第一篇：电力系统优化规划算法总结
1.期望值算法
期望值算法通常是用期望值代替随机因素，将问题转化为确定性问题考虑。2.机会约束算法
主要是考虑概率问题，如在置信区间范围内考虑优化问题，就转化为概率约束的问题。3.相关机会规划算法
是在随机环境下使得事件的机会达到最优。4.智能优化
目前随机问题多用智能优化法。智能优化主要借鉴仿生学和拟物的思想，包括：遗传算法、粒子群算法、蚁群算法等。
（1）遗传算法属于进化算法的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验。（2）粒子群算法 粒子群算法，是一种基于迭代的优化进化并行算法，和模拟退火算法相似，系统从随机解出发，通过迭代寻找最优解，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”和“变异”操作，它通过粒子在解空间追随当前搜索到的最优值来寻找全局最优。（3）蚁群算法
蚁群算法是一种用来在图中寻找优化路径的机率型算法，是一种模拟进化算法，来源于蚂蚁在寻找食物过程中发现路径的行为。
第二篇：电力系统规划总结
电力负荷及负荷预测
一、电力负荷
1、发电负荷：某一时候电网或发电厂的实际发电出力的总和；
2、供电负荷：供电地区内各发电负荷之和加上供电区域输入的负荷减去厂用电负荷和向外供电（输出）的负荷。
3、用电负荷：地区供电负荷减去线损、变损后的负荷。
二、电力负荷预测包括：
1、最大负荷功率预测（及峰值负荷功率预测）：确定未来发、输、变电设备的容量设置。
2、负荷电量预测：用于选择适当的机组类型和合理的电源结构以及确定燃料计划等。
3、负荷曲线预测：为研究电力系统的调峰问题、抽水蓄能电站的容量以及发输变电设备的协调运行提供原始数据。
最大负
1、直接预测法预测
荷功率
2、电量负荷率法最大
预测法负荷
3、负荷曲线法
1、典型负荷曲线叠加法是各用户最大负荷的直
2、同时率法系统的综合最大负荷不
3、年最大负荷利用小时法典型的电量负荷率法接相加用同时率表示
三、负荷预测的方法：
1、外推法：
★假定未来的增长是过去增长模式的延续。不适合长期预测。
★把历史的记录数据与某种趋势曲线相拟合。
★当电力负荷在相当长的时期内稳定增长时，外推法可得到满意的结果。
★主要寻求电力负荷随时间变化的趋势曲线，自变量为时间。
★如：趋势线法（最小二乘法）、灰色预测模型、指数平滑法、时间序列法等。
2、相关法（也称因果关系法）：
★以电力负荷与选定的有关社会或经济因素的内在关系为基础。强调规律性。适合中、长期预测。
★寻求电力负荷随其它社会或经济因素变化的趋势曲线，自变量主要为经济增长率、产值、产量、人口等。
★如：回归分析法、经济计量模型、投入产出法、弹性系数法等。
3、各方法的特点
★回归分析法
步骤：选择回归模型的类型；计算回归方程的参数；对回归模型进行显著性检验。应用：线路单位长度投资、规模预测
检验：相关系数显著检验
一元线性回归分析：
yiabxiii称随机干扰项（或回归剩余项、白噪音项）
标准正态分布
1、i是一个随机变量且服从对i应具有的特点：
2、各i之间相互独立
3、与自变量x无关ii N（0，）2
★指数平滑法：最常用的预测方法之一。适用于短期、中期、平缓预测。
缺陷：当时间序列具有不断增大（或减小）的趋势时，用一次指数平滑法预测的结果存在滞后偏差，预测值小于同期实际值。这时，需用高次指数平滑法。
★灰色预测技术：对原始数据进行再处理，淡化波动性，强调规律性。
是时间序列法的一种优秀改进方法。在负荷预测的中期预测中广泛使用。
当序列有平稳变化并服从标准正态分布时，具有较好预测效果。
局限：处理的数据不宜过多（计算复杂）；模型不是针对同一点的函数值和导数值去求方程参数，而是对生成序列的。
★指数增加曲线预测法：周期性、短中期预测
与当前拥有量和普及率有关。
★趋势线法（又称最小二乘法）：较适合于中期负荷预测。
在数学上借用回归分析法。
序列往往存在某种形态变化的长期趋势。
拟合标准函数，不需复杂的检验。
