基于非支配排序差分进化算法的多目标电网规划

在多目标电网规划问题中,综合考虑经济性、安全可靠性和环境影响等因素后,提出了非支配排序差分进化算法。以电网投资、运行维护费用、网损费用、线路走廊面积最小为目标建立了多目标电网规划模型。非支配排序差分进化算法将Pareto非支配排序法与差分进化算法相结合,采用动态调整策略调整差分进化算法控制参数,改进了个体拥挤比较机制,提高了算法的全局搜索能力和种群多样性,并基于模糊集理论选取最优折衷解。Garver-6节点和Garver-18节点系统算例结果表明,该算法可以有效生成分布均匀的Pareto最优解集,在求解多目标电网规划问题中具有可行性和优越性。     

考虑地理因素的改进量子粒子群算法在多目标电网规划中的应用

针对电网规划的多目标权衡优化问题,建立以可靠性和经济性为目标的电网规划模型,提出改进的量子粒子群算法,采用Pareto支配关系来更新粒子的个体和局部最优值,定义粒子紊流极大极小间距,并采用紊流间距方法裁剪非支配解,引入收敛因子K加快粒子跳出局部最优后的收敛速度。同时考虑电网规划存在的地理环境不确定因素的影响,在规划目标函数中引入地理障碍罚因子。通过18节点电网规划算例仿真结果表明,提出的改进算法与基于非支配遗传算法和基于多目标进化算法相比,所得的Pareto解数目,解的优劣情况以及分布效果都有明显提升。     

基于改进PSO算法的风电并网系统电压无功优化研究

以有功网损最小、电压偏差最小和静态电压稳定裕度最大为目标,考虑异步风电机的简化模型对电网的影响,建立能根据风速变化进行实时调节的多目标无功优化模型。通过改进自动调节的惯性权重刷新粒子,提出根据Pareto最优解的拥挤距离形成Pareto最优解曲面,以拥挤距离最大的结果作为全局极值,引导粒子在Pareto最优曲面上分散分布。利用MATLAB编程对IEEE30节点系统进行了仿真计算,结果表明该算法具有实用性。     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群算法搜索全局最优解的能力与收敛到最优解的速度.将改进后的算法应用于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

基于改进多目标差分进化算法的安全约束动态环境经济调度

本文提出一种改进多目标差分进化算法求解计及输电线路有功潮流约束的动态环境经济调度模型。该算法利用反向学习初始化种群以提高种群的多样性,同时采用改进的拥挤距离计算方法以改善Pareto最优解分布的均匀程度。最后,基于潮流熵指标从Pareto最优解集中提取出电网潮流分布最均衡的发电调度方案。以IEEE30节点系统为算例进行仿真分析,优化结果验证了所提发电调度方法的有效性。     

基于小生境多目标粒子群算法的输电网检修计划优化

以检修成本和期望缺供电量最小为目标,建立输电网检修计划多目标优化模型,并提出一种基于小生境的改进多目标粒子群算法对其进行求解。通过得到一组Pareto最优解,全面统筹检修计划优化问题的经济性和可靠性目标。该算法采用小生境共享机制来更新粒子的位置,保持了解的多样性和分布的均匀性;引入混沌变异对部分非支配粒子进行小范围的扰动,提高了算法全局搜索能力,避免陷入局部最优。为使算法能够更好地应用于输电网检修计划优化问题,采用罚函数对约束条件进行处理,并根据模糊隶属度从Pareto最优解集中选取最优折衷解,为检修计划制定人员提供了科学的决策依据。通过IEEE RTS-79节点系统的仿真,验证了该算法在求解输电网检修优化问题时能有效避免早熟收敛,快速地收敛至Pareto最优解集。     

