实推行管理的升级调整，以扩大可发展的节能空间。另外，加紧和当地高校及专业院校建立合作关系，以拓展吸收新技术的途径，以实现将创新成果转化成实用节能，与发电厂本单位的经营运转相融合，借助高校在人才培养方面的优势，挖掘可用的节能点，以增加经济效益，维护运营的平稳性及可存续性。另一方面，挖掘发电厂自身的优势，以开发出新的经济增长点。发电厂实行“电水热”三项同步推进，增强三者的联产成效，同时开发盐水、石膏等产品，逐渐发展成的循环经济发电厂。结合组织整体的发展方向，需持续强化和当地部门、各类重点企业之间，建立交流联系，推动本地经济能源的统筹运用合理部署。在确保稳定发电的前提下，提升先进技术的运用成效，将能耗量控制在最低值，并加深自主化经营的程度，科学减少成本投入，并保证产能的持续增加。联合水热方面的市场，带动自身的电力经济发展，开发出新的经济增长热点，并控制耗能，稳定经济运行。总之，发电厂在经济运行过程中，应当明确制约或推动自身进步的因素，由此才能保障运行举措的合理性。在当前的市场背景下，尤其是发电厂等经营项目和能源有关的主体，需从控制消耗入手，配合常规发展战略，综合推动经济运行效率。
参考文献
[1]张耀.论火力发电厂汽机辅机经济运行优化策略[J].智库时代，2019，(38):24+26.
[2]蒋开颜.论火力发电厂汽机辅机经济运行优化策略[J].通讯世界，2019，(03):307-308.
机电一体化的优点篇8
[关键词]无功优化粒子群算法遗传算法
中图分类号：tm714文献标识码：a文章编号：1009-914X（2014）07-0324-01
1、无功优化目标函数
从经济性考虑，通常把有功网损最小作为目标函数[1-2]：
2、两种算法matLaB仿真
本文采用标准遗传算法和标准粒子群算法[3]，文献[4]在用人工鱼群法做ieee6的优化时，采用了标准的ieee6节点系统，给出了控制变量、状态变量的取值，具体接线图，参数设置见本文献[4]，由于。此典型系统基准功率为SB=100mVa。该系统包括6个节点（节点1为平衡节点，节点2为pV节点，其它节点为pQ节点）、7条支路、4个负荷节点（分别是节点3、4、5、6）、2台发电机（节点1、2）、2条可调变压器支路（支路3-5、4-6）和2个无功补偿点（节点3和4）。系统中的发电机机端电压是连续变化的；可调变压器的调节间距为2.5%，无功补偿容量间距分别为0.005和0.0055。
本文选取群体规模n为200，迭代次数100，粒子群算法中惯性权重取常值0.8即可，用matLaB语言编写无功优化程序，结果如图2.1，图2.2和表2.1。
由图2.1和图2.2可知，粒子群算法可以更早的收敛，得到最优解，遗传算法最优解有些不稳定，只能在总体上得到；系统的网损由11.505mVa下降到粒子群算法的7.91mVa，遗传算法的8.76mVa，粒子群算法用于无功优化完全可行，效果更理想；由表2.1知，用粒子群算法和遗传算法优化后各负荷节点电压和发电机节点的无功功率都有了明显改善；粒子群算法计算时间更短，编程也更简单。
3、结论
本文用matLaB语言编写无功优化程序，引入经典的ieee6节点系统，对粒子群算法和遗传算法用于无功优化的可行性和有效性进行对比验证。结果显示，基于粒子群算法的无功优化，收敛速度更快，编程简单，计算时间短，易于推广使用，能精确地找到全局最优解，系统的网络损耗明显降低，电压值稳定且有了相应的提升，达到了改善电压质量、减少网络损耗和提高电压稳定性的无功优化目的。鉴于粒子群算法是一种更加优秀的算法，在今后的无功优化算法设计中，作者将以粒子群算法为基础，去研究如何更好的解决无功优化的问题，很多学者已经提出了很多构想，比如二进制粒子群法，小生境粒子群法，免疫粒子群法等等，本文只是把最基本的粒子群算法运用到无功优化问题，在以后的研究中，应该整合各类思想，使基于粒子群算法的无功优化方案更加科学，更加合理。
参考文献
[1]赵波，曹一家.电力系统无功优化的多智能体粒子群优化算[J].中国电机工程学报，2005，25（5）：1-7.
[2]万盛斌，陈明军.于改进遗传算法的电力系统无功优化[J].继电器，2005，33（15）：37-40.
[3]纪震，廖惠连，吴青华.粒子群算法及应用[m].北京：科学出版社，2009，16-180.
[4]唐剑东.电力系统无功优化算法及其应用研究[D].武汉：华中科技大学，2004.