★电力弹性系数法：属于因果关系法，适合于中、长期预测。
电力弹性系数：用电量的增长速度和国民经济总产值的平均增长速度之比。即K=C/V年平均增长率法：不属于因果关系法，不适用于长期预测。
★随机时间序列法：研究序列间的相关性，随机过程。适用于短期预测。
Yfpxf趋势项，p周期相，x随机项。（t）（t）（t）（t）（t）（t）（t）
自回归模型AR
三种模型移动平均模型MA
自回归移动平均模型 ARMA
AR模型的检验：主要检验剩余项at的有关假设是否成立，检验方法是求相关系数。
→以上方法适用于电量预测，但实际中应预测最大负荷，所以从电量预测再反求得出最大负荷，及电量-负荷率法。
四、电力负荷曲线
1、影响电力负荷变化的因素主要有：作息时间、生产工艺、气候、季节等。
电力电量平衡
第三篇：电力系统规划
一、课程的性质和目的本课程是“电气工程及其自动化”专业的专业选修课程。本课程的主要任务是：使学生掌握和了解电力规划的基本指导思想、电力规划的基本内容和电力规划的基本原理与方法，为毕业后从事电力规划工作奠定基础。培养学生在电力系统规划设计方面的工程计算能力以及分析和解决问题的能力。
二、课程教学内容
绪论和第一章电力规划概论（7学时）
要求理解与掌握的重点内容有：1 电力规划的指导思想、类型以及基本内容。2电力规划的一般方法和规划程序以及评价标准。
难点：电力规划的指导思想以及电力规划的评价标准。
第二章电厂厂址、变电所所址及输电线路路径的选择（5学时）
要求理解与掌握的重点内容有：1 凝气式火电厂厂址的选择及其建设条件与要求，以及厂址的技术经济比较方法。2变电所所址的选择。3输电线路路径的选择。
难点：凝气式火电厂厂址的经济比较方法。
第三章电力负荷分析与预测（11学时）
要求理解与掌握的重点内容有：1 电力负荷的分类及其特点。2 电力负荷特性的计算分析以及负荷曲线的编制方法。3 电力负荷预测方法。
难点：电力负荷特性的计算分析和电力负荷预测方法。
第四章电力系统装机水平及电源结构的确定（2学时）
要求理解与掌握的重点内容有：1装机水平的确定原则与方法。2 各类电源的技术经济特点。3 电力电量平衡及其平衡表的编制。
难点：电力电量平衡表的编制。
第五章电力网络规划（5学时）
要求理解与掌握的重点内容有：1 电力网络规划的基本原则与要求。2 电力网络电压等级的选择。3 电厂、变电所与系统联接配合及其主变压器的选择。4 无功电源规划5电力系统的联网问题。
难点：电厂、变电所与系统联接配合及其主变压器的选择。
第六章工程经济分析基础（6学时）
要求理解与掌握的重点内容有：1 资金时间价值的计算方法。2 工程经济评价方法。难点：资金时间价值的计算分析
第四篇：基于改进粒子群优化算法的分布式电源规划
基于改进粒子群优化算法的分布式电源规划
摘 要：针对目前配电网中存在的分布式电源规划问题，在最大化电压静态稳定性、最小化配电网损耗以及最小化全年综合费用三个方面建立了分布式电源规划的优化模型。在规划模型的基础上，采用拥挤距离排序的多目标量子粒子群优化算法（MOQPSO-CD）以及基于量子行为特性的粒子群优化算法（QPSO），来更新和维护外部存储器中的最优解，通过对全局最优最小粒子的选择引导粒子群能够对分布式电源的配置容量与接入点位置的真实Pareto最优解集进行查找，获得对多个目标参数进行合理优化。最后采用IEEE33节点的配电系统，在模拟仿真实验过程中获得了分布式电源容量配置以及介入位置的合理方案，验证了优化算法的可行性。
【关键词】分布式电源规划 Pareto最优解 配电网
分布式电源（Distributed Generation，DG）由于其在减少环境污染、节约成本、发电方式灵活、减少发电输送中的线路损耗、改善电网中的能源质量以及提高电网供电稳定性等方面具有优点，在配电网中发展迅速。然而，在配电网中加入分布式电源会使电网中原有的结构发生改变，从而导致节点电压、线路损耗与网络损耗产生了不同程度的变化。如果分布式电源注入容量与接入点位置的配置出现问题，会加大电网中线路与网络等损耗，并且会对电网供电的可靠性产生严重影响，因此，针对这一现象，对DG的容量与配置参数进行合理的优化具有重要意义。
