《外文翻译(基于多主体粒子群最优化能源反应发生装置的研究)》由会员分享，可在线阅读，更多相关《外文翻译(基于多主体粒子群最优化能源反应发生装置的研究)（15页珍藏版）》请在金锄头文库上搜索。
1、毕业论文（设计）外文翻译题 目：基于多主体粒子群最优化能源反应发生装置的研究系部名称： 专业班级： 学生姓名： 学 号： 指导教师： 教师职称： 年 月 日国际电工协会关于能源系统的处理，VOL.20，第二期，2005年5月基于多主体粒子群最优化能源反应发生装置的研究B. Zhao, C. X. Guo, and Y. J. Cao, Member, IEEE摘要能源反应发射装置在能源体系中是一个复杂的综合优化问题，是因为非线性作用包括多重性局部微小反应和非线性断续的系统规定参数。在这篇论文中，提出了一个针对解决能源反应发射装置难题基于多主体开放系统（MAPSO）的解决方法，这个方法就是新颖的
2、微粒子群最优化途径。这个方法融合了多主体模式（MAS）和新颖的粒子群最优化(PSO)运算法则。MAPSO中的一个主体代表着对于PSO的一种微粒和对于最优化问题的一种候选解决方案。所有的主体都存在于一个格子状的环境中，也就是说格子内每一个交叉点上都存在着主体。为了快速地汇集所有的积极因素，每一个主体会完成和邻居的合作，它们也可以学习运用自己的知识。为了更好地利用主体和主体之间的反互相作用和PSO的发展构造，MAPSO充分认识到了这种积极反应的价值。MASPO表示，积极的能源反应发射装置可以分为为IEEEE30倍功率模式和实用的118倍功率模式。模拟演示显示:与之前报道的方案相比，文中所提出的方法
3、更快更有效。这种最优化方案适用性较广，可以用于解决其他能源结构的最优化问题。索引目录：Qij 电压角度在总线i和j之间的差额和(rad)。Bij 在总线i和j之间传递电纳和（p.u.)。fQ 网络的有效功率的损失（p.u.)。Gij 在总线i和j之间传递电导和（p.u.)。gk 支线的电导（p.u.)。N0 设定的除静止总线之外的全体总线的数量。NB 设定的所有总线的数量。NC 设定安装的合理无功功率来源的总线的数量。ND 设定的能量需求的总线的数量。NE 设定的网络支线的数量。NG 设定的发生器总线的数量。Ni 设定的与总线i相邻的总线数量，包括总线i。NPQ 设定的 PQ总线的数量。NPV
4、 设定的PV总线的数量。NlimQ 设定超出无功能量极限之外的总线的数量。NT 设定的变压器支线的数量。NlimV 总线的数量设定在任意一个极限电压之外。PDi 总线要求的有效功率（p.u.)。Pgi 在总线上施加的有功功率（p.u.)。Pkloss 支线上有功功率的损失（p.u.)。Sl 在支线中的能量流失。（p.u)Ps 在静止总线上施加的有功功率（p.u.)。QCi 在总线i上施加的无功功率（p.u.)。QDi 总线i需求的无功功率（p.u.)。QGi 总线i吸收的无功功率。（p.u)Ti 分接变压器i上的电势。Vi 总线的电压量（p.u.)。VPQPQ 总线PQ的电压矢量（p.u.)。
5、VPVPV 总线PV的电压矢量（p.u.)。1、引言能源反应发射装置问题对安全经济的能源模式操作有标志性的作用。反应能源最优化是最优能源推断（OPF）的次要问题，它决定了所有可控制的变量，比如说发电机的反应能源输出量，静止能源反应装置的补偿，变压器的龙头比率，分流器的电容或反应装置的输出功率，等等。在满足一个物质的既定设置和操作系统参数时，传送损失最低估计和其它适当客观的作用。到目前为止，一部分由传统技术如以压力变化率为基础的最优化运算法则升级而来的多种数字规划技术已经被运用于解决这个问题。最近，由于内部定位思路的基本功效，它需要对其他方法的快速集中和不等量系统规定参数的便利掌握，内部定位长度
6、的规划、二次规划和非线性规划等方法已被广泛地运用到解决高级别能源系统的OPF问题。然而，这些技术在非线性控制上都有严重的局限性，如间断的功能和系统规定参数，以及功能所具有的多重的局部最小值。不幸的是，最初的能源反应问题也有这些局限性。在所有这些成就或简化结果中，有的已经突破了解决技术中的局限。联合搜索的进展中，分支定界和分界算法通常被用于解决复合整数规划模型。不管怎样，这些解决思路都是“非多项式的”，并且在大规模的应用中都遭遇了被称为“维度诅咒”的难题。为了克服这个算法式的缺点，一些有效的算法式也已经被提出来。为了解决递归复合整数问题，Aoki等人在近似值搜索的基础上，提出以不关联变量为主题的
7、方法来解决大规模的VAR计划问题。Bakirtzis和Meliopous提出线性规划的理论来解决运用Driebeck的损失运算法则时存在于最优化问题中的不关联的分流器的电容或反应装置。刘等人在Newton OPF方法取得进展期间没有联合研究的情况下，提出了以损失为基础的离散化运算法则来解决分流器的电容或反应装置的不关联性，这个运算法则在Newton OPF程序的工业品位中被运用，并且在实际的能源网络系统中得到了测试。在最近十年里，许多新的运用于全球最优化问题的随机研究方法已经被发明出来，例如，遗传学运算法则，进化规划，粒子群最优化。粒子群最优化（PSO）是进化估算技术的一种。它是通过对简化社会
