1、“.....这是两个量纲不同的目标函数，并且还要满足等式和不等式的约束。电力系统最优潮流的数学模型可以表示为,,未找到引用源。式中，为控制变量，如除平衡节点以外其它发电机组的有功出力发电机节点包括平衡节点及具有可调无功补偿设备节点的电压幅值带负荷调压变压器的变比为状态变量，如节点电压幅值和相角。,为标量目标函数，如发电燃料耗量或发电费用,为潮流方程等式约束,为不等式约束，主要是系统运行的安全性及电能质量要求，如网络损耗环境参数线路潮流约束等。电力系统有功最优潮流问题是个多变量非线性多约束的组合优化问题，其目标函数般采用发电燃料耗量最小或发电费用最小，控制变量为有功电源出力，而无功电源出力或相应节点的电压幅值固定不变。以各种情况下电力系统的最优模型可以表示为式中未找到引用源......”。

2、“.....未找到引用源。,未找到引用源。分别为节点的注入有功功率和注入无功功率,未找到引用源。,未找到引用源。分别为节点导纳矩阵元素的实部虚部,未找到引用源。为节点的电压相对相位角,未找到引用源。,未找到引用源。分别为发电机的有功功率上下限,未找到引用源。为发电机的无功出力,未找到引用源。,未找到引用源。分别为发电机无功功率上下限,未找到引用源。为第个节点的电压,未找到引用源。,未找到引用源。分别为第个节点的电压上下限,未找到引用源。为第条线路传输功率,未找到引用源。为第条线路传输功率上限,未找到引用源。为机组的耗量特性，般用二次函数近似表示，即式中未找到引用源。,未找到引用源。,未找到引用源。为机组的耗量特性参数。改进算法为了使算法能够处理等式和不等式约束条件，找到问题的最优解，本文对算法进行了改进......”。

3、“.....在进化过程中失去全局或局部搜索能力的粒子称为不活动粒子。对不活动粒子施加扰动或重新初始化不活动粒子，可以提高算法的搜索能力。如果粒子与粒子的位置差，在给定范围ε内出现次时，则认为粒子为不活动粒子。定义如下,,未找到引用源。式中,未找到引用源。分别为粒子和全局极值,未找到引用源。的适应值。本文取,未找到引用源改进算法实现的步骤如下设置参数，初始化粒子群的位置速度，计算粒子的适应值并初始化个体极值和全局极值。按式更新种群中粒子的速度和位置。判断粒子位置是否超出范围上边界和下边界，若是，则置为边界值。④对于种群中的每个粒子，调用潮流计算程序进行潮流计算并计算粒子的适应值。判断粒子是否为不活动粒子，若是，则重新初始化粒子，并计算新的适应值。更新粒子的个体极值,未找到引用源。和全局极值,未找到引用源判断算法是否满足终止条件，若是......”。

4、“.....返回当前最优粒子及其适应值否则，返回步骤进行下代进化计算。多目标粒子群算法解决电力系统环境经济问题的算法的优化利用惯性权重和加速度因子动态变化对多目标粒子群算法解决电力系统经济问题进行优化为了提高的收敛速度，和于年提出惯性权重法。是与前次速度有关的个比例因子，较大时，粒子群趋向于全局搜索，随着迭代次数的增加，逐渐减小，促进粒子群能快速的局部搜索。使寻优速度能自适应调整，提高了算法的收敛速度，使其不容易陷入局部最优，避免早熟现象。在多目标进化中得到了广泛的应用，称为时变多目标粒子群算法，计算公式定义如下式中和分别为惯性权重的最小值和最大值为当前迭代次数，为最大迭代次数。而利用加速因子线性变化的方法进行改进在多目标粒子群算法的测试函数仿真中已经应用过。其合适的参数设置经过反复的测试得到当,在之间线性变化......”。

5、“.....经过优化后的电力系统仿真图解如下所示。图经过优化的基于粒子群算法的电力系统调度仿真算例与分析为了说明利用本文提出的模型和方法求解机组问题的有效性，本文以节点系统为例，利用编程对上述模型和方法进行了验证。表是算例系统中参与优化的各个常规发电机经济参数及出力限值，发电机承担的系统总负荷。表发电机经济参数及出力限值机组为了进步说明本文提出的模型和方法的优点，本文同时采用粒子群优化算法和遗传算法求解问题，并把两种算法得到的计算结果进行比较。算法中，粒子个数，最大迭代次数,未找到引用源。次未找到引用源。，，采取线性递减调整策略未找到引用源。未找到引用源。，粒子最大速度设定为粒子的范围宽度。算法中，种群个数，最大迭代次数,未找到引用源。次，采用二进制编码轮盘式选择及精英保留策略，交叉算子采用单点交叉，交叉概率,未找到引用源。，变异概率......”。

