基于BFPSO算法的分布式电源优化配置

为了更合理地配置配电网中的分布式电源,改善供电质量,在考虑传统分布式电源优化配置目标的基础上,将分布式电源的环境成本纳入评价指标,建立一种综合考虑分布式电源投资成本、网络损耗成本、购电成本和环境成本的配电网多目标优化配置模型;为解决标准粒子群算法易陷入局部最优及收敛速度慢的问题,将人工蜂群算法及蛙跳算法的思想融入标准粒子群算法构成BFPSO算法,并利用BFPSO算法对模型进行寻优;IEEE-33节点系统仿真分析结果表明:提出的模型及改进算法能快速、有效地实现分布式电源优化配置。     

基于自适应的配电网分布式电源优化配置研究

针对分布式电源接入配电网引起的电压越限和电能质量下降等问题,提出了一种具备自适应特性的分布式电源优化配置方法. 建立了光伏、风电两种典型分布式电源的数学模型,分析其功率输出特性. 构建了同时考虑发电成本、环境成本、有功网损折算成本三项指标的分布式电源优化配置模型. 针对多目标函数和多约束条件的优化配置模型,应用自适应粒子群算法求解,实现学习因子和惯性权重自适应调整以提高算法的寻优性能,由此得到分布式电源的最佳接入位置和容量. 最后,以IEEE33节点配电系统为例进行仿真验证. 结果表明,自适应粒子群算法与传统粒子群算法和混沌粒子群算法相比,求解得到的优化配置方案可达到更好的供电可靠性和经济性要求.     

计及分布式电源的配电网储能配置研究

分布式电源的接入,给配电网的可靠运行带来了一定影响,需要配置相应的储能装置来保证系统的安全运行。该文计及储能装置和分布式电源对配电网潮流的影响,同时结合储能装置的自身成本对系统的经济效益进行分析;建立以配电网节点电压波动最小以及储能装置经济性最优为目标的多目标函数模型,并利用基于人工免疫系统的多目标优化算法对模型求解,得到最优Pareto解集;为选出最佳结果,采用理想点决策方法选出储能装置最优配置方案。最后通过算例仿真分析,得到不同储能形式的最优配置方式。     

基于PSO-DE算法的分布式光伏优化配置研究

为解决分布式光伏电源接入配电网的优化配置问题,提出一种基于粒子群和差分进化的PSO-DE算法,同时构建了包含网损最小、投资成本最低、电压质量最优的无偏好多目标分布式光伏选址定容综合优化模型。首先对差分进化算法的变异过程进行改进,然后利用粒子群算法对差分进化算法中的缩放因子和杂交因子进行优化,采用标准测试函数对PSO-DE算法进行测试和参数敏感度分析,验证了算法的客观性和稳定性;并利用无偏好可变权重对多目标模型进行处理;最后以分布式光伏选址定容优化的实际应用为例,并与其他算法对比,验证了模型和算法的有效性和实用性。     

基于改进粒子群算法的DG功率因数优化模型研究

在配电网电源充裕的前提下,通过调节可控分布式电源的功率输出来优化配电网运行,稳定节点电压,降低线路损耗.结合PQ控制理论,通过调节分布式电源的功率因数来控制分布式电源有功功率和无功功率的输出.利用粒子群算法求解可控分布式电源的最优功率因数值,智能优化配电网运行.最后选取IEEE33节点配电系统进行算例分析,以验证该方法的有效性.     

考虑低碳效益的配电网广义电源优化配置

配电网中分布式电源的接入会对配电网的系统网损及电压造成影响,在考虑配电网的分布式电源接入方案时,加入系统等效碳排放这一节能目标,建立了综合考虑分布式电源建设费用、损耗费用、购电费用和系统碳排放费用的优化配置模型。针对混合蛙跳算法搜索速度和精度不高的缺陷,提出了一种将遗传算法与蛙跳算法融合的改进蛙跳算法。基于几种算法,结合IEEE-33节点系统的计算分析表明,该方法能够对广义电源在配电网的接入进行有效配置和优化。 更多还原     