国内外许多学者曾对DG的参数配置优化问题进行了较为深入的研究并取得了一定进展。文献[1]针对分布式电源中的地址定容问题采取了单一目标的优化方法，但是该方法在实际电网中的可行性存在问题。文献[2]采用传统的模糊理论提出将电网中具有多目标优化方案转变为只有单一目标的优化方法，并且采用遗传算法，优化了分布式电源中的容量与位置。文献[3]对于配电网中DG的容量与选址通过改进遗传算法进行优化，但是该方法存在计算时间长、算法过于复杂有时会计算得出局部的最有求解等缺点。文献[4]通过改进的自适应遗传算法，搭建了基于DG环境效益与政府关于可再生能源补贴的最小化经济模型。
在实际应用中，对于配电网中分布式电源的优化需要考虑许多变量，一般都具有比较复杂的目标函数，对其进行优化时将多个目标函数转化为单一函数非常困难，因此必须采取有效措施节约分布式电源多目标模型建立中的相关问题。本文以分布式电源的配置容量及其在配电网中的接入位置为两个切入点进行研究，建立配电网在单位年中的费用最小、电网网络以及线路损耗最低、静态电压在最优系统中的稳定性3个目标函数的分布式电源优化模型。在粒子群优化（QPSO）算法中量子行为特性的理论上加入拥挤距离排序技术，维护与更新外部存储器中的最优解，将生成分布式电源的最优配置方案问题转化为求解全局最优的领导粒子问题。最后，运用Matlab仿真软件对本文所提出的方案进行验证。配电网中DG的多目标规划模型
1.1 目标函数
1.1.1 网络损耗最小目标函数为
那么，求解出配电网中电压稳定指标的最小值minL即可知最大化静态电压的稳定裕度。
1.2 约束条件
1.2.1 等式约束
约束方程可以用潮流方程表示为：
式中，Pdi、Qdi为配电网中第 台发电机的有功、无功输出，PDGmax为分布式电源有功输出上限，PDGmin为分布式电源有功输出下限，QDGmax为分布式电源无功输出上限，QDGmin为分布式电源无功输出下限，Uimax为节点i电压上限Uimin为节点i电压下限，SDGi为配电网中拟接入的第i个DG的容量大小，SDGmax为配电网中可以接入的DG最大装机容量，Pl为线路l的传输功率。基于拥挤距离排序的粒子群优化算法
2.1 量子行为特性的粒子群优化算法
传统的粒子群优化（PSO）算法在求解方面具有不同程度的缺点，如容易陷入局部求解最优，收敛精度低等。为了防止粒子群算法进入早熟，并且尽可能加快算法的收敛减少计算时间，文献[10-11]给出了改进粒子群算法，使得具有量子行为特性的粒子群算法的实用性大大提高，在局部精度方面得到明显的提高，并且与PSO相比较仅具有一个位移更新公式。在本文中基本粒子群的集合设定为不同负荷节点处DG的输入功率，因此得到的集合为：
其中，i（i=1，2，???，P）为粒子群中的第i个粒子，j（j=1，2，???，N）为粒子在粒子群中的第j维，N为搜索空间的维数；ui，j（t）和φi，j（t）均为在区间[0，1]上随机均匀分布的数值，t为进化代数，xi（t）为在t代进化时粒子i的当前位置，pi（t）为在t代进化时粒子i的个体吸引子位置，yi（t）为在t代进化时粒子i的个体最好粒子位置，为群体在t代进化时的最好位置，C（t）为粒子在第t代进化时的平均最好位置，定义为全部粒子个体位置最好时的平均位置；α为扩张-收缩因子，是在迭代次数与除群体规模以外的唯一参数。
2.2 MOQPSO-CD算法
由于粒子群算法具有记忆特性，利用这一特性可以解耦特性粒子的解空间，求出解空间后可以适时调整控制策略，并能够通过记忆功能对当前动态进行搜索，同时具有优良的鲁棒特性和在全局范围内的搜索能力。然而，QPSO收敛的速度过快，导致了算法收敛过快，因此Pareto的解不具有多样性特点。为了寻找该问题的解决方案，本文通过利用外部存储器储存Pareto在求解过程中所产生的非劣解，从而可以较快地达到Pareto前沿。这样可以达到减少计算时间，更快获得领导粒子的目的。由于领导粒子是在所有粒子中表现最好的个体中得到的，它可以体现出整体粒子群体的认知能力，对于群体在搜索中的方向起着引导作用。为了即时更新外存储器中的非劣解，本文所采用的拥挤距离排序算法属于第2代非支配排序遗传算法（NSGA-II），通过对其进行操作，可以尽快地通过领导粒子找到Pareto的最优解。与此同时，为了使多样性在粒子种群中得到丰富，基于此算法的基础上加入高斯变革算子对粒子种群寻优过程中解的多样性进行扩充。
