基于布谷鸟搜索算法的分布式电源接入优化

配电网中分布式电源的比重逐渐增大,而分布式电源的优化配置是一个复杂、非连续性、非凸、非线性优化问题。对此提出一种布谷鸟搜索算法(CS),利用其较强的全局搜索能力,在分布式电源的个数、位置和容量均不确定情况下,对分布式电源进行优化配置。在分布式电源接入容量受渗透率约束的情况下,建立考虑建设费用、损耗费用及购电费用在内的经济效益模型,并将节点电压偏差作为罚函数加入优化模型,保证在稳定运行的基础上达到效益最大化。最后,将所提出的布谷鸟搜索算法与粒子群算法(PSO)进行比较,说明采用布谷鸟算法的优越性。     

城市配电网变电站选址优化

研究了基于不同原则的单源和多源连续选址计算模型在城网变电站站址优化中的应用，并提出了新的组合模型，以求得在一定负荷水平下最佳的站址。几种模型已经程序考核并给出了算例，编写的程序具有一定的普遍意义。     

浅谈变电站选址定容的方法

变电站选址定容不仅要考虑经济技术因素,对地理因素也应充分考虑。可以建立分阶段规划算法模型,先利用优化算法,通过大范围的搜索,获得新建变电站的站址、站容,再从备选方案中对地理因素进行量化分析,科学确定变电站站址和容量。     

基于改进天牛须搜索算法的分布式电源选址定容

针对分布式电源接入配电网的选址定容问题,在考虑到网损、静态电压稳定和线路热稳定3个指标的基础上,采用层次分析法建立了分布式电源在配电网中选址定容的多目标优化模型。对一种新的智能优化算法-天牛须搜索算法(Beetle Antennae Search-BAS)进行改进,提高了算法的稳定性,并应用于分布式电源选址定容问题求解。通过与粒子群算法在IEEE-33标准节点算例的仿真对比实验,验证了改进天牛须搜索算法(Improved Antennae Search-IBAS)在分布式电源选址定容问题求解中的高效性和稳定性。     

优化理论在城市配电网变电站选址中的应用

本文研究了基于不同原则的多源连续选址计算模型在城网变电站站址优化中的应用 ,并提出了新的组合模型 ,以求得在一定负荷水平下最佳的站址。几种模型已经程序考核并在文中给出了实例 ,编写的程序具有一定的普遍意义     

基于二进制布谷鸟搜索算法的含DG配电网故障定位*

为适应含分布式电源(DG)智能配网电的建设和发展对故障定位高效性和准确性的要求,构建了可自适应多DG投切的开关函数模型,并结合网络分区处理解决方案,提出一种基于二进制布谷鸟搜索算法(BCS)的含DG配电网故障定位方法。通过对含DG的IEEE 33节点系统的仿真分析,验证了该方法的容错性、快速性和准确性。     

基于布谷鸟搜索算法的微网多目标优化运行研究

微网能有效地接入包括可再生能源发电在内的各类分布式新能源,而可再生能源发电的输出功率具有不确定性,给微网的经济、可靠和安全运行带来了挑战。蓄电池作为储能装置是保证微网系统安全可靠运行的重要组成部分。研究了含风力发电、光伏发电和蓄电池的微网的特性,考虑了微网发电费用、排污罚款、供电可靠性和网络损耗,建立了多目标微网优化运行模型。采用多目标的布谷鸟搜索算法来求解该复杂非线性优化问题,微网算例的仿真结果验证了模型的正确性和算法的有效性。     

浅谈变电站的选址要素

针对变电所所址选择的过程及一般要求进行分析讨论,就如何选择新建变电所的所址提出一些建议。     

基于公众参与的变电站选址规划研究

变电站选址是变电站规划的一个关键性环节,涉及社会方方面面的利益,因此需要利益相关者的积极参与.文中将参与式技术引入变电站选址,探索变电站选址各个阶段的有效的参与手段.以期对今后的变电站选址提供借鉴.     

基于改进GA-PSO混合算法的变电站选址优化

针对具有大规模、多约束、非线性特点的变电站选址优化问题,提出了一种可以适应实际地理状态具有寻优机制且兼顾速度的算法。该算法结合遗传算法与粒子群算法(GA-PSO),采用实数编码策略、精英保留策略,以变电站规划年最小费用为适应度,实现空间解在空间范围内的自适应搜索,有效避免局部最优解和早熟问题。其收敛速度比遗传算法(GA)快,求解精度比PSO和GA都要高。并利用基于层次分析法(Analytic Hierarchy Process,AHP)的评价函数对结果进行评价和局部修正,使其结果更贴近实际情况。算例结果表明,该算法具有较好的寻优能力和收敛特性,无需进行编码换算,操作简单且运行速度快,能更好地满足配电网大规模变电站规划的需求。     

基于遗传算法和多目标多项目决策技术的变电站优化选址

从理论和实际两个角度出发,提出变电站选址决策"优中选优"的思想,即:首先将影响选址决策的所有因素划分为两类,一类是可以数学建模的,利用遗传算法进行初步寻优,得到理论上的最优解和一批次优解作为候选站址;对另外一类不能建模的,采用多目标多项目决策技术,以系统的思想结合专家经验,对初步寻优得到的候选站址优化选择,实现整体上的最优.将算法优化和决策技术巧妙结合,建立了变电站选址优化、决策的程序流程.通过实际算例表明,该方法简单、实用、有效、可靠.     