基于两层优化的主动配电网储能优化配置

针对主动配电网储能系统优化配置问题,考虑运行控制策略对规划方案的影响,提出一种基于两层优化的配置方法。在短时间尺度的内层优化中,利用低通滤波算法提取上网功率高频分量,以高频分量变异系数和可再生能源浪费率最小为目标,基于标量化方法和粒子群算法优化主动配电网控制策略。在长时间尺度的外层优化中,构建多目标优化模型,最小化投资成本和可再生能源浪费率,采用NSGA-Ⅱ算法求取储能系统配置的Pareto最优解。由于运行控制和规划配置间存在相互影响,将不同时间尺度的内外层优化置于统一的框架内,以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。结合算例,对所提模型及其求解方法进行了验证。算例分析表明:主动配电网中储能系统优化配置能够有效提高电网对可再生能源的消纳能力。     

基于两层优化的主动配电网储能优化配置

针对主动配电网储能系统优化配置问题,考虑运行控制策略对规划方案的影响,提出一种基于两层优化的配置方法。在短时间尺度的内层优化中,利用低通滤波算法提取上网功率高频分量,以高频分量变异系数和可再生能源浪费率最小为目标,基于标量化方法和粒子群算法优化主动配电网控制策略。在长时间尺度的外层优化中,构建多目标优化模型,最小化投资成本和可再生能源浪费率,采用NSGA-Ⅱ算法求取储能系统配置的Pareto最优解。由于运行控制和规划配置间存在相互影响,将不同时间尺度的内外层优化置于统一的框架内,以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。结合算例,对所提模型及其求解方法进行了验证。算例分析表明:主动配电网中储能系统优化配置能够有效提高电网对可再生能源的消纳能力。     

基于PCSA算法的分布式电源优化配置研究

以优化分布式电源配置作为基础,针对电力系统配电网所产生的影响进行研究,并按照各个因素提出对应的目标函数所需的数学模型,将克隆选择与粒子群两种不同算法的特性相结合,将优化电源配置遇到的问题通过PCSA混合优化方式处理,从而可以充分发挥其价值的有效使用率。确定目标函数为最小静态电压指标与有功网损,从而创建数学模型,与PCSA算法相结合,对优化遇到的问题进行求解。基于当前粒子群算法收敛速度快速提高后,通过加入克隆复制的方式,从而保护已优化的个体,对计算后值的准确性提升,最终确定接入DG的最佳位置。配电系统通过IEEE33节点作为算例,对该模型与算法中的实用性与有效性进行验证。     

多目标混合优化的阈值图像分割

提出了一种多目标混合优化的阈值图像分割算法。该方法以类间方差函数和模糊熵函数为待优化目标函数,为了改善粒子群算法在迭代后期陷入局部最优的问题,在粒子群算法中引入多元宇宙优化算法并产生一组非支配解集;采用混沌搜索策略进行搜索,以更有效地逼近最优阈值;通过类间差异和类内差异的加权比值来选取最优解。仿真结果表明,相较于Otsu算法、多目标粒子群算法以及多元宇宙优化算法,算法的分割准确率较高。     

改进的多目标粒子群优化算法及其在雷达布站中的应用

为更好地解决多目标问题,提高多目标优化算法的多样性和收敛性,提出一种改进的多目标粒子群优化算法。算法将种群分为多个子种群同时进行优化搜索并改进粒子速度更新公式,扩大Pareto最优解集的覆盖面;利用反三角函数logistic映射初始化种群,使初始种群分布更均匀;并使用时变变异方法对外部档案进行变异,避免陷入局部最优。通过与标准多目标粒子群优化算法(MOPSO)和NSGA-Ⅱ在标准测试函数ZDT1、ZDT2、KUR上的仿真实验对比,验证了该文提出的改进算法的有效性,并将其应用于雷达优化布站。     

基于改进蝙蝠算法含分布式电源的无功优化

将分布式电源与传统的配电网电压调节方式相结合,分析包含分布式电源的配电网系统无功优化的问题,并建立了有功网络损耗最低以及电压稳定裕度最大的多目标优化数学模型,利用模糊理论将分布式电源的多目标无功优化问题转换成单目标优化问题,进一步减少了有功网损,提高了电压稳定性。鉴于传统蝙蝠群体易于聚集于局部极值,导致早熟,将混沌序列以及自适应调整策略融入到蝙蝠优化算法中,提出了一种改进型多目标蝙蝠优化算法,利用混沌理论以及动态自适应机制调整的特性,对蝙蝠算法参数进行调整。通过IEEE-33测试系统验证,所提算法具有良好的实用性和适应性,并且也证明了所提模型的实际意义。     