基于COA-EO混合算法的含DG的配电网Pareto最优规划

含DG的配电网规划是一种复杂的组合优化问题,随着智能配电网的发展以及波动性可再生能源的接入,对优化模型的效率提出了更高的要求。该文提出了基于混沌优化算法（chaos optimization algorithm,COA）和极值动力学优化算法（extreme dynamics optimization algorithm,EO）相互结合的多目标问题求解模型。通过算例验证,结果表明COA-EO优化算法同时利用COA算法和EO算法的优点,从而成功避免了各自缺陷,使得普通EO算法跳出局部最优,避免了算法的早熟现象,从而得到了全局最优结果。另外,为得到更好的多目标优化结果,引入Pareto最优解,并利用所提出的COA-EO算法求解Pareto最优解。计算结果亦表明COA-EO算法的优化性能优于EO算法、遗传（genetic algorithm,GA）算法、蚁群（ant colony optimization,ACO）算法、ACO-EO算法和GA-EO算法,说明COA-EO算法是解决含DG配电网规划问题的有效工具。     

基于Godlike算法的海岛型分布式电源规划模型

为实现海岛地区低污染、低成本电力的有效供给,提高可再生能源的利用消纳能力,针对海岛型分布式电源规划特点,建立了综合考虑投资运行费用、系统损耗和系统稳定性这3个方面的多目标分布式电源目标规划模型;在引入Pareto最优解概念的基础上,提出了采用Godlike算法对上述多目标、多约束、非线性优化问题进行求解。将所建立的模型及其求解算法应用于我国南方某岛分布式发电系统电源规划实际问题中,仿真结果表明Godlike算法计算结果要远远优于单体遗传算法、模拟退火算法、差分进化算法和粒子群优化算法,其能够有效避免单个算法在求解分布式电源规划问题时容易陷入局部最优、算法过早成熟等问题,保证了算法可有效得到全局Pareto最优解。     

考虑环境污染的机组出力经济分配

对传统意义下经济调度模型进行修正,同时考虑最小化燃料费用和污染排放量,提出了多目标环境经济调度模型,并应用多目标蚁群算法(MOACA)加以求解。指出MOACA将信息素交流和基于全局最优经验指导两种寻优方式相结合,以指导蚂蚁向更好解的方向前进,可以获得分布良好的Pareto最优解。利用文内算法对IEEE-30节点系统的机组出力进行环境经济调度,并与现有一些算法进行比较。     

基于改进粒子群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,提出一种基于(非劣最优)Pareto解集的改进粒子群算法AL iPSO。用最优值评估选取法求取粒子和全局最优位置,解决目标函数间可能存在的冲突。并将关联度自适应学习应用于多目标优化,提出适合Pareto解特点的适应度设计和随机惯性权策略,克服PSO算法容易早熟而陷入局部最优解的缺点。通过对IEEE 6、IEEE 14节点系统多目标最优潮流计算,验证了该算法的有效性。     

实数编码遗传模拟退火算法SHEPWM控制技术

针对多电平逆变器SHEPWM(selected harmonic elimination pulse width modulation,SHEPWM)消谐模型的求解问题,提出一种遗传算法和模拟退火算法相融合的新型算法。该算法根据个体适应度值进行自适应交叉和变异操作,采用模拟退火算法进行个体更新,以增加种群的多样性,增强全局寻优能力,避免陷入局部最优,并以实数编码保存个体来提高计算精度。以二极管箝位三电平逆变器SHEPWM为例,给出了全调制度下的开关角度轨迹及较高调制度下的另外两组解,绘制了谐波失真含量(total harmonic distortion,THD)随调制度变化的曲线,并给出了详细的仿真结果。最后通过建立的二极管箝位三电平逆变器实验平台进行了实验验证,仿真和实验结果证明了该算法的正确性和可行性。     

基于支路交换和声搜索算法的配网重构

采用标准和声搜索算法HSA(harmony search algorithm)进行配网重构时,在搜索最优方案的过程中容易陷入局部最优,且搜索结果受初始参数值的影响。为此,引入结合启发式规则的支路交换法对新和声进行局部搜索,生成第2个新和声,增加了和声记忆库的多样性,使得算法能够逃离局部最优,进而提高了算法的全局搜索能力;采用基于环路分解的编码方式对和声编码,保证初始解集中每个和声都是可行解。采用IEEE 33节点系统进行算例分析,与标准和声搜索算法、遗传算法进行对比分析,结果表明该算法的收敛更迅速,可以快速逃离局部寻优,且寻优性能不受初始参数的影响,验证了改进算法满足可实现性较高的寻优性能。     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