机电一体化的优点篇9
关键词：无功备用容量；无功补偿规划；多目标
1无功补偿节点的选择
1.1提升无功备用容量的灵敏度
在我国经济保持中高速发展的背景下，国内企业的用电量也在不断增加。从企业生产角度来说，为了尽可能地提高生产质量和经营效益，必须要保证企业供电的稳定性和持续性，无功补偿器在维护企业正常用电方面发挥了重要作用。考虑到无功补偿器在使用过程中，对给无功电源的备用容量造成一定程度的干扰，因此在选择无功补偿节点时，要重点考虑无功备用容量的灵敏度。
1.2提升电网综合灵敏度
理论上来说，在进行用电系统规划时，可以人为地提升系统无功备用容量灵敏度的节点，并且可以根据实际工作的需要，将该节点作为无功补偿的候选点。这样一来，在电网运行过程中，系统内部的电能损耗就会大大降低。但是经过多次的实践证明，无论是企业用电系统还是家庭用电系统，系统无功备用容量的灵敏度变化，与网络损耗灵敏度之间并不存在直接的线性关系。所以我们在选择无功补偿节点时，不能单纯地考虑无功备用容量的灵敏度，还要综合考虑电网系统的灵敏度。
2提高系统无功备用容量多目标无功补偿规划的方法分析
2.1自适应免疫优化算法
目前，能够用于提高系统无功备用容量多目标无功补偿的计算方法有很多种，但是由于计算方式、系统目标等多方面因素的影响，这些方法各有其优缺点。自适应免疫优化算法结合了克隆数、变异率、交叉率等多个的专业内容，对于保证计算结果的准确性起到了积极帮助。当自适应免疫优化算法中变异率和交叉率显著提升时，系统中单位时间内产生个体的速度也就越快，从而极大地提升了种群的S富度。当种群丰富度超过标准值后，就会对自适应免疫算法的计算结果产生干扰影响。因此，我们在选用自适应免疫优化算法时，为了保证其计算结果的有效性，需要人为控制系统的运行效率，甚至要改变系统的变异率和交叉率。
2.2自适应免疫优化算法的实施步骤
如上文所说，自适应免疫优化算法包含了克隆数、交叉率在内的多种计算方法，而每一种因素的变化都会对自适应免疫优化算法的计算结果产生影响，并最终决定了系统无功备用容量多目标无功补偿规划效率的高低。在采用自适应免疫优化算法时，可以参照以下几个步骤，确保计算工作的有序进行：
第一步，根据系统无功备用容量的目标及补偿规划，确定自适应免疫优化算法的抗原及抗体。通常情况下，我们将无功优化多目标的约束条件及函数作为抗原，而将多目标函数条件下的可行解析作为抗体。在明确抗原和抗原的定义后，就可以以此作为基本参量，进行下一步的计算。
第二步，考虑到系统无功备用容量多目标的约束性条件会随着无功补偿规划的实行而产生变化，加上不同约束条件下所采取的计算函数也会有所差异，因此要结合用电系统的实际情况，及时开展抗原和抗体的亲和力计算，以确保计算结果具有代表性。
第三步，在求出抗原、抗体亲和力的基础上，要选择整体中亲和力较高的抗体，并将其延伸到记忆种群中。随后，对同一系统中的多个抗体进行叠加，并求出抗体群体的平均亲和力。最后，以抗体平均亲和力作为基本参量，代入相应计算公式中，求出整个系统中抗体的变异率和交叉率。
第四步，将经过克隆、变异、交叉后所得的新的抗体群（a），与记忆抗体群（B）进行充分组合，并对重新组合后的抗体群（C）进行预测。如果预测结果符合结束标准，则结束组合操作，从抗体群中找出最优解输出，并以此为依据制定系统无功备用容量多目标无功补偿规划的最佳规划方案。如果预测结果达不到结束标准，则将所得抗体群（C）作为新的抗体群（a1），进行新一轮的组合、预测，直到求出最优解。
2.3补偿容量的求解
求出无功补偿节点，是实现无功补偿规划方案优化的关键。结合自适应免疫算法的运算流程，可以根据无功补偿节点，求出该节点所对应的解析数值，以便于为电力系统的稳定运行提供参数对照。除此之外，在进行无功补偿期间，还需要综合考虑变电站空间位置的影响。无功补偿规划是电力系统无功备用容量多目标无功补偿规划的关键，并且其节点补偿容量也直接影响到了整个电力系统的运行稳定性。
不可否认的是，自适应免疫算法在应用过程中，还存在一些局限性，这就需要我们结合用电系统无功备用容量多目标无功补偿规划的实际情况，不断进行算法优化，以确保其计算结果具有较高的参考和应用价值。
3发电机断开后电压稳定裕度分析
在静态稳定分析中，当系统无功不很充裕时（如发电机断开），将给系统带来大的困难，甚至发生电压失稳。如系统通过合理的无功补偿，即使发电机断开，也能保持系统安全稳定运行。为此断开系统中无功备用容量对系统电压稳定贡献最大的#13发电机。#21节点Q-U曲线见图1。可发现补偿后系统的电压稳定与故障前相差不大，而规划前的系统发生故障后电压稳定裕度距离系统的无功不足只有4.42mVa，这主要是因补偿后的#21节点无功获取主要是从补偿节点获得，从#13发电机处获无功较少，而补偿前的#21节点获取的无功较多。
4结束语
为了提升工业用电的可靠性，需要对工业用电系统进行不断的优化，这样才能提升工业用电的安全性、可靠性、高效性。文章主要从对无功补偿节点的选择、自适应免疫优化算法、补偿容量的求解等三方面进行分析，希望通过文章的分析，对提升工业用电效率给予一定的启发。
参考文献
[1]郑超，马世英，盛灿辉，等.以直流逆变站为动态无功源的暂态电压稳定控制[J].中国电机工程学报，2014（34）：131-133.
