基于混沌遗传和模糊决策算法的多目标负荷经济调度

提出一种可同时得到电力系统最优机组组合和多目标负荷分配结果的混沌遗传和模糊决策算法.结合改进优先顺序法、启发式遗传算法、混沌优化和模糊决策的优点,按改进的优先顺序法确定各时段运行的机组序列,用启发式遗传算法确定机组组合状态,并对交叉率和变异率进行模糊决策.在负荷分配中,考虑单一经济目标和多目标优化2种决策模型,用遗传算法进行并行搜索,同时在最优点附近利用混沌优化的遍历性进行局部寻优,避免遗传算法陷入局部最优,有效提高了收敛速度.将所提算法分别应用于10机和30机系统中,结果表明,该算法较好地处理了电力系统负荷经济调度的各种约束条件,减少了不可行解,加快了收敛速度.     

基于改进遗传算法的电力系统机组优化组合

用遗传算法解决电力系统机组组合及机组间的负荷分配问题。在简单遗传算法基础上,提出了将自适应遗传算法应用于机组优化组合。该算法的交叉率随种群中的最大适应度值和每代种群的平均适应度值的变化而自动改变;变异率随适应度值和进化代数的变化而自动调节。通过对算例的计算分析表明,该算法与简单遗传算法相比具有更高的精度和收敛度。     

基于混沌遗传混合优化算法的短期负荷环境和经济调度

环境和经济短期负荷调度主要由在调度周期内的最优机组组合和负荷分配组成,该文将优先次序法、遗传算法与混沌优化相结合,以应用到电站机组环境／经济运行优化问题中,在混沌遗传算法中采用递阶基因结构,将控制基因用于机组组合全局粗寻优,参数基因用于负荷分配局部优化, 基因修正与罚函数相结合解决约束问题,采用混沌扰动避免遗传算法早熟,运用基于线性搜索的混沌局部优化方法,加快算法的收敛速度和降低计算时间,优化计算结果可以同时得到最优机组组合及负荷最优分配,为实际调度系统提供了一个良好的方法。     

基于优先级排序和内点法的机组优化组合

机组优化组合的目标是确定电力系统煤耗量和网损最小的发电调度方式。优化模型中考虑了机组爬坡率的限制、输电网络断面安全约束,针对寻优效率提出了一种优先级排序和内点法相结合的机组组合优化方法。按能耗指标形成机组优先级排序表,以获得尽可能好的开机方式初始值;用局部寻优法在初始值附近的可行域内寻求最优组合状态;对负荷分配的连续性子问题用内点法求解。通过对IEEE-39节点10机系统进行仿真计算,验证了所提方法收敛速度快、耗时少,对处理机组组合问题具有有效性和适用性。     

基于优先级排序和内点法的机组优化组合

机组优化组合的目标是确定电力系统煤耗量和网损最小的发电调度方式.优化模型中考虑了机组爬坡率的限制、输电网络断面安全约束,针对寻优效率提出了一种优先级排序和内点法相结合的机组组合优化方法.按能耗指标形成机组优先级排序表,以获得尽可能好的开机方式初始值;用局部寻优法在初始值附近的可行域内寻求最优组合状态;对负荷分配的连续性子问题用内点法求解.通过对IEEE-39节点10机系统进行仿真计算,验证了所提方法收敛速度快、耗时少,对处理机组组合问题具有有效性和适用性.     

