电力系统PMU安装地点选择优化算法的研究

将进化衰减因子引入了遗传算法,构造了一种新的自适应遗传算法。新算法在进化过程中能够同时根据个体适应度和进化时间的变化自动调整交叉与变异概率,克服了遗传算法易早熟的缺点,提高了最优解的多样性,加快了算法寻优速度。精英个体保留策略保证了整个算法的全局收敛性。算法约束条件处理采用了不可行解启发性修复方法,保证了全部优化结果都被严格限定在了满足约束条件的解空间内。基于图论的深度优先搜索方法用于系统可观性分析。将新的自适应遗传算法应用于优化PMU安装地点选择,实现了安装地点最少,而整个系统可观的目标。该算法已在某省     

基于改进自适应遗传算法的电力系统相量测量装置安装地点选择优化

将进化参数衰减因子与基于适应度变化的自适应遗传算法相结合,提出了一种新的自适应遗传算法,使遗传算法在进化过程中能够同时根据个体适应度和进化时间的变化自动调整交叉与变异概率,克服了原有自适应遗传算法易早熟的缺点,提高了最优解的多样性和寻优速度.精英个体保留策略保证了整个算法的全局收敛性.在约束条件处理时,采用了不可行解启发性修复方法,提高了算法的优化效果.基于图论的深度优先方法用于系统可观性分析.将新的自适应遗传算法应用于优化相量测量装置安装地点选择,实现了安装地点最少,而整个系统可观的目标.该算法已在某省46节点系统的优化计算中得到了验证.     

基于改进自适应遗传算法的系统可观测PMU最优配置

以电力系统配置同步相量测量单元（PMU）个数最少、系统有最大测量冗余度为目标,全网可观测为约束,提出PMU最优配置模型,同时针对实际电网中存在某些重要节点已经初步安装PMU或者必须安装PMU的情况,提出了特殊约束条件,并给出了相应的求解算法。在此基础上,用改进自适应遗传算法求解此模型,保证全局最优。对某省49节点电网进行的计算表明,改进的自适应遗传算法收敛到全局最优解的概率优于传统的遗传算法和自适应遗传算法,更适用于工程实际。     

基于改进自适应遗传算法的PMU优化配置

为了利用最少数目的相量测量单元(PMU)保证电力系统在正常运行时和线路N?-1故障时都能完全可观,提出一种基于改进自适应遗传算法(IAGA)的PMU优化配置方法。将PMU配置分为两个阶段:第一阶段以PMU安装数目最少和正常运行时系统完全可观为目标配置PMU;第二阶段在已有配置结果的基础上继续安装PMU,以保证线路N-1故障时系统仍完全可观。修改IAGA中交叉概率和变异概率的计算公式,克服了当群体最大适应度值与平均适应度值相等时进化停滞的缺点,优化了进化过程,同时方便了数学计算;对每一代个体进行防早熟操作,消除了由交叉运算和变异运算的偶然性及随机性导致的进化早熟。算例分析结果表明,该方法在PMU配置数目、配置方案种类、收敛性及实用性上有显著优势,证明了该方法的正确性和优越性。     

基于模拟退火混合遗传算法的电力系统相量测量装置优化配置

针对确定配置同步相量测量单元(phasor measurement units,PMU)的最小数和最佳位置以达到最大网络结构可观测性的PMU最优配置问题,提出了模拟退火遗传算法。该算法对常规遗传算法会出现早熟现象、局部寻优能力较差等缺点,在遗传算法中融入模拟退火算法算子,实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的结合。将该算法应用于优化PMU安装地点选择,实现了安装点最少,而整个系统可观的目标。IEEE14节点系统和新英格兰39节点算例系统对所提方法进行了验证。     

