基于改进遗传算法的电力系统无功规划优化

简要分析了几种无功优化方法的局限性,通过比较得出遗传算法是求解无功优化的一种有效的方法,并在简单遗传算法(SGA)的基础上,提出了更加有效的算法即改进遗传算法(IGA)。该算法针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,借鉴了模拟退火思想在遗传算法的执行过程中对个体适应度不断进行修正,并采用了浮点数编码、双层结构群体、自适应的交叉率和变异率等改进措施。算例表明这种改进的遗传算法优化效果好,而且在精度和收敛度上都有较大提高。     

基于改进遗传算法的电力系统无功规划优化

简要分析了几种无功优化方法的局限性,通过比较得出遗传算法是求解无功优化的一种有效的方法,并在简单遗传算法(SGA)的基础上,提出了更加有效的算法即改进遗传算法(IGA).该算法针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,借鉴了模拟退火思想在遗传算法的执行过程中对个体适应度不断进行修正,并采用了浮点数编码、双层结构群体、自适应的交叉率和变异率等改进措施.算例表明这种改进的遗传算法优化效果好,而且在精度和收敛度上都有较大提高.     

改进的自适应遗传算法在控制器PID参数优化中的应用

针对遗传算法(GA)中自适应机制存在理论性和可行性之间的矛盾,提出一种行之有效的自适应算法。该算法根据个体和群体的适应度来确定个体的交叉变异概率,并据此采用无放回抽样的方式进行交叉变异。用一个非常复杂的数学函数对新算法进行了测试,结果表明改进算法克服了传统GA难以解决的早熟和局部收敛的问题,并且收敛速度大有提高。在此基础上将其应用于锅炉过热汽温串级控制系统的PID参数优化,仿真结果表明了其优越性,具有很好的应用价值。     

模糊自适应遗传算法在配电网络重构中的应用

以网损最小为目标函数,节点电压、网络辐射性和电源容量的限制为约束条件,建立了配电网络重构的优化数学模型。针对遗传算法的局限性,提出了一种新的模糊自适应遗传算法,缩短了染色体编码长度、设计了与进化代数、适应度、及个体排序相关的自适应交叉率与变异率,从而使得该算法能够有效地提高收敛速度,避免早熟收敛。重构算例说明该优化方法有效、实用。     

电力系统无功优化的二次变异遗传算法

在自适应遗传算法的基础上引入优良个体池和二次变异操作,提出了用于电力系统无功优化和电压控制的二次变异遗传算法。该方法建立一个与群体规模等大的优良个体池,用于保存个体编码、适应度等详细数据。每计算完一代,将该代的个体与优良个体池中的个体进行生存竞争,因此优良个体池中保留了历代计算的优良个体,下一代的群体从优良个体池中选择。考虑到遗传操作后存在大量相同个体,检出重复个体进行二次变异,产生邻近的个体,避免了重复计算而且增强了算法的局部搜索能力,加快了算法的收敛速度。该方法和自适应遗传方法用IEEE30节点系统为例计算,结果表明:使用二次变异自适应遗传算法优化的网损平均值更低,寻优性能更好,优化的网损值集中在小的区间。     

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.     

基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性。同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法。应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性。     

电力系统无功优化改进遗传算法的研究

提出一种快速、有效提高全局最优解的电网无功优化改进遗传算法.该算法考虑了首端节点电压的取值对功率、电压损耗的影响.通过将群体相关度概念引入个体适应度值的评估中,造就了一种小生境进化环境.在群体繁殖过程中,采用非相关性配对方式及算子优化交叉的策略,有效缩短了算法寻优时间.算法后期采用动态阀值灾变机制,促使算法趋向全局收敛.IEEE 30节点及多个算例结果证明了该方法的优越性与可行性.     

基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性.同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法.应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性.     

一种综合改进型遗传算法及其在综合负荷建模中的应用

针对基本遗传算法本身存在收敛速度慢和易早熟的缺陷,提出一种综合改进型遗传算法并成功地应用于负荷建模。该改进遗传算法通过对初始种群的选择、最优个体的保留、自适应的交叉和变异率、早熟现象的防止策略等各方面进行综合的科学设计,能十分有效地克服早熟、避免近亲繁殖、明显提高收敛速度,并具有优良的自适应特性。基于现场实测负荷特性数据的负荷建模实践表明,所提出的综合改进型遗传算法对于加速收敛缩短辨识时间、提高模型拟合精度、克服模型参数的分散性均具有显著作用,是一种很适合于负荷建模的优秀优化算法。     

改进遗传算法在电力系统稳定器参数辨识中的应用

针对基本遗传算法(SGA)收敛速度慢、易早熟等缺陷,从初始群体的生成、精英个体的保留、自适应的交叉率和变异率、早熟现象的防止策略等方面对SGA进行了改进,提出了一种基于改进遗传算法(IGA)的将电力系统稳定器(PSS)原模型转换成仿真软件下标准模型的参数辨识方法.通过建立含PSS的励磁系统原模型和标准模型传递函数结构框图,输入相同的扰动信号,以原模型和标准模型的输出误差最小作为辨识目标,利用IGA对PSS标准模型参数进行优化调整,最终得到满足要求的PSS标准模型参数.实际PSS参数辨识结果表明,该方法计算速度快,精度高,具有很好的效果.     