水火电联合系统多目标优化调度

建立了一个水火电力系统多目标优化调度模型,提出一种宽容约束的交互式计算方法。在分解协调的过程中,本文提出的收敛准则,提高了计算精度。对非线性规划问题的求解采用DFP算法,避免了牛顿法中计算海森矩阵及逆阵,而又保持了牛顿法收敛速度快的优点。算例结果表明:该模型是合理的,算法是有效的。     

不平衡主动配电网电压无功两阶段多目标鲁棒优化

高间歇性分布式电源大量接入、线路排布不对称、负荷分布不均匀等因素加剧了配电网的三相不平衡。同时,分布式电源和负荷的显著不确定性导致配电系统电压越限频繁以及网络能量损耗增加。引入电压不平衡度二阶锥约束,以降低主动配电网的三相不平衡程度;采用鲁棒优化方法对分布式电源与负荷的不确定性进行建模;在此基础上,提出一种不平衡主动配电网的两阶段多目标电压无功控制模型,以最小化系统电压偏差和网络能量损耗;结合二阶锥松弛与线性化技术将非凸模型转化为可求解形式,利用法线边界相交算法处理多目标问题,并采用列与约束生成算法将可求解模型分为主问题与子问题进行迭代求解,从而得到鲁棒帕累托最优解。基于澳大利亚某真实配电网验证所提方法的有效性和鲁棒性。     

基于改进量子遗传算法的电力系统无功优化

提出一种基于改进量子遗传算法的电力系统无功优化方法。该方法借鉴量子计算的一些概念,采用量子比特对控制变量编码,这种编码方式能表示出许多可能的线性叠加态,从而更好地维持种群的多样性。同时利用搜索到的最佳个体信息更新量子门,加快了该方法的收敛速度,采用群体灾变策略防止该方法陷入“早熟”。分别采用线性规划算法、复合形算法、改进禁忌搜索算法、标准遗传算法、自适应遗传算法和该方法对IEEE 6和IEEE 30节点系统进行无功优化,实验结果表明,该方法全局寻优能力强、收敛速度快。     

基于适应度空间距离评估选取的多目标粒子群算法在电网无功优化中的应用

提出了一种基于适应度空间距离评估选取最优解的多目标粒子群算法。该方法避免了目前多目标优化求解方法中权重选择的难题，保证了寻优方向的多向性，可以获得多目标优化问题的Pareto解集。将该算法应用于网损最小、静态电压稳定裕度最大为目标的多目标无功优化问题，算例表明在有效性和最优性等方面均有良好表现。     

基于正弦余弦算法的NoC测试规划研究

如何实现多约束条件下测试时间优化是目前片上网络(NoC)测试中亟待解决的问题。提出一种基于正弦余弦算法(SCA)的NoC测试规划优化方法。采用专用TAM的并行测试方法,在满足功耗、引脚约束的条件下,建立测试规划模型,对NoC进行测试。通过群体围绕最优解进行正弦、余弦的波动,以及多个随机算子和自适应变量进行寻优,达到最小化测试时间的目的。在ITC’02 test benchmarks测试集上进行对比实验,结果表明相比粒子群优化(PSO)算法,提出的算法能够获得更短的测试时间。     

一种新的求解配电网重构问题的免疫遗传算法

针对遗传算法求解配电网重构问题存在的不足,建立了以网损最小为目标函数的配电网重构数学模型,提出了一种新的免疫遗传算法。该算法的关键在于疫苗库的构建和免疫算子的设计。疫苗库可自动建立和更新,免疫算子由接种疫苗和免疫检测组成。另外,采用了基于基本环路的编码方法、高频变异和大选择压的锦标赛选择算子。IEEE 33和IEEE 69系统的仿真测试结果表明：该算法符合配电网重构问题的特点,能有效抑制进化中的退化和波动现象,在确保解的质量的同时,具有很快的收敛速度;与传统遗传算法和相关文献中的同类算法相比,该算法在效率和性能方面具有优越性。