基于群体智能的电力系统优化调度理论与方法图书目录

第一章电力系统调度优化概述

1.1电力系统特点及其基本概念

1.2电力系统调度的主要任务

1.3电力调度自动化系统

1.3.1电力调度自动化在电网中的地位与作用

1.3.2调度自动化系统基本结构与功能

1.3.3电力调度自动化系统的发展

1.4电力系统发电优化调度研究现状

1.4.1机组组合与经济调度

1.4.2梯级水电站群优化

1.4.3水火协调

1.4.4最优潮流

1.5调度优化算法研究现状

1.5.1单目标调度优化方法

1.5.2多目标调度优化方法

参考文献

第二章传统电力调度优化方法

2.1概述

2.1.1优化问题一般描述

2.1.2最优化问题的数学模型及分类

2.1.3最优化方法概述

2.2经济调度的等微增率准则

2.2.1概述

2.2.2耗量特性

2.2.3原理

2.2.4算例

2.3基于Lambda迭代法的经济调度

2.3.1概述

2.3.2Lambda迭代法求解经济调度原理

2.3.3算例

2.4基于梯度法的经济调度

2.4.1概述

2.4.2梯度法求解经济调度原理

2.4.3算例

2.5基于牛顿法的经济调度

2.5.1概述

2.5.2牛顿法基本概念

2.5.3牛顿法求解经济调度原理

2.5.4算例

2.6基于拉格朗日松弛法的机组组合

2.6.1拉格朗日松弛算法概述

2.6.2动态规划方法概述

2.6.3电力调度的机组组合问题

2.6.4拉格朗日松弛算法求解机组组合优化问题的思想

2.6.5基于拉格朗日松弛法的机组组合模型及算法

2.6.6算例

2.7基于拉格朗日松弛与动态规划结合的水火电协调

2.7.1水电系统建模方法

2.7.2水电系统优化模型及其求解算法

2.7.3基于拉格朗日松弛与动态规划的水火电协调优化

2.8小结

参考文献

第三章流域梯级水电站群优化调度的群体智能算法

3.1概述

3.1.1梯级水库调度特点

3.1.2梯级电站群结构及衔接方式

3.1.3梯级水电系统特性分析

3.1.4梯级水电系统参数定量描述

3.2考虑电价政策的流域梯级水电站群优化调度

3.2.1引言

3.2.2考虑电价政策的优化调度模型

3.2.3粒子群优化方法

3.2.4基于粒子群算法的调度问题求解

3.2.5案例分析

3.2.6小结

3.3基于多向导粒子群算法的流域梯级水电站群长期优化调度

3.3.1问题描述

3.3.2标准粒子群算法

3.3.3多向导粒子群算法

3.3.4基于多向导粒子群算法的流域梯级水电站优化调度

3.3.5案例研究

3.3.6小结

3.4基于粒子群算法的水电厂经济运行

3.4.1问题描述

3.4.2粒子群算法求解步骤

3.4.3案例分析

3.4.4小结

3.5基于蚁群算法的流域梯级水电站群短期优化调度

3.5.1市场条件下梯级水电站群优化调度概述

3.5.2梯级水电站群短期优化调度准则

3.5.3市场机制下流域梯级水电站群短期优化调度模型

3.5.4基本蚁群算法优化的基本原理及算法描述

3.5.5动态自适应蚁群算法

3.5.6基于动态自适应蚁群算法的梯级水电站短期优化调度

3.5.7案例研究

参考文献

第四章考虑政策因素的流域梯级水电站群调度优化模型及其应用

4.1概述

4.2考虑政策因素的流域梯级水电站群优化调度模型

4.2.1目标函数

4.2.2约束条件

4.2.3数据预处理

4.3调度优化模型应用

4.3.1不同电价政策对流域公司收益水平的影响

4.3.2“统一电价”和“一站一价”对流域公司的收益水平及水资源利用程度的影响

4.3.3不同调度方式对流域公司收益水平及水资源综合利用程度的影响

4.3.4各种防洪要求对流域梯级水电站群正常运行的影响

4.3.5航运、灌溉、环境等政策对梯级最优运行方案的影响

4.3.6为流域发电公司发电计划制订提供参考

4.4澜沧江流域案例研究

4.4.1相关参数

4.4.2一站一价与统一电价

4.4.3不同库区防洪约束

4.4.4不同航运约束

4.4.5不同调度方式

4.4.6不同政策因素下求解结果分析

4.5清江流域案例研究

4.5.1相关参数

4.5.2长期调度优化

4.5.3短期调度优化

4.5.4结果分析

4.6小结

参考文献

第五章基于PSO和DE算法的水火电协调优化

5.1水火电协调优化概述

5.2水火电协调优化问题描述

5.2.1STHS问题目标函数

5.2.2STHS问题约束条件

5.3粒子群算法及其改进方向

5.3.1粒子群算法起源

5.3.2粒子群算法基本原理

5.3.3粒子群算法流程

5.3.4相关改进

5.4DE进化算法及其改进方向

5.4.1差分进化算法概述

5.4.2差分进化算法基本操作

5.4.3差分进化算法基本步骤

5.4.4相关改进

5.5基于改进粒子群算法的STHS

5.5.1改进粒子群算法关键操作

5.5.2基于MPSO算法的水火电力系统短期优化调度步骤

5.5.3案例仿真

5.5.4小结

5.6基于DE加速的粒子群算法求解STHS问题

5.6.1基于DE加速的粒子群算法

5.6.2基于DE加速的PSO求解水火联调问题步骤

5.6.3案例研究

5.7基于小种群粒子群算法的STHS

5.7.1概述

5.7.2小种群粒子群算法关键框架