遗传算法在有功安全经济调度中的应用

利用遗传算法(简称GA)求解电力系统有功经济调度问题。优化模型中考虑了线路N安全性约 束，对遗传算法中适合度函数、变异概率取值及收敛判据等方面进行了探讨，进一步拓展了 电力系统安全经济调度计算方法的应用前景。最后对IEEE　30节点6机系统进行了数字仿真 ，证明了该方法的简捷和有效。     

一种求解机组组合问题的新型改进粒子群方法

将电力系统中机组组合这一复杂的多约束混合整数规划问题分解为具有整型变量和连续变量的两个优化子问题，提出采用改进离散二进制粒子群算法和标准粒子群算法相结合的双层嵌套方法,分别对外层机组的启、停状态变量和内层功率经济分配进行交替迭代优化求解。同时在算法中引入基于机组优先顺序的变异技术和修补策略，能有效地处理机组最短启、停时间约束，并提高算法的全局寻优能力和计算效率。通过对10机系统的算例计算，并同其他算法的结果进行比较分析，仿真结果表明新方法求解精度高、收敛速度快，从而验证了新方法的可行性和有效性。     

机组优化组合的遗传算法

本文对机组优化组合的遗传算法进行了研究，针对问题的特征，设计了应用方法。实例计算表明，遗传算法具有收敛性好，适应性强，能找到近乎全局最优解，它对实现机组优化组合具有实用价值。     

火电厂内机组优化组合的改进遗传算法

本文针对常规遗传算法缺点，根据具体问题的特征，对火电厂内机组优化组组合中的遗传算法从各个环节进行了改进。实例计算表明，该方法收敛性好、适应性强、能更有效地达到或接近全局最优。     

考虑风电机组超速减载与惯量控制的电力系统机组组合策略

随着风电渗透率的提高,电力系统将面临惯量支撑和频率响应能力不足的问题.风电机组通过虚拟惯量控制及超速减载控制可具有调频能力.文中在传统机组组合模型的基础上加入计及风电机组调频的频率动态约束.首先,推导风电机组不同减载量下的虚拟惯性时间常数大小.然后,对计及风电机组调频的多机系统建模,并推导扰动后频率最低值的表达式.接着,构建考虑动态频率约束的机组组合优化模型,并采用多元分段线性化技术解决频率约束高度非线性特征的问题.最后,以含风电并网的10机系统为例进行计算分析,结果验证了风电机组参与调频在机组组合决策中的可行性.所提模型与传统机组组合相比,在满足经济性的同时提高了系统稳定性.     

用遗传算法解算机组组合的研究

用遗传算法解决电力系统机组组合及机组间的负荷分配问题。在机组数目增加时，二进制编码的遗传算法的计算量及存储量会增加很多，并且经典的遗传算法不具有渐近收敛性。针对这些问题，作者采用二进制与浮点数混合的编码方案，并根据这一特点设计了遗传算子；对经典的遗传算法在计算中出现的随机性问题，则采用压缩映射遗传算法使计算过程渐近收敛。计算表明，该算法的具有渐近收敛性，与二进制编码的算法相比，计算所需时间及内存少，而且更易引入问题的相关信息。     

A parallel genetic algorithm approach to solving the unitcommitment problem: implementation on the transputer networks

Through a constraint handling technique, this paper proposes a parallel genetic algorithm (GA) approach to solving the thermal unit commitment (UC) problem. The developed algorithm is implemented on an eight-processor transputer network, processors of which are arranged in master-slave and dual-direction ring structures, respectively. The proposed approach has been tested on a 38-unit thermal power system over a 24-hour period. Speed-up and efficiency for each topology with different number of processor are compared to those of the sequential GA approach. The proposed topology of dual-direction ring is shown to be well amenable to parallel implementation of the GA for the UC problem     

基于多种群遗传算法的波浪发电最大功率跟踪控制

波浪发电系统遗传算法最大功率点跟踪过程中,因群体中的所有个体较快趋于单一化而停止进化,导致难以获得最优解,为此引入多种群遗传优化新算法。在初始阶段,新算法引入多个种群同时进行搜索,并对每个种群赋予不同的交叉、变异概率,使算法能够兼顾全局与局部搜索;同时加入用于维持种群间联系的移民算子及可用来建立精华种群的人工选择算子,并以精华种群作为算法收敛的判据。仿真结果表明,与传统遗传算法相比,该算法能够提高波浪发电系统的波浪能捕获率。     