多目标融合势博弈无线自组网络拓扑控制算法

针对基于博弈论的无线自组网络拓扑控制算法存在个别"瓶颈节点"负载不均衡、冗余链路多、生存时间短的问题,提出了一种多目标融合的网络拓扑控制算法。首先通过分析网络的连通性、节点发射功率、剩余能量、节点度、链路质量和链路长度对节点负载的影响,设计了一种改进的综合效用函数;建立多目标融合的网络拓扑控制势博弈模型,并证明该模型是序数势博弈且存在纳什均衡解;在维持网络k-连通的基础上,再采用最小路集算法对博弈后的网络拓扑链路进行优化,剔除冗余链路。仿真实验及对比分析结果表明,所提算法在保证网络连通性的前提下,实现了网络负载均衡,消除了冗余链路,生存时间相较于分布式能耗均衡拓扑控制算法、能量平衡拓扑控制博弈算法和节能容错拓扑控制博弈算法分别提升了25.4%、92.6%、36.8%。     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.     

低压配电网并联电容器无功补偿优化算法的研究

针对低压配电网的特点,提出一种以网损最小为目标的电容器无功补偿优化算法,以确定补偿电容器的最佳安装位置和最佳补偿容量,该算法克服了近似算法和2n/(2n+1)算法的不足,可应用于任何复杂的低压配电网中.通过实践表明,采用该算法在低压配电网中投入无功补偿电容器后,经济效益比其它算法更显著.     

Improved NSGA-Ⅱ algorithm based on the uniformly crowding distance

With the wide application and further study of the genetic algorithm in multi-objective optimization problems, the NSGA-Ⅱ has been one of the representative evolutionary algorithms for multi-objective optimization problems. Crowding distance in the NSGA-Ⅱ plays an important role in convergence and uniform distribution of the solutions, but the NSGA-Ⅱ does not fully take the effect of each individual and the whole population into consideration. To estimate the region density more reasonably so as to make the solution set more uniformly converge to the Pareto optimal front, we design a uniformly crowding distance operator based on the uniformly crowding range and Gini weight, and propose an improved NSGA-Ⅱ algorithm. Finally, the effectiveness of the proposed algorithm is verified by experiments on six multi-objective optimization test functions.     

主动管理模式下分布式风电源规划

提出主动管理模式下基于双层规划的分布式风电源选址定容规划模型,以分布式风电源的净收益期望值最大作为上层规划目标,以满足节点电压和支路潮流约束下风电源出力切除量期望值最小作为下层规划目标,考虑主动电压管理在改善节点电压和支路潮流方面的积极作用,提出模拟植物生长算法与概率最优潮流算法相结合的求解方法．33节点配电系统规划结果验证了规划模型的合理性和求解算法的有效性．     

Multi-objective coordination optimal model for new power intelligence center based on hybrid algorithm

In order to resolve the coordination and optimization of the power network planning effectively, on the basis of introducing the concept of power intelligence center (PIC), the key factor power flow, line investment and load that impact generation sector, transmission sector and dispatching center in PIC were analyzed and a multi-objective coordination optimal model for new power intelligence center (NPIC) was established. To ensure the reliability and coordination of power grid and reduce investment cost, two aspects were optimized. The evolutionary algorithm was introduced to solve optimal power flow problem and the fitness function was improved to ensure the minimum cost of power generation. The gray particle swarm optimization (GPSO) algorithm was used to forecast load accurately, which can ensure the network with high reliability. On this basis, the multi-objective coordination optimal model which was more practical and in line with the need of the electricity market was proposed, then the coordination model was effectively solved through the improved particle swarm optimization algorithm, and the corresponding algorithm was obtained. The optimization of IEEE30 node system shows that the evolutionary algorithm can effectively solve the problem of optimal power flow. The average load forecasting of GPSO is 26.97 MW, which has an error of 0.34 MW compared with the actual load. The algorithm has higher forecasting accuracy. The multi-objective coordination optimal model for NPIC can effectively process the coordination and optimization problem of power network. Foundation item: Project (70671039) supported by the National Natural Science Foundation of China