基于免疫禁忌混合算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出了一种基于免疫禁忌混合算法的多目标模糊优化潮流计算的新方法。该方法运用模糊集理论来构造评价函数,实现了多目标优化问题向单目标优化问题的转化,兼顾了各子目标,保证了较高的整体优化水平;采用求解精度高、使用灵活的免疫禁忌混合算法来进行单目标寻优,准确地获取了符合实际的全局最优解。通过对IEEE 30节点系统进行多次多目标最优潮流仿真计算,并将计算结果分别与单目标最优潮流计算及采用粒子群算法、免疫算法等其它算法的结果进行比较和分析,验证了该方法是解决电力系统多目标最优潮流问题的一种有效方法。     

基于改进果蝇优化算法的分布式电源优化配置

研究分布式电源（distributed generation,DG）接入配电网的优化配置问题,基于模糊隶属度技术建立综合考虑投资效益、电压指标和网损的多目标优化配置模型,有效解决了因各子目标数量级不同而导致的过度优化问题。对一种新颖的仿生智能算法--果蝇优化算法（fruit fly optimization algorithm,FOA）进行改进,效仿细菌在觅食过程中的趋化思想,在算法寻优过程中引入吸引和排斥操作,有效提高了种群多样性,降低了算法陷入局部最优的可能。IEEE 33节点系统的仿真结果表明,与传统果蝇优化算法和粒子群优化算法（particle swarm optimization,PSO）相比,改进果蝇优化算法（improved fruit fly optimization algorithm,IFOA）在寻优速度和求解精度上都具有较大优势,能快速、有效地搜索到最优配置方案,从而验证了改进算法的有效性与合理性。     

Combined heat and power economic dispatch by harmony search algorithm

The optimal utilization of multiple combined heat and power (CHP) systems is a complicated problem that needs powerful methods to solve. This paper presents a harmony search (HS) algorithm to solve the combined heat and power economic dispatch (CHPED) problem. The HS algorithm is a recently developed meta-heuristic algorithm, and has been very successful in a wide variety of optimization problems. The method is illustrated using a test case taken from the literature as well as a new one proposed by authors. Numerical results reveal that the proposed algorithm can find better solutions when compared to conventional methods and is an efficient search algorithm for CHPED problem.     

兼顾新能源穿透功率和风险的风光火打捆外送电源规划

随着特高压直流输电的发展,科学规划风光火打捆外送电源是充分发挥输电工程可靠性及其经济效能的前提。文中构建了兼顾新能源穿透功率极限和新能源出力反调峰及大波动风险的多目标优化配置模型,以保证输电工程的安全运行。为解决相互矛盾的优化目标,采用权系数法将所构建的多目标优化问题转化为单目标优化问题,通过引入博弈论思想确定权重系数以弥补权系数法主观性强的缺点,并设计嵌套的遗传算法对模型进行求解。对某地区电力系统进行实例规划,以验证上述多目标优化方法的有效性,结果表明所提规划模型能兼顾新能源穿透功率极限要求和新能源出力风险问题。     

基于改进多目标灰狼算法的冷热电联供型微电网运行优化

针对冷热电联供型微电网运行调度的优化问题,为实现节能减排的目标,以微电网运行费用和环境污染成本为优化目标,建立了包含风机、微型燃气轮机、余热锅炉、溴化锂吸收式制冷机等微源的微电网优化模型。模型的优化求解使用改进的多目标灰狼优化算法,得到多目标问题的Pareto最优解集,并针对微电网优化问题约束条件较多,算法前期探索能力不足的问题,对算法进行改进。仿真结果表明,改进算法的求解速度和全局搜索性能优于原始算法,文中方法可以为冷热电联供型微电网优化调度提供建议,实现根据用户需求的微电网灵活调动,达到减少运行费用和污染气体排放的效果。     

多目标无功优化的向量评价自适应粒子群算法

为了克服粒子群算法在高维复杂问题寻优时有相当可能陷入局部极优的现象,提出了一种自适应粒子群算法。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。对基于向量评价的粒子群算法进行了扩展,提出了基于向量评价的自适应粒子群算法(vector evaluated particle adaptive swarm optimization,VEAPSO)来解决多目标无功优化问题,求解出问题的Pareto最优解集。为帮助决策者从Pareto最优解集中选取合适的最优解,该文提出一种基于决策者偏好及投影寻踪模型的多属性决策法,使决策结果更加真实可靠。将该算法应用于多目标无功优化问题中,IEEE 30和IEEE 118节点系统算例仿真表明该方法用于解决多目标无功优化问题是有效可行的。     