8、体系的模拟发展，被创立出来用于解决持续的非线性最优化问题。PSO技术能在较短的计算时间内产生高质量的解决方法，并且比其他随机方法有更多的稳定集合优点。尽管PSO看起来比一些重量和参数的调整更容易受影响，许多研究仍然在解决复杂的能源系统问题上证明它的可能性的进程。Kassabalidis等人介绍动态的安全边界认证中运用PSO。NaKa等人为分配状态评估推荐了一种混合PSO。为了解决许多能源系统最优化问题，这被创立出来运用于PSO 快速的高质量的解决方案。通常来说，PSO在运行之初有一个更广泛的搜索能力，在运行结尾也有局部的搜索能力。因此，当运用局部最优化方案解决问题时，对于在运行结尾运用PSO探
9、索局部最优化因素有更多责任。然而，能源反应最优化问题对于自身也有所有权。出于这些原因，能源反应最优化问题的一个可信的广泛进程在能源工程领域有相当大的价值。最近，科学家已研究出了基于代理程式的计算方法，不但应用在人工智能【16】领域，而且也广泛地应用在计算机科学【17】以及其他领域中了。首先要解决问题是一个领域内许多基于代理程式的应用程序。Liu 等人【18】 介绍了解决限制分配技术的应用程序及补偿问题。受多代理程式系统和PSO的影响，整合了多代理程式系统和 PSO ，形成了基于代理程式的 PSO 方法 （MAPSO）,成功解决了无功功率最佳化问题。在 MAPSO中，一个代理程式描绘出粒子对 P
10、SO 和候选粒子解决办法的最佳化问题。 所有代理程式都像住在格子中一样，与每个代理程式一起在每一个格点上定盘。 为了快速获得最理想的“居住环境”，它们竞争而且选择与它们的邻居“住在”一起，使它们也能使用知识。随着科技的发展，这些代理程式与代理程式之间相互作用，和先进机械装置一样，采用这种方法可以比较可靠地、快速的找到高质量的环境，在一个适度时间段计算。MAPSO被用来计算一个电器最佳的无功功率，并且在国际电子工程师协会上评估出的30总线的能量系统和一个实际的118-总线能量系统。模拟产生的解决方法，可以更快速、更好的适应环境，这是比较早的报告。这份报告的其余组织者以下各项：第 2 节描述的最佳
11、无功功率的数学公式化调节。第 3 节将会详细的叙述MAPSO。第 4 节将会与其他方法做出比较模拟。最后，结论会在第5节中呈现。 2、公式化问题无功功率调度的目的将传输网络的有功功率损失减小到最小，其描述如下：其中上。上述的方程式在下面的背景中被名的。上述式子减小到最小限度，其中有一些限制：和能源循环守恒定律被用作同等的系统参数，反应能源来源安置约束，反应的产生约束，变压器龙头设置限制，总线电压限制和单个分支的能源循环被用作不同等的系统规定参数。在大部分非线性最佳化问题中，限制客观的问题的作用而采取处理措施。在无功功率调节问题中，发生器的总线电VPV和VS，分解变压器T的电势，和无功功率源的和
12、QC是用来控制自动变化的变比的。英文文献IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 20, NO. 2, MAY 2005A Multiagent-Based Particle Swarm OptimizationApproach for Optimal Reactive Power DispatchB. Zhao, C. X. Guo, and Y. J. Cao, Member, IEEEAbstractReactive power dispatch in power systems is a complex combinatorial optimiz
13、ation problem involving nonlinear functions having multiple local minima and nonlinear and discontinuous constraints. In this paper, a solution to the reactive power dispatch problem with a novel particle swarm optimization approach based on multiagent systems (MAPSO) is presented. This method integ
14、rates the multiagent system (MAS) and the particle swarm optimization (PSO) algorithm. An agent in MAPSO represents a particle to PSO and a candidate solution to the optimization problem. All agents live in a lattice-like environment, with each agent fixed on a lattice point. In order to obtain opti
15、mal solution quickly, each agent competes and cooperates with its neighbors, and it can also learn by using its knowledge. Making use of these agentagent interactions and evolution mechanism of PSO, MAPSO realizes the purpose of optimizing the value of objective function. MAPSO applied to optimal reactive power dispatch is