2.2.1 领导粒子的选择
在领导粒子选择的过程中即时对新外部存储器中粒子集进行维护更新是很有必要的。其目的在于保证粒子群的多样性，并能确保Pareto最优解集的合理分布。在此算法条件下，外部存储器中的粒子集必然会存在当前代数最优的粒子，然后通过拥挤距离值算法计算器内部粒子集中每个个体距离值，通过计算拥挤距离值的方法，将粒子集合内的个体进行量化，当出现拥挤距离值最大的粒子时，表明在目标空间中该粒子成为领导粒子可能性增加。当有两个或多个领导粒子的拥挤距离值相等时，领导粒子将会在之对应的最优粒子中随机选取。
2.2.2 拥挤距离值的计算
拥挤距离排序方法描述了在一个最优解周围分布其他最优解的密度情况。以下简单阐述了本文所用到的拥挤距离计算方法，具体实现可参考文献[13]。Gj（i）（j=1，2，3）依次表示网络损耗、年综合费用和静态电压稳定指标3个目标函数值；P为粒子群集合的大小，亦可描述可行解的数量。首先，对于存储在外外部存储器的全部最优粒子，在所有需要优化目标上的函数取值进行升序排列，然后可以得到在所有优化空间上与最优粒子相接近的其它最优粒子，然后可以计算得出在统一空间内两个优化粒子的距离；最后最优粒子的拥挤距离可以通过所有最优粒子距离的求和方式得出。以本文为例详细说明拥挤距离值的特征，逐一计算并遍历相邻最优粒子的空间距离，粒子i和相邻粒子i+1在优化目标空间的距离：
2.2.3 外部存储器更替算法
在本文中人为设定两条存储器更新规则，以便满足外部存储器中存在最优粒子的目的，规则如下：
（1）位于存储器中的粒子被新生成的粒子支配时；
（2）如若外部存储器已满，则需运用拥挤距离排序算法对其内部所有进行重新排序，根据公式（16）计算所有粒子的拥挤距离值，并且按照计算出数值的大小进行排列。
2.2.4 算法实施步骤
本文选用借鉴第2代非支配排序遗传算法的基于量子行为特性的粒子搜索解空间算法对配电网中的分布式电源进行优化配置，图1所示为算法具体流程，计算过程为：
（1）初始化起始数据，数据内容为事先已规划内容，初始化算法基本参数（粒子群的规模、粒子群的初始位置、并设定最大迭代次数），系统对分布式电源位置，以及初始粒子群数据集进行随机采样。
（2）依照步骤（1）中设置的规则，对外部存储器中的粒子进行初始化设置。
（3）需要对粒子进行排位，排位的算法由公式（1）～（4）给出，可以计算出目标函数值，同时，根据公式（16）可以计算出拥挤距离值，根据以上两个参数进行排位。“2.2.1节”的方法选出粒子群中的领导粒子，最后利用QPSO位移更新方程对每个粒子进行重置。以上计算过程将会计算采样粒子集合内任意粒子的拥挤距离值。评价其是否达到Gauss变异算法条件，若达到该算法条件，则进行Gauss变异操作（Gauss mutation operator），否则转到步骤④。
（4）对③中运用QPSO位移更新算法计算出的所有粒子进行评价，并算出所有粒子的潮流数值，将其接入位置以及配置容量用数值量化，并对比量化后的函数值，按照柏拉图最优解定律计算出个体最优粒子及外部存储器最优粒子集。与计算出的上一个最优粒子相比较，新产生的粒子群中某粒子更优，则将新出现粒子作为最优粒子；若二者不能相互支配，那么二者中任意一个将被选为最优粒子，并将其放入外部存储器，然后转步骤⑤；否则舍弃更新后的粒子并转⑥。
（5）对已进入外部存储器中的粒子，按照公式（16）对其进行计算，已达到随时更新存储器中粒子的目的。通过步骤（5）可以达到将最优粒子存入外部存储器的目的。
（6）计算进化代数，若满足终止代数，则将存储器中现有的粒子作为输出，此时输出的粒子集就是所寻找的柏拉图最优输出集；否则转步骤③。算例分析