基于复杂线路的货运列车多目标优化研究

针对复杂线路的全局最优工况序列和最佳工况转换点位置难以确定的问题,提出一种基于改进麻雀搜索算法（ISSA）最佳工况转换点位置多目标优化方法。分析货运列车运行约束条件,根据性能指标要求构建以节能准点为优化目标的模型,采用线性加权求和设计适应度函数;根据实际运行线路限速和坡道情况规划求解复杂线路下货运列车工况序列,采用基于自适应权重和Levy飞行扰动ISSA,求解此工况序列下的最佳工况转换点位置。仿真结果表明所设计的工况序列及转换点位置生成的目标速度曲线方法,能在满足货运列车准点运行的前提下实现节能。     

基于改进人工鱼群算法的大规模多目标机组组合优化

大型电力系统包含众多发电机组,且运行时需要考虑诸多方面的因素,其机组组合优化是一个多目标多约束的非线性大规模优化问题,现有方法存在诸多不足。人工鱼群算法在解决非线性优化问题时性能良好,但存在寻优效率低、可能陷入局部极值等缺点。针对这些不足,提出了改进的人工鱼群算法。该算法引入了可变视野,对人工鱼移动策略做出了调整并与遗传算法中的变异操作相结合。构建了兼顾经济性与环保性的多目标优化模型。为了解决机组规模扩大导致的计算时间过长问题,采用了分阶段的优化方法,将改进后的算法应用于启停安排阶段,确定机组启停状态后采用混合整数规划法进行负荷分配。针对最高包含1000台机组的大电网机组优化算例进行了模拟实验,实验结果表明:改进后的优化算法的收敛性和全局搜索能力均得到了提高,大规模机组组合的计算时间大大缩短。多目标条件下也取得了理想结果,验证了该方法的有效性。     

基于免疫算法的多目标无功优化

在详细分析无功优化约束条件和目标函数以及研究无功优化免疫算法中抗体产生及其编码和解码的基础上,针对目前无功优化目标函数大多是基于权重系数基础多目标函数的组合,提出了基于免疫算法的多目标无功优化算法, 即用整体亲和力和部分亲和力概念来表示抗体对抗原的亲和程度,然后通过分别计算抗体的局部和整体亲和力来对抗体进行排序,依据此顺序选择抗体进行克隆、交叉变异等操作,并反复进行以求取系统无功优化的Pareto解集。对 IEEE14节点系统和IEEE118节点系统进行了多次无功优化计算,结果表明了该算法的有效性。     

基于萤火虫-变邻域搜索算法的含分布式电源配电网重构

为全面的反映含分布式电源配电网重构的问题,本文建立网系统网损、负荷均衡及电压质量协调最优的含分布式电源配电网重构优化模型,能够比较实际、科学的反映配电网网络结构调整问题。在此基础上,应用自适应权重系数法,明确各目标函数的权重组合方案,将含DG配电网多目标重构问题转换成单目标优化问题。鉴于传统萤火虫算法具有容易早熟、过度依赖控制参数的缺陷,提出了FA算法与变邻域搜索相结合的混合优化算法,并利用其对含分布式电源配电网重构模型进行求解,选取IEEE-33节点配电系统进行仿真,通过算例验证所提算法的良好实用性和适应性,并且验证所提模型的实际意义。     

电力系统补充电站多目标规划模型研究与应用

针对电力系统缺电情况下的电力电量平衡,考虑补充水电站或火电站两种形式,以运行期内总费用现值最小与补充电站装机容量最小为目标,建立补充电站多目标规划模型。采用约束法将目标2转换为在上下限区间内取值的约束条件,使原多目标问题转化为电力系统经济规划单目标优化问题,并利用改进的逐步优化算法对模型进行求解,有效缓解了模型维数灾问题,并得到了高质量的Pareto近似最优解集,最后基于理想点法从中挑选出最佳方案作为最终决策。云南地区电网实例研究表明：所建模型能够同时考虑补充电站类型、装机容量以及电力系统经济规划,采用的算法能够确定符合实际情况的合理补充电站方案,对电力系统补充电站有一定参考价值。     