Economic analysis of unit commitment with distributed energy resources

Classic unit commitment (UC) is an important and exciting task of distributing generated power among the committed units subject to several constraints over a scheduled time horizon to obtain the minimum generation cost. Large integration of distributed energy resources (DERs) in modern power system makes generation planning more complex. This paper presents the individual and collective impact of three distributed energy resources (DERs), namely, wind power generator as a renewable energy source, plug-in electric vehicles (PEVs) and emergency demand response program (EDRP) on unit commitment. In this paper, an inconsistent nature of wind speed and wind power is characterized by the Weibull probability distribution function considering overestimation and underestimation cost model of the stochastic wind power. The extensive economic analysis of UC with DERs is carried out to attain the least total cost of the entire system. To obtain the optimum solution, Teaching–learning based optimization (TLBO) algorithm is employed to solve the unit commitment problem considering IEEE standard 10 unit test system in this study. It is found that the combined effect of wind power generator, plug-in electric vehicles and emergency demand response program on UC significantly lessen the total cost of the system.     

一种求解大规模机组组合问题的混合智能遗传算法

针对传统的采用二进制编码的遗传算法在求解大规模机组组合问题时收敛速度慢、易早熟等问题,作者结合机组组合问题的特点,提出了一种混合智能遗传算法.该算法以机组状态作为个体编码,结合启发式方法的自适应智能变异算子求解目标函数,显著缩小了求解问题的规模,保证了群体多样性,提高了算法的搜索效率,改善了算法的收敛性.仿真计算结果表明了该算法的有效性和实用性.     

基于矩阵实数编码遗传算法求解大规模机组组合问题

该文提出了一种采用矩阵实数编码遗传算法(MRCGA)进行机组组合优化的新方法：采用矩阵实数编码方式对整体发电计划进行编码后，可直接运用遗传操作求解机组组合问题，避免将其分解成机组启停安排和经济负荷分配的两层优化问题进行求解；采用多窗口变异技术，增强了算法的搜索能力。此方法提出了一种新的个体调整方法，可以处理各项约束条件，保证了结果的可行性。文中通过2个算例及与其它算法的对比分析，验证了所提出的方法在大规模机组组合问题求解时具有很强的适应性和全局搜索能力。     

基于PSO-GA算法的电力系统机组组合研究

机组组合优化问题是一个大规模、多约束、非线性的混合整数规划问题,因此求解非常困难。粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO算法的优势在于操作简单,可调参数少易于实现而又功能强大。该文采用二进制粒子群优化方法解决机组状态组合问题,用遗传算法结合启发式技术解决经济分配问题,并对最小开停机时间及启停费用进行了处理,使得运算速度大大加快。方法的可行性在10台机组系统中检验。模拟结果表明文章所提出的算法具有收敛速度快及解的质量高等优点。     

遗传/禁忌组合算法在发电机组优化组合中的应用

在研究遗传算法 (GA)和禁忌算法 (TS)的基础上 ,提出一种采用遗传 /禁忌组合算法 (GA/TS)的策略 ,并将其应用于发电机组的优化组合中 ,同时用算例证明该方法的有效性和应用前景。     

Robust H-infinity load frequency control in hybrid distributed generation system

This paper presents a study on isolated hybrid distributed generation (DG) system for improving the frequency deviation profile. The hybrid DG system consists of wind turbine generator (WTG), diesel engine generator (DEG), aqua-electrolyzer (AE), fuel cell (FC) along with energy storage units. The frequency control problem is addressed for DG system connected with superconducting magnetic energy storage (SMES) or ultra-capacitor (UC). The particle swarm optimization (PSO) based loop shaping of H-infinity controller is used and compared with those obtained by genetic algorithm (GA) to minimize the frequency deviation. The frequency stabilizing performance is analyzed under different disturbances. Also, the controller robustness in terms of system parameter uncertainties is tested for changes in parameter up to ±30% from its nominal value. The results demonstrate minimum frequency deviation as achieved by proposed controller with use of UC in hybrid DG system.