利用本文建立的模型，对IEEE 33节点配电系统进行模拟仿真，配电网系统如图2所示，对分布式电源的位置以及其容量进行重新配置。该配电系统中，额定电压为12.66kV，有功负荷的取值为3715kW，总无功负荷的取值2300kVar，总节点数为33个，总支路数为32条（其中5条为联络开关）。配电系统基准容量设为10MVA，其中平衡节点选在0号节点，分布式电源接入比例小于30%，安装节点集合为?x1，2，???，31?y（图2中的32节点将不会接入分布式电源中，因为该节点是尾端节点，并且同变压器支路侧相连，因此不需接入）。根据文献[3]可知，在计算分布式电源时，可以将其近似看成负的PQ节点，根据经验公式，选取功率因数值为0.9。初始采样粒子群集合规模为90，进行100次迭代。
按照本文所搭建的数学模型及算法计算出分布式电源配置的柏拉图最优解，及其目标函数的空间分布，如图3所示。根据图3可知，计算出的所有解相互独立分布，每个不同解均可表示出当前条件下的配置效果。以图中所列出的解
1、解2及解3为例，说明不同情况下的DG配置结果。解1情况下电压稳定指标大于0.02，相比其他两种情况最不稳定，网络损耗为80kW，损耗过大，但是年综合用最小；解3和解2相比较而言，解3在网络损耗和电压稳定性方面要优于解2，然而解3在年综合费方面是三种情况中最大的；对于解2来说，无论是年综合费用或者网络损耗以及电压稳定性指标这三个参数指标适均介于解1和解3之间，因此，考虑综合因素以解2最好。表1所示为解
1、解2和解3的DG配置方案，3个解分别与3个方案对应。
通过对比表1中的方案配置可以看出，不同DG配置方案会对年综合费用、网损和电压稳定性产生影响。在对电源在辐射线路中放置位置的分析后发现，放置位置越靠前，线路潮流受到的影响就越小。根据表1配置DG方案接入配电网，配电网络损耗将会有一定幅度下降，同时电压稳定性指标也会达到满意的效果，按照该配置方案规划，最为突出的优点是电网网络损耗方面，按照方案3配置后，电网网络损耗下降了80%。
结语
以减少电网网络损耗及年综合费用为优化目标，同时兼顾静态电压稳定性为原则，建立了DG规划的模型，在计算方面选取具有量子行为特性的粒子群优化算法（QPSO），以及基于拥挤距离排序的多目标量子粒子群优化算法（MOQPSO-CD），同时采用模拟仿真对33节点配电系统进行优化，得出了基于DG配置的Pareto最优解集，由此实现了对DG优化规划的目的。并得出以下结论：为了尽可能的降低电网损耗，同时提高电压稳定性，需要将DG配置在主变电站远端位置，即馈线末端，此时DG配置收益最高。
参考文献
[1]QIAN Ke-jun，ZHOU CHENG-KE，ALLAN MALCOLM，et al.Effect of load models on assessment of energy losses in distributed generation planning[J].Electrical Power and Energy Systems，2011，33：1243-1250.[2]陈海焱，陈金富，杨雄平，等.配电网中计及短路电流约束的分布式发电规划[J].电力系统自动化，2006，30（21）：16-21.[3]邱晓燕，夏莉丽，李兴源.智能电网中分布式电源的规划[J].电网技术，2010，34（4）：7-10.[4]李德泉，徐建政，罗永.含分布式电源的配电网扩展规划[J].电力系统及其自动化学报，2012，（5）.[5]孙俊.量子行为粒子群优化算法研究[D].无锡：江南大学信息工程学院，2009.[6]武晓朦，刘建，毕棚翔.配电网电压稳定性研究[J].电网技术，2006，30（24）：31-35.[7]KENNEDY J，EBERHART R C.Particle swarm optimization[C].IEEE IntConf of Neural Networks.Perth，1995：1942-1948.