基于多属性决策的微电网多目标优化运行

微电网的优化运行能够有效的减少微电网的运行成本,提高能源的利用效率。对微电网多目标能量优化模型的求解大多采用将多目标优化问题转化成单目标优化问题的方法。文中针对并网运行的微电网,考虑了需求侧响应,建立了微电网多目标动态优化模型。对于模型的求解,首先运用层次分析法确定各个目标的权重,然后利用非占主元排序遗传算法(NSGA-Ⅱ)对重要的两个目标函数进行优化,多次优化并取每次优化得到的最优的解作为候选方案,然后对候选方案的目标函数值进行评价,再利用基于证据推理的多属性决策方法确定最终方案。仿真结果验证了文中所提方法的有效性,为微电网多目标优化运行问题的求解提供了一种新的思路。     

利用强度Pareto进化算法的多目标无功优化

为更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,首次将强度Pareto进化算法(SPEA2)应用于多目标无功优化,为真正意义上的多目标无功优化提供了依据。SPEA2是一种新型的多目标进化算法,参数设置少,收敛速度快,寻优能力强,求得的Pareto最优解分布均匀。IEEE30节点测试系统的算例结果表明所提出的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。     

Multiobjective thermal power dispatch using opposition-based greedy heuristic search

This paper proposes an opposition-based greedy heuristic search (OGHS) strategy to solve multi-objective thermal power dispatch problem as a non-linear constrained optimization problem considering operating cost and pollutant emissions as competing objectives. The optimization problem is solved to find global solution, in case any one objective function is non-convex and non-differentiable. To generate initial population opposition-based learning is applied to select good candidates by exploring the search space extensively. Further, opposition-based learning is exploited for migration to maintain the diversity in the set of feasible solutions. Proposed method applies mutation strategy by perturbing the genes heuristically and seeking better one. This concept introduces parallelism and makes the algorithm always greedy for better solution. The greediness and randomness pulls the algorithm towards the global solution. The algorithm is also self sufficient without the need of tuning any parameter that effects acceleration of the algorithm. Fuzzy-theory is employed for decision-making that selects best solution from available non-inferior solutions. Feasible solution is also achieved heuristically that modifies the generation-schedule and avoids violation of operating generation limits. Proposed method has been implemented to analyze economic and multi-objective thermal power dispatch problems considering ramp-rate limits, prohibited-operating-zones, valve-point-loading effects, multiple-fuel options, environmental effects, and exact transmission losses encountered in realistic power system operation. The validity of proposed method is demonstrated on medium and large power systems. Proposed optimization technique is emerged out to compete with existing solution techniques. Wilcoxon signed-rank test for independent samples also proves the supremacy of proposed algorithm OGHS.     

电力系统无功优化多目标处理与算法改进

电力系统无功优化属于典型的多目标非线性复杂优化问题,求解非常困难。近年来,众多智能优化算法应用于该问题,其中粒子群优化(Particle Swarm Optimization,PSO)算法最具代表性;但PSO算法性能仍有待提高,如可能陷入局部极值。提出一种多策略融合粒子群优化(Particle Swarm Optimization with Multi-Strategy Integration,MSI-PSO)算法,对速度更新公式引入选择操作,分阶段加速因子调整和惯性权重动态调整,以平衡粒子局部搜索与全局探索能力;同时,随机选取部分性能差的粒子,将其速度更新公式中的个体认知部分修改为社会认知部分,以提高算法搜索精度和收敛速度。建立以系统网络损耗最小和系统电压稳定裕度最大为目标的无功优化仿真模型,分别考虑加权法、隶属度函数法和Pareto法实施多目标处理。针对IEEE30节点测试系统进行仿真实验,结果表明,和其他几种改进PSO算法以及基于pareto最优解集PSO算法进行对比,所提MSI-PSO算法具有更好的性能,能够有效求解电力系统多目标无功优化问题。     