6、“.....该系统中选择节点为平衡节点。忽略耗量特性的阀点效应，优化结果如表所示表中有功功率单位为。表优化结果序号总成本本文分别采用算法和文献中的算法计算次，与优化结果比较如表所示。表与优化结果比较方法最大值最小值平均值从表和表可以看出，文献中算法得到的计算结果与算法得到的计算结果基本致，算法的寻优能力略优于算法基于本文提出的方法获得的优化结果中，系统的最小与最大费用值相差甚小，说明算法的数值稳定性较好，每次运行结果都非常接近最优解。第五章节能减排框架下电力系统优化调度仿真目前，针相邻时刻之间的运行状态的相互影响。这些问题对于电力系统的优化来说都是实际而又难以完成的问题，在以后的发展中这些问题将会在人们的研究中不断解决。第六章总结与展望电力系统机组负荷优化作为电力优化调度中的项重要任务......”。

7、“.....对电力系统进行科学规划，是目前电力发展研究的热点之。本文将改进粒子群算法应用于电力系统规划中的机组优化调度，并且考虑了环境参数在里面，提出的方法可作为今后电力机组优化调度的方法。本文首先分析了国内外电力系统优化现状，对近几年涌现出来的智能算法进行了分析对比，对其中粒子群算法进行了深入的研究，介绍了粒子群优化算法的原理和参数设置，分析了各种智能算法的优缺点，对近年来国内外论文中对标准粒子群算法的改进研究，尤其是惯性权重方面做了个深入的研究，针对标准粒子群算法的不足，提出了改进的意见，并且将粒子群算法同电力系统结合起来，在电力系统中求解机组组合优化问题。文章基于电力系统优化调度建立数学模型，并且加入了很多约束条件，用改进粒子群算法求解电力系统机组组合最优问题，成功将环境参数考虑进去，在节能减排框架下对多节点电力系统进行了优化......”。

8、“.....虽然在发电成本上有所上升，但在同类型的优化中，还是能看出改进粒子群算法最优解集在收敛的速度和精度的优越性，这里我只是做了电力系统优化中的小部分，只考虑了成本和环境问题，实际上还有很多问题需要进步的优化。粒子群算法自应用于电力系统以来，在国际国内得到越来越多的关注和研究，但其研究还处于起步阶段，还存在许多问题，虽然已经应用在多个领域，但缺乏有力的理论基础支持和严谨的数学证明过程，因此我希望在如下几个方面还有待进步的研究和改进理论基础研究。与许多仿生算法样，粒子群算法的研究尚处于初级阶段，尤其是数学基础的对薄弱，决定了在将来相当长的时间内，其基本性质，收敛性分析收敛速度的估计以及与算法性能密切相关的参数设置都将是要研究的重要内容，尤其是它的收敛性分析将是重点之。目前已经有些学者尝试着给出了些收敛性分析结果，但仍是不太完整的系统......”。

9、“.....需要我们进步的努力和探索。粒子群算法与其他算法的融合。在智能优化研究中，不同算法之间的相互融合己被证明是种非常有效的改良模式，比如粒子群算法与蚁群算法遗传算法神经网络支持向量机等的些融合算法，被证明比标准的粒子群算法和其他的算法有更好的性能，所以，粒子群与其他算法的融合就也必然是个新的研究热点，取长补短，以改善其自身性能，从而扩展其应用领域。粒子群算法的应用领域。粒子群算法的重要优势是数学寻优，与遗传免疫等优化算法相比具有简单，易实现等优点，因此在优化问题中显示其良好的应用前景，如何在具体的问题中应用并且保持算法的实现简单的优势，同时如何将算法应用到更加广阔的领域，也将是促进算法研究的两个重要方向。希望在今后的研究和发展中，粒子群优化算法能用到生产和生活中的各个角落。致谢光阴似箭如梭......”。