基于混合遗传算法的变电站选址定容

针对变电站优化规划这种大规模组合优化问题,提出了一种结合遗传算法与交替定位分配算法的混合遗传算法(GA-LA).该算法采用新型的三维编码策略,同时包含新建站的数量、站址和站容信息,并设计了适用于此新型编码的交叉算子和变异算子,以实现站址、站容的优化.其中,针对站址优化子问题,GA-LA算法将交替定位分配算法与遗传算法结合,在标准GA算子之后增加了一个LA算子,由GA算子进行种群中的全局广度搜索,LA算子进行染色体中的站址局部深度搜索,可实现无待选站址的自动寻优.算例结果表明,该方法具有较好的站址站容寻优能力和收敛性能,能满足实际电网中大规模变电站规划的需求.     

基于两阶段布谷鸟算法的微电网无功最优补偿

针对微电网无功补偿的经济性,提出考虑静止同步补偿器安装和运行成本的无功最优补偿模型,考虑分布式发电出力的不确定性,将线路损耗的计算按季节和日小时,分为多个时间段进行计算叠加,同时引入偏差惩罚函数对分布式电源无功出力和整体电压水平进行限制.利用线路损耗灵敏度优化初始种群的两阶段布谷鸟算法确定最佳补偿位置和容量.采用IEEE14节点系统,将多个分布式电源接入微电网系统,应用Matlab平台进行仿真验证,通过绘制曲线分析所提最优补偿策略的经济性,并与多种算法进行计算结果的比较,验证补偿效果的优良性.     

基于差分粒子群算法的变电站选址定容规划

针对标准粒子群算法(particle swarm optimization,PSO)易陷入局部最优,差分进化算法(differential evolution,DE)后期收敛速度慢的缺点,提出差分粒子群算法(differential particle swarm optimization,DEPSO)将二者进行混合优化,提高群体的收敛速度和全局寻优能力,并应用于配电网变电站规划。在变电站选址数学模型中结合Voronoi图来确定变电站供电范围和规划容量,继而校验变电站实际负载率,简化计算过程,提高搜索效率。通过某市城区远期规划实例验证得知该算法正确有效,可以满足城区配电网的规划要求。     

基于地理信息的变电站选址定容模型与算法

提出了新的基于地理信息的变电站选址定容模型和算法.首先,通过计及多边形地块地价选址问题研究发现了选址地理信息模型中的地块边界效应并揭示了其原理,利用边界效应在模型中加入线性约束以求得计及地价后的最优位置,提高了单中位选址的空间搜索效率.然后再结合交替定位分配法提出了基于地理信息的选址算法,在算法中利用线路费用等高线原理实现邻接低价地块快速筛选,大大节省了算法耗时.实际算例验证表明该方法选址效果良好,能有效处理地价等地理信息因素和自动避让不可建站区域.     

基于改进多组织粒子群体优化算法的配电网络变电站选址定容

提出了一种改进的多组织粒子群优化算法（RMPSO）来解决配电网络变电站选址定容问题。RMPSO中,粒子除受个体极值点和全局极值点影响外,还受组织极值点的影响。在寻优过程中,以适应度方差大小衡量粒子群体的"聚集"情况,对发生"聚集"的组织对应的组织极值点赋予变异操作,用以克服粒子群优化算法(PSO)的早熟现象。在该文提出的站址选择计算模型中,不仅考虑线路投资和网络运行费用对站址选择的影响,而且还考虑了地理信息对建站投资费用的影响,在模型上体现了变电站选址定容是地理信息和电气信息两者共同作用的结果。通过某开发新区规划实例验证了该文所提模型和方法正确性和有效性,其规划结果科学、可行。     

基于GIS和微分进化算法的变电站选址及定容

将微分进化（DE）算法引入到变电站选址规划优化问题中,并运用参数动态调整策略,在计算初期保证群体的多样性,后期加快算法的寻优速度,从而改善DE算法的性能。在配电网络变电站选址定容过程中,考虑地理信息系统（GIS）对规划站址的影响,将可建站区域图形进行编码处理以数据形式存储,通过判断待选站址和地理因素的网络拓扑关系,确定可行的待选站址。通过对2个算例优化计算表明,以GIS数据库为平台,将该算法和图形问题相结合,在解决实际配电网络变电站规划问题中取得了良好的效果。     

基于改进量子进化算法的变电站选址方法

传统的变电站选址方法通常搜索时间长,且搜索质量不高,本文首次将量子进化算法(QEA)引入到变电站选址模型中,并且改进了传统的量子进化算法,提出了变电站选址的改进量子进化算法(IQEA)。IQEA对QEA的修复操作和进化方向进行改进;修复操作采用贪心修复,进化方向以适应度值作为评价的标准,以适应度值作为吸引子进行下一代的更新,从而更好地维持了种群的多样性,提高了算法性能。背包问题测试结果表明,对QEA的改进措施增强了QEA的搜索能力,提出的IQEA性能最优。且实际算例表明,本文所提出的IQEA是正确且有效的,其选址方法是科学、可行的。     

基于布谷鸟搜索的伺服云台控制器设计

伺服云台是一种复杂的控制系统,具有高度的非线性、时变性以及参数不确定性.传统的PID控制算法在面对非线性和参数不确定系统时,难以取得较高精度的控制效果,同时对于外界因素的干扰也缺乏鲁棒性.针对此问题,引入模糊控制对PID参数进行实时整定,构建模糊自整定PID控制器.对于PID控制器参数和模糊控制器的量化因子通过布谷鸟搜...