陈育成
- 作品数：8 被引量：37H指数：3
- 供职机构：广东电网公司更多>>
- 发文基金：广东省教育厅电力节能与新能源技术重点实验室资助项目广东省教育部产学研结合项目广东省自然科学基金更多>>
- 相关领域：电气工程自动化与计算机技术更多>>
- 基于动态NW小世界量子粒子群算法的电力系统无功规划优化
- 2015年
- 为了解决电力系统无功规划优化问题,提出一种动态NW小世界量子粒子群算法(NWQPSO),改善了传统量子粒子群算法易陷入局部最优的缺点。将NW小世界的动态拓扑结构应用到粒子进化公式中,增加了迭代过程中粒子多样性,使其多局部搜索和全局性搜索。利用电压稳定裕度指标,寻找系统电压稳定性较薄弱节点,将其作为无功补偿安装点,以无功补偿装置投资和网损综合费用为目标函数,通过IEEE30节点系统的仿真,验证了该规划方法和算法的有效性。
- 陈志江彭祖群陈育成
- 关键词：无功规划优化量子粒子群
- 基于NW小世界的量子进化算法在无功优化中的研究被引量：8
- 2015年
- 针对量子进化算法的早熟问题,提出了一种适于电力系统无功优化的NW(newman-watts)小世界量子进化算法。该算法引入了NW小世界网络模型,以一种新颖的随机加边方式动态改变种群个体的邻域拓扑结构,从而保证了整个优化过程中的种群多样性,提高了算法的全局搜索能力。应用该算法对IEEE-14节点和IEEE-57节点系统进行无功优化的仿真分析,结果表明,NW小世界量子进化算法在电网无功优化计算中具有较强的全局寻优能力和较高的收敛精度。
- 孟安波岳龙飞邢林华陈育成李阳
- 关键词：量子进化算法无功优化
- 基于虚拟预测与小波包变换的风电功率组合预测被引量：19
- 2014年
- 为了提高风电功率的预测精度,针对风机功率不稳定性和非线性强的特点,使用小波包变换将风机出力分解成多个频率的子序列,然后运用组合预测方法分别对各子序列进行提前24 h预测,叠加各子序列的预测值,得出实际预测结果。其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。选择广东某风电场实测数据作为案例,对连续7天风电功率进行了预测。结果表明:小波包变换能有效把握风电功率变化规律,对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。
- 孟安波陈育成
- 关键词：风电功率小波包变换组合预测
- 基于小波包的短时风机出力组合预测模型研究
- 风力发电是目前开发最广泛且增长速度最快的清洁能源，随着风电容量在电网中的比例上升，风电出力的间歇性和随机性给电网带来的冲击日益明显，影响电能质量和电网稳定性。利用风电功率预测技术，可以为电网调度及风电场安排发电计划和停机...
- 陈育成
- 关键词：功率预测小波包变换支持向量机风力发电
- 基于免疫机制的配电网接地故障融合选线被引量：1
- 2017年
- 由现场数据分析可知,经单一判据的配电网接地故障选线由于受故障点接地电阻、中性点消弧线圈补偿及故障发生的时刻等因素的影响,选线精确度不高。为了解决这一难题,提出基于免疫机制的融合选线算法,融合4种选线判据作为免疫机制的抗原集,分别用免疫聚类和遗传算法优化RBF神经网络中心和权重。将目标网络应用到配电网接地故障选线,通过仿真实验,验证了上述算法具有很高的选线正确率。
- 尹胜兰陈育成
- 关键词：免疫机制RBF神经网络聚类分析配电网
- 基于环形拓扑的粒子群优化算法在无功优化中的应用被引量：2
- 2014年
- 电力系统无功优化是一个复杂非线性的动态问题,将粒子群优化算法用于电力系统优化虽然取得了广泛的应用,但粒子群本身存在早熟的问题使得无功优化过程中容易陷入局部最优,导致优化效果不理想。针对粒子群因为全连接拓扑造成的早熟问题,将一种环形拓扑的粒子群算法用于无功优化,使用标准测试函数测试表明其性能较一般粒子群好,然后将其用于IEEE14节点的无功优化,结果表明其收敛结果明显优于原粒子群。
- 何占琦孟安波陈育成袁志坚李阳岳龙飞
- 关键词：粒子群无功优化
- 基于Pareto最优的电力系统多目标优化研究被引量：1
- 2015年
- 针对基于Pareto最优的电力系统多目标优化问题研究进行了综述。首先对Pareto多目标优化问题进行概述,其次对基于Pareto最优的电力系统多目标优化问题的处理方法进行分析,并归纳了目前求解该领域Pareto最优的MOEA、ε-MOEA、SPEA、NSGA-II、NPGA和MOPSO智能优化算法的特点。最后对基于Pareto最优的电力系统多目标优化的研究趋势和发展方向进行了展望。
- 陈深陈育成刘文胜
- 关键词：电力系统多目标优化PARETO最优智能优化算法
- 基于种群替代的量子粒子群算法的含风电网无功优化被引量：5
- 2014年
- 针对量子粒子群算法后期收敛速度慢,且易陷入局部最优解等问题,将粒子种群全局最优替代的思想和多种群并行搜索策略相结合,设计了一种基于含局部种群变异的多种群并行搜索替代的量子粒子群算法。该算法采用种群并行搜索替代的方式引入变异,增加了种群的多样性,同时在局部种群中利用全局最优替代平均最优,加快收敛速度。分别应用基本粒子群、量子粒子群和种群替代的量子粒子群算法对某含风电网进行仿真,验证了种群替代的量子粒子群算法在含风电网无功优化中的有效性和实用性。
- 孟安波李阳陈育成何占琦
- 关键词：量子粒子群算法无功优化电网收敛速度并行搜索种群变异