5.7.3基于SPPSO算法的STHS步骤

5.7.4案例仿真

5.7.5参数敏感性分析

5.8基于改进的混沌差分进化算法的STHS问题

5.8.1概述

5.8.2改进的混沌差分进化算法求解水火联调

5.8.3案例仿真

参考文献

第六章基于PSO的电力系统机组组合优化

6.1概述

6.2电力系统机组组合优化

6.2.1问题描述

6.2.2机组组合优化求解方法研究现状

6.3基于改进粒子群算法的机组组合优化

6.3.1标准粒子群算法

6.3.2基于改进粒子群算法的机组组合优化

6.3.3案例仿真

6.4基于小种群二进制粒子群算法的机组组合优化

6.4.1二进制粒子群算法

6.4.2基于小种群的BPSO算法及其机组组合优化

6.4.3案例研究

6.4.4小结

6.5水火电力系统机组组合优化问题描述

6.5.1概述

6.5.2水火电力系统机组组合问题描述

6.6基于小种群混合二进制粒子群算法的水火电力系统机组组合

6.6.1基于小种群的混合二进制粒子群算法

6.6.2基于SPHPSO算法的STHUC

6.6.3案例研究

6.6.4总结

参考文献

第七章基于群体智能优化方法的最优潮流

7.1概述

7.2潮流计算

7.2.1潮流计算基本方程

7.2.2潮流计算最优化模型

7.2.3基于粒子群算法的潮流计算

7.2.4案例仿真

7.3基于差分进化算法的最优潮流

7.3.1潮流优化问题描述

7.3.2增广直角坐标牛顿法潮流计算

7.3.3基于差分进化算法的最优潮流步骤

7.3.4案例仿真

7.4基于PSO算法的水火电力系统多时段最优潮流

7.4.1问题描述

7.4.2基于粒子群算法水火电最优潮流模型求解

7.4.3案例仿真

7.5考虑输电网络约束的电力系统机组组合优化及其PSO解法

7.5.1问题描述

7.5.2基于改进粒子群算法的问题求解

7.5.3案例仿真

7.5.4小结

参考文献

第八章水火电力系统及流域梯级水电站群多目标优化调度

8.1概述

8.2水火电力系统多目标优化调度

8.2.1水火电力系统多目标优化模型

8.2.2水火电力系统多目标优化算法

8.3基于SPPSO算法的水火电力系统环境经济调度

8.3.1环境经济调度模型转换

8.3.2求解框架

8.3.3案例研究

8.3.4小结

8.4基于Pareto支配的小种群多目标粒子群算法

8.4.1多目标粒子群算法

8.4.2基于Pareto支配的小种群的多目标粒子群算法关键框架

8.5基于SPMPSO的水火电力系统多目标优化

8.5.1SPMPSO求解水火电力系统多目标优化关键步骤

8.5.2案例研究

8.5.3小结

8.6澜沧江流域梯级水电站群多目标优化

8.6.1引言

8.6.2流域梯级水电站群多目标优化模型

8.6.3基于SPMPSO的澜沧江流域梯级电站多目标优化调度步骤

8.6.4仿真结果

8.7本章总结

参考文献2100433B

本书针对电力调度员调度决策，适应调度自动化系统智能化发展趋势，系统介绍了作者在基于群体智能的电力系统优化调度领域的最新研究成果，集中体现了近年来电力系统调度优化研究的新进展和新方法。本书重点内容包括采用群体智能优化方法（包括粒子群算法、差分进化算法、教与学优化算法等）解决电力系统经济负荷分配、考虑网络约束的电力系统机组组合、含梯级水电的水火电联合调度、最优潮流和电力系统多目标优化调度等问题。同时结合市场化下电力调度的多准则现状，分别从发电公司和电网的角度探讨电力系统优化调度问题。

“本书内容丰富，富于启发性和思想性，强烈推荐给所有的演进计算研究人员。”

——Genetic Programming and Evolvable'Machines

“这本书极为出色，不愧为PSO和群体智能的最佳参考书：”

——Konstantions E.Parsopoulos 希腊Palras大学

群体智能是发展迅速的人工智能学科领域。通过研究分散、自组织的动物群体和人类社会的智能行为，学者们提出了许多迥异于传统思路的智能算法，很好地解决了不少原来非常棘手的复杂工程问题。与蚁群算法齐名的粒子群优化（particle swarm optimizatiotl，简称PSO）算法就是其中最受瞩目、应用最为广泛的成果之一。

《群体智能》由粒子群优化算法之父撰写，是该领域毋庸置疑的经典著作。作者提出，人类智能来源于社会环境中个体之间的交互，这种智能模型可以有效地应用到人工智能系统中去。书中首先从社会心理学、认知科学和演化计算等多个角度阐述了这种新方法的基础，然后详细说明了应用这些理论和模型所得出的新的计算智能方法——粒子群优化，进而深入地探讨了如何将粒子群优化应用于广泛的工程问题。

《群体智能》的C及ViSLlaI Basic源代码可以在图灵网站《群体智能》网页免费注册下载。

项目管理技术在实践中的应用日趋广泛，项目调度是项目管理的一个重要方面，合理的调度计划是降低成本、提高质量、缩短周期的重要保证。在理论上，项目调度问题模型丰富，包含了flow-shop、job-shop和open-shop等典型的作业调度领域的NP-hard问题，求解困难。

本书凝聚了作者在资源受限项目调度领域的最新研究成果，引用国内外最新资料，反映了当前该领域领先的研究水平。本书对于项目管理领域的研究人员、高校教师、研究生以及从事项目管理工作的管理人员来说，是一本极好的参考书。