基于改进粒子群优化算法的锌电解分时供电优化

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (2): 221-221.

基于改进粒子群优化算法的锌电解分时供电优化

李勇刚,桂卫华,阳春华

中南大学信息科学与工程学院

收稿日期:2006-01-18 修回日期:1900-01-01 出版日期:2007-01-11 发布日期:2007-01-11
通讯作者: 李勇刚 lygtod lygtod

Optimization of time-sharing power supply for zinc electrolytic process based on improved PSO algorithm

Yonggang Li,,

中南大学信息科学与工程学院

Received:2006-01-18 Revised:1900-01-01 Online:2007-01-11 Published:2007-01-11
Contact: Yonggang Li

摘要/Abstract

摘要： 依据电力部门的分时计价政策，利用由生产过程数据所建立的不同电解液酸锌比下电流效率及槽电压与电流密度之间的关系，建立了锌电解过程分时供电优化模型。同时提出了一种改进的粒子群优化算法，该算法采用轮盘赌的方法选择整个粒子群当前最优位置，降低了算法过早收敛于局部最优解的几率。最后将改进算法应用于分时供电优化，以获得最优的分时供电方案。仿真及实际应用结果表明，算法的改进大大提高了其全局搜索能力，分时供电的优化能显著降低锌电解过程的用电费用。

关键词: 锌电解过程, 分时供电, 粒子群优化, 轮盘赌选择

Abstract: According to time-sharing price counting policy of electric power, the relationship between current efficiency, cell voltage and current density at different ratio of sulfuric acid and zinc in electrolyte are obtained through analyzing process data of zinc electrolytic process (ZEP), and an optimization model of time-sharing power supply (TSPS) of ZEP is established. An improved particle swarm optimization (IPSO) algorithm is proposed. This algorithm selects the best position found by the swarm so far with roulette wheel selection method and the probability of premature converge to local minima is decreased. At last, the IPSO algorithm is applied to TSPS to obtain optimal time-sharing power supply scheme. Simulation and industrial practical results show that global search ability of IPSO is improved greatly and optimization of TSPS can decrease the power cost notably.

Key words: zinc electrolytic process, time-sharing power supply, particle swarm optimization, roulette wheel selection

李勇刚,桂卫华,阳春华. 基于改进粒子群优化算法的锌电解分时供电优化[J]. 计算机工程与应用, 2007, 43(2): 221-221.

Yonggang Li,,. Optimization of time-sharing power supply for zinc electrolytic process based on improved PSO algorithm[J]. Computer Engineering and Applications, 2007, 43(2): 221-221.

[1]	徐尹翔, 陈祺东, 孙俊. 应用量子行为粒子群优化算法的文本对抗[J]. 计算机工程与应用, 2022, 58(9): 175-180.
[2]	陈博文, 邹海. 总结性自适应变异的粒子群算法[J]. 计算机工程与应用, 2022, 58(8): 67-75.
[3]	朱国晖, 刘茹文, 杨瑛. 多种群粒子群的SDN控制器故障恢复算法[J]. 计算机工程与应用, 2022, 58(5): 124-130.
[4]	张先才, 张足生, 李益广, 郭小红, 陈伟. 基于脉冲相干雷达的车辆检测算法[J]. 计算机工程与应用, 2022, 58(10): 276-282.
[5]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[6]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[7]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[8]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[9]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[10]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[11]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[12]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[13]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.