[8]ABGELINE P J.Using selection to improve particleswarm optimization[C]/Proc IEEE CongrEvolComput.Anchorage.AK.USA"IEEE Service Center，1998：84-89.[9]MIRANDA V，FONSECA N New evolutionary particle swarm algorithm applied to voltage control[C].Proc 14th Power SystComputConf.Spain：IEEE Service Center，2002：1865-1873.[10]LIjun-jun，WANGxi-huai.Amodified particle swarm optimization algorithm[J].Intelligent Control and Automation，2004，1：354-356.[11]候云鹤，鲁丽娟，熊信艮，等.改进粒子群算法及其在电力系统经济负荷分配中的应用[J].中国电机工程学报，2004，24（7）：95-100.[12]DEB K，PRATAP A，AGRAWAL S，et al.A fast and elitist multiobjective genetic algorithm：NSGA-II[J].IEEE Trans on Evolutionary Computation，2002，6（2）：182-197.[13]张君则，艾欣.基于粒子群算法的多类型分布式电源并网位置与运行出力综合优化算法[J].电网技术，2014，38（12）：3372-3377.[14]刘幸.基于量子粒子群算法的分布式电源多目标优化[D].北京：华北电力大学，2012.[15]ROUHANI A，HOSSEINI S H，RAOOFAT M.Composite generation and transmission expansion planning considering distributed generation[J].International Journal of Electrical Power & Energy Systems，2014，62（11）：792-805.[16]叶德意，何正友，臧天磊.基于自适应变异粒子群算法的分布式电源选址与容量确定[J].电网技术，2011，（06）：155-160.[17]BJELIC I B，CIRIC R M.Optimal distributed generation planning at a local level-A review of Serbian renewable energy development[J].Renewable & Sustainable Energy Reviews，2014，39（6）：79-86.[18]朱艳伟，石新春，但扬清，等.粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J].中国电机工程学报，2012，32（4）.[19]黄平.粒子群算法改进及其在电力系统的应用[D].广州：华南理工大学，2012.[20]施展，陈庆伟.基于QPSO和拥挤距离排序的多目标量子粒子群优化算法[J].控制与决策，2011，26（4）：540-547.[21]ZHANG L G，ZUO H.Pareto optimal solution analysis of convex multi-objective programming problem[J].Journal of Networks，2013（02）.[22]李中凯，李艾民，朱真才.拥挤距离排序的多目标文化粒子群优化算法[J].控制与决策，2012，27（09）：1406-1410.[23]慕彩红.协同进化数值优化算法及其应用研究[D].西安：西安电子科技大学，2010.作者单位
沈阳农业大学信息与电气工程学院 辽宁省沈阳市 110866
第五篇：网站SEO优化关键词排名算法大总结