随机差分变异粒子群混合优化算法

针对传统粒子群优化算法与差分进化算法都易出现早熟等问题,提出了一种随机差分变异粒子群混合优化算法。算法结合粒子群与差分算法的各自特点,首先采用差分变异方法产生试探性候选个体,再将其代入到粒子群速度更新公式,引导粒子飞行方向,从而扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解,采用随机差分变异方式对当前最优粒子进行扰动,使算法在有效提高局部开采能力的同时,有效避免停滞现象的发生。算法分别在单峰及多峰等8个测试函数上与3个相关算法进行对比实验,实验结果表明,新的混合算法优于其他对比算法,有效提高了算法的性能。     

基于粒子群算法的高拱坝仓面排序多目标优化研究

混凝土高拱坝浇筑施工中,仓面排序是重要环节,如何通过施工进度和施工均衡性的优化获得合理的仓面排序方案是需要解决的重要问题。目前的排序方法大都是根据已有的经验或基于对坝块属性值的数学分析来制定跳仓排序规则,无法有效地解决仓面排序的多目标优化问题。本文综合考虑影响混凝土浇筑的各项因素,建立了以高拱坝跳仓排序规则为变量,以优化施工工期、月浇筑强度、浇筑机械利用率为目标的多目标优化模型,应用粒子群算法对该多目标优化问题进行求解,从而获得多目标综合最优的仓面排序方案。实例表明,本文采用粒子群算法实现了对仓面排序方案的优化调整,计算得到的Pareto解集能够为决策者提供多个方案以便更好地决策,利用逼近理想解法优选的排序方案与传统仓面排序方法的施工仿真结果相比,能够获得更短的工期和更均衡的浇筑过程,对于指导现场施工具有重要意义。     

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。     

考虑发电机安全运行极限的非固定分段无功优化模型及其算法

针对目前无功优化中没有根据不同发电机运行区域建立相应的无功辅助费用的问题，考虑了发电机安全运行极限约束，按照无功输出能力的不同，把发电机运行域分为了4个区，并给出了各个区域的发电机无功辅助费用计算函数。建立了以系统有功网损费用与发电机无功辅助费用之和最小为目标函数的无功优化模型，其对应的优化问题是一个具有非固定分段特点的非线性混合整数规划问题。文中提出了2种优化算法来求解该优化问题：结合启发式规则的混合整数规划内点法HEUIPM，其计算速度虽快，但为局部优化算法，并且在某些情况下存在不收敛的可能性；基于非线性内点法和免疫遗传算法所提出的启发式混合随机优化算法IPMIGA，该算法是全局优化的, 没有收敛性问题, 但其计算速度比HEUIPM慢很多。所以文中将2种方法结合起来，在程序设计时, 先用HEUIPM算法, 遇到不收敛时自动转到IPMIGA算法。对节点数从14到171的5个测试系统进行了仿真计算，结果验证了所提算法的有效性。     

Multi-objective optimization of hydrothermal energy system considering economic and environmental aspects

Along with continuous global warming, the environmental problems, besides the economic objective, are expected to play more and more important role in the operation of hydrothermal power system. In this paper, the short-term multi-objective economic environmental hydrothermal scheduling (MEEHS) model is developed to analyze the operating approach of MEEHS problem, which simultaneously optimize energy cost as well as the pollutant emission effects. Meanwhile, transmission line losses among generation units, valve-point loading effects of thermal units and water transport delay between hydraulic connected reservoirs are taken into consideration in the problem formulation. In order to solve MEEHS problem, a new multi-objective cultural algorithm based on particle swarm optimization (MOCA-PSO) is presented in way of combining the cultural algorithm framework with particle swarm optimization (PSO) to carry though the evolution of population space. Furthermore, an effective constrain handling method is proposed to handle the operational constraints of MEEHS problem. The proposed method is applied to a hydrothermal power system consisting of four hydro plants and three thermal units for the case studies. Compared with several previous methods, the simulation solutions of MOCA-PSO with smaller fuel cost and lower emission effects proves that it can be an alternative method to deal with MEEHS problems. The obtained results demonstrate that the change of optimization objective leads to the shift of optimal operation schedules. Finally, the scheduling results of MEEHS problem offer enough choices to the decision makers. Thus, the operation with better performance of environment is achieved by more energy system cost.