含分布式电源的DEIWO算法配电网无功优化

针对含分布式电源的配电网无功优化的特点,提出一种将入侵杂草算法与差分进化算法相结合的混合求解算法。该算法将一组初始可行解进行繁殖、空间扩散,当达到环境允许的最大值时,通过引入竞争机制,选取适应度较高的部分个体,再通过变异、交叉、选择,最终保留最佳个体。该算法既利用了入侵杂草算法结构简单、参数少和鲁棒性强的优点,又通过结合差分进化算法,克服其易陷入局部最优,精度不高的缺陷。以IEEE33节点系统进行仿真分析,并与传统的入侵杂草优化算法进行比较,结果表明该算法具有较强的全局搜索能力以及较高的收敛精度,能够有效地减少功率损耗。     

电网无功优化的改进遗传算法

针对遗传算法在电力系统无功优化实时控制中中速度较慢的问题，提出了一种改进的分段进化遗传算法，改变常规算法固定群体规模和最大迭代次数的做法，将其进化过程分为几个阶段，逐次对其群体规模进行扩充，并规定适应于每个阶段群体规模的迭代次数。这样既可以改善寻优方向，防止过早收敛，又可以保证进化后期每次迭代的有交笥，加快计算速度。在IEEE30节点系统的实验中，与其他常规算法进行对比分析，结果表明分段进化遗传算法具有较强的全局寻优能力，愉的收敛速度，更加适应于实时无功控制。     

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。     

融合鱼群和微分进化的蚁群算法的无功优化

对于求解电力系统无功优化问题,提出了一种融合鱼群和微分进化的蚁群优化算法（FDEACO）。受人工鱼群觅食、聚群和追尾行为的启发,在基本蚁群算法的基础上,应用人工鱼群算法的追尾行为对蚁群在可行域上搜索到的解进行改进,加快了向最优解收敛的速度。在信息素更新机制里,通过引入微分进化算法的发散项,增加一个随机扰动,减小了算法陷入局部最优的可能性。在IEEE30测试系统上对新提出的算法进行校验,并与其它算法比较,证明FDEACO算法收敛速度快、全局寻优能力强。     

基于改进遗传算法的配电网无功优化

针对传统遗传算法在电网无功优化领域应用中存在的不足,结合配电网的特征,建立了综合考虑全年网损、电压品质和补偿设备投资的无功优化数学模型。同时应用自适应遗传算法对传统遗传算法的遗传算子和终止判据等进行了改进,提出了一种配电网无功优化的改进遗传算法,使其计算效率和全局寻优能力均有提高。实例计算表明,其优化效果优于传统遗传算法。     

基于相似性自适应学习的遗传算法在无功优化中的应用

针对常规遗传算法(GA)的不足,提出了一种改进的遗传算法—基于相似性自适应学习的遗传算法,为提高遗传算法的计算速度、收敛性和全局最优搜索能力,采取了以下改进措施:①针对遗传算法产生新解无序,提出邻域搜索策略;②为提高算法的搜索效率和效果,按适应值相似性对个体分级、加速;③为提高收敛速度,提出了邻域收缩策略。将改进遗传算法应用于电力系统进行无功优化,在收敛速度和全局收敛性与常规遗传算法进行了比较,结果表明改进遗传算法的有效性。     

基于改进遗传模拟退火算法的PMU优化配置

分析了遗传算法和模拟退火算法的优缺点,将具有较好全局寻优性能的遗传算法和具有较强局部搜索能力的模拟退火算法结合,形成的遗传模拟退火MGASA算法用于解决以电力系统状态完全可观测和PMU配置数目最小为目标的PMU优化配置问题.在寻优过程中,先将每一代群体进行遗传操作,再对产生的新群体中各个体进行模拟退火操作,同时在选择、交叉、变异和复制操作过程中实施最优保留策略,复制策略采用Metropolis判别准则.通过采用IEEE14和IEEE39节点系统对该算法进行验证表明,MGASA算法在解决PMU优化配置问题上具有较高的寻优性能和搜索效率.