机电一体化的优点篇10
【关键词】系统辨识无功优化容量选择
1引言
无功功率，是指为了维持电源与用电设备的电感和电容之间进行电磁能量交换所需要的功率。无功电源如同有功电源一样，是保证电力系统、电能质量、降低网络损耗以及安全稳定运行所不可缺少的部分。在电力系统中，无功要保持平衡，否则，将会使系统电压下降，严重时，会导致设备损坏，系统解列。此外，电网的功率因数和电压降低，使电气设备得不到充分利用，促使网络传输能力下降，损耗增加。本文利用系统辨识算法对电网无功算法进行了优化与改进。兼顾了电力系统的经济性与可靠性，在电力市场环境下具有可行性。
2系统辨识的概念
系统辨识的基本思想是根据系统运行或试验测得的数据，按照给定的“系统等价准则”从一群候选数学模型集合中，确定给一个与系统特性等价的数学模型。由于实际系统的机理往往是未知的，因此依据“系统等价准则”得到的模型大多只是实际系统模型的某种近似，而不是准确的系统模型。所以，辨识模型一般也称为系统名义模型。
依据上述系统辨识的基本思想，系统辨识包括三个主要因素，即候选数学模型集，辨识准则及辨识算法。
3遗传算法的概念
遗传算法是一种新兴的优化算法，属于系统辨识算法的一种。是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性算法，由于具有不受函数性质制约、全方位搜索及全局收敛等诸多优点，得到了日益广泛的应用。
4无功优化的模型
在无功优化和无功补偿中，首先要确定合适的补偿点。传统的无功负荷补偿点一般按以下原则确定：
（1）根据网络结构的特点，选择几个中枢点实现对其他节点电压的控制；（2）根据无功就地平衡原则，选择无功负荷较大的节点；（3）无功分层平衡，即避免不同电压等级的无功相互流动，以提高系统运行的经济性；（4）网络中的无功补偿不应低于0.7的标准。
5基于遗传算法的无功优化算法
5.1遗传算法机理
遗传算法从任一初始化的群体出发，通过随机选择（使群体中优秀的个体有机会传给下一代）、杂交（体现了自然界中群体内之间的信息交换）和变异（在群体中引入新的变种确保群体中信息的多性）等遗传操作，使群体一代一代地进化到搜索空间中越来越好的区域，直至抵达最优解点。
5.2最佳补偿节点以及补偿容量的确定
使用遗传算法需要确定的运行参数有：编码串长度、交叉和变异概率、种群规模。编码串长度由问题的所要求的精度来决定。交叉概率控制着交叉操作的频率，交叉操作是遗传算法中产生新个体的主要方法，所以交叉概率通常应取较大值，但如果交叉概率太大的话又可能反过来会破坏群体的优良模式，一般取0.4-0.99。变异概率也是影响新个体产生的一个因素，如果变异概率太小，则产生新个体较少；如果变异概率太大，则又会使遗传算法变成随机搜索，为保证个体变异后与其父体不会产生太大的差异，通常取变异概率为0.0001-0.1以保证种群发展的稳定性。种群规模太大时，计算量会很大，使遗传算法的运行效率降低，种群规模太小时，可以提高遗传算法的运行速度，但却种群的多样性却降低了，有可能找不出最优解，通常取种群数目20-100。利用遗传算法求解补偿节点及补偿容量的计算过程如图1所示。
5.3算例分析
按照上面的模型和算法，用基于遗传算法的无功优化程序，对12节点110kV配电网线路算例进行了计算。计算参数选择：每组电容器安装费用为l万元.种群规模取30，遗传代数为50，交叉率为0.7。变异率为0.1，电压越限罚因子为200。装设单位补偿容量的综合投资25元/kvar，最大负荷损耗时间5000h，电价0.52元/（kw.h），电容器的单组容量为2.4mvar。结果显示，可以使网损由303.35kw下降到255.27kw。由此增加的投资约为28万元，年支出费用（网损费及新增补偿装置年投资）为69.17万元，比优化前下降9.7万元，投资3年左右投资基本能回收。
参考文献：
[1]姜均仁.《电路基础》哈尔滨大学出版社，1996.