网站SEO优化关键词排名算法大总结
网站SEO优化技术，在国内的发展也有些年份了，在国内最早开始从事SEO的那一班人。看着这个行业有无到有，有小长大。成熟目前还谈不上。可以说，国内做这个行业的，高手不多。实战的高手更是寥寥无几。当然这个是我个人的推断。也许那些悄悄在背后赚钱的人，才是高手。真正的高手，是不会出来说话的。自己做一个网站，自己去经营，如果网站策划够好。基本可以靠网站养活自己。因此，我想告诉大家一句话：不要听某人说什么关键词排名厉害就认为他技术好。如果他真的是高手，基本不会告诉你。原因自己去想。
看着国内很多从事SEO的，以及需要SEO的，90%的人都太浮躁了。基本停留在关键词排名上。你看网上漂的都是什么人。搞培训的，搞排名的。搞链接的。我断定，国内的SEO发展不起来。如果行，至少还需要3年。
好了，废话不多说，入正题。
首先，要端正态度，你要把搜索引擎当做你的下棋对手，你的游戏伙伴。真正的高手，是运筹帷幄，决胜千里，心静如水，波澜不惊。
下面总结网站排名经验，能看懂就看懂，看不懂的，自己琢磨，试验。1.每个网页标题简洁，不超过30字。
2.每个网页核心关键词不超过3个。如果可以，你要学会放弃。3.最重要的关键词放在标题首位，依次类推。
4.网站的描述，简洁，明了，最开始和结束部分自然出现关键词。5.网站导航采用文字导航。
6.网站图片原创，添加alt标签，切忌讳乱加。搜索引擎能读懂图片。7.与主题无关内容作成JS或者图片。
8.网站内容简洁，信息丰厚。关键词分布其中合理，自然。如果你自己都读不懂，那就放弃。9.网站联系人信息要原创，比如邮箱，电话，姓名等。10.网站代码简洁。
11.与主题相关的JS，框架，做兼容优化。12.网站设计大方，美观。
13.网站域名时间超过2年以上，最好是3年。
14.域名最好出行最核心关键词，针对除百度以外搜索引擎有效。15.如果新域名，联系人信息一定要公布，切为新信息。16.空间要稳定，那种经常网站打不开的网站，肯定没有排名。17.友情链接要找外地的网站。
18.友情链接不看PR，看快照，看核心关键词排名，看SITE首页是否存在。19.网站外链要丰富，新闻类的，行业类的，生活类的，公关类的，越丰厚越好。20.网站外链不在数量，在质量。增加要掌握好节奏。
21.网站外链要出现网址，占70%，锚文本要适当。原因自己去想。
22.网站外链要首先提高首页权重，首页快照在7天内，核心关键词在前3页，则网站权重及格。23.网站外链要出现在流行度较高的地方。
24.网站外链出现的地方，切忌垃圾链接，链接过多。25.网站添加流量统计，大概数据要公开。
26.适当刷网站IP和来路，切忌网站流量来自某一个搜索引擎。27.网站内容要围绕主题展开。切忌发布无关内容。
28.网站添加XML和HTML格式地图，有助于各大搜索引擎收录抓取。29.网站按规律更新，切忌一个不更新，或者一下更新上百篇。30.分布好网站内链接。核心关键词指向核心关键词页面。31.网页内容中出现关键词加粗效果并不好，避免全加粗加链接。32.每个页面最好出现一次H标签，此内容和网友标题一致。33.网站404页面。
34.与主题无关页面，运用Robots.txt禁止。
35.制造网站主题相关的PDF，doc，exe等文档和软件提供下载。在这些资源上写上自己的网站。36.网站最开始内容，最好一次性完成，切忌收录后经常更改。
37.网站页面切忌经常更改主题，和关键词密度，95%被K都是这个原因。
38.网站外链切忌同一个账号，同一个名字去发布。比如博客，全是同一个人的博客。论坛全是同一个账号。39.这些工作做完了，你需要等待！一边持续更新，维持，添加外链和内链。40.还是等待，直到网站排名出现。最好总结5个字：静，全，真，细，得！
结束语：大家仔细琢磨吧 照着我说的做 肯定能把网址排名提上去 很多细节 我并没有详细阐释、网站优化这块说白了技术含量并不大，在一定程度上可以说优化就是个体力活，优化这块拼的就是坚持！再坚持！做优化心情一定要淡定。
文章来源：www.xiexiebang.com
点击咨询 