基于遗传禁忌搜索算法的PMU布点配置

将遗传算法GA(Genetic Algorithm)和禁忌搜索算法TS(Tabu search)相结合,提出一种遗传禁忌搜索算法GATS(Genetic Algorithm & Tabu search)用于相量测量单元优化配置.GATS算法结合了遗传算法的随机搜索能力、并行性和禁忌搜索算法的记忆功能,有效地解决了遗传算法的爬山能力差、早熟的问题,提高了收敛速度及优化质量;同时遗传算法的种群操作,保留了遗传算法的多出发点的优势,弥补了禁忌搜索的单一单操作缺乏并行性的弱点.在约束条件处理时,采用了不可行解启发性修复方法,提高了算法的优化效果.基于图论的深度优先方法用于系统可观性分析.将GATS算法应用于优化相量测量装置安装地点选择,实现了安装地点最少,而整个系统可观的目标.通过算例证明了算法的有效可靠.     

基于遗传禁忌搜索算法的PMU布点配置

将遗传算法GA（Genetic Algorithm）和禁忌搜索算法TS（Tabu search）相结合,提出一种遗传禁忌搜索算法GATS ( Genetic Algorithm & Tabu search)用于相量测量单元优化配置。GATS算法结合了遗传算法的随机搜索能力、并行性和禁忌搜索算法的记忆功能,有效地解决了遗传算法的爬山能力差、早熟的问题,提高了收敛速度及优化质量;同时遗传算法的种群操作,保留了遗传算法的多出发点的优势,弥补了禁忌搜索的单一单操作缺乏并行性的弱点。在约束条件处理时,采用了不可行解启发性修复方法,提高了算法的优化效果。基于图论的深度优先方法用于系统可观性分析。将GATS算法应用于优化相量测量装置安装地点选择,实现了安装地点最少,而整个系统可观的目标。通过算例证明了算法的有效可靠。     

启发式遗传算法在优化电力系统相角测量装置安装地点中的应用

文章应用遗传算法优化电力系统相角测量装置安装地点,使得相角测量装置安装点数最少,在中调能看到整个系统的电压矢量,即整个系统查可观测的。在遗传算法中引入启发式搜索策略,并采取在下一代中保持最优个体的操作,加快了寻优的速度并从概率上保证能寻得全部最优解,仿真结果说明了该算法的有效性。     

基于定制遗传算法考虑配电网多种拓扑可观性的PMU优化配置

同步相量测量单元(PMU)可以为配电网提供相量数据以提高可观性。考虑因配电网节点数目多但投资成本少造成的PMU供需不平衡,提出了以固定PMU数目为约束条件的优化配置模型。目标函数在最大化可观性节点数目的前提下,最大化网络量测冗余度。模型中考虑了多种拓扑结构的影响,并通过引入零注入节点、节点注入功率和支路功率等量测数据提高可观性。提出了一种定制遗传算法来求解模型,通过定制交叉和变异操作,保证所有个体为可行解。最后,给出了基于最优方案的PMU配置顺序。通过对IEEE标准节点系统进行仿真计算,验证了所提方法的可行性和有效性。     

基于节点概率可观性的PMU多目标优化配置

针对相量测量单元(phasor measurement unit, PMU)的多目标优化配置(multi-objective optimal PMU placement, MOPP)问题,提出一种计及节点概率可观性的MOPP模型。从节点可观的角度,考虑PMU及线路的故障概率,计算节点失去可观性的概率。在进行PMU的优化配置时,同时考虑PMU安装数量最少和各节点失去可观性的平均概率最小2个优化目标,采用基于快速非支配排序策略的多目标生物地理学优化(multi-objective biogeography-based optimization, MOBBO)算法进行求解得到Pareto解集,并利用模糊决策理论得到最优折衷解。IEEE 14和57节点系统的大量仿真结果表明,所提方法可以在MOPP中差异化计及PMU以及支路故障概率的影响,与非支配排序遗传算法相比,MOBBO在求解MOPP模型中能够得到更为逼近Pareto前沿的解,提供更佳的决策参考方案。