电力系统不对称谐波潮流的一种实用计算方法

提出了一种电力系统不对称谐波（基波）潮流的分立迭代算法,该方法实现了基波潮流与谐波潮流的解耦。不对称基波潮流计算采用三相P-Q分解法,而不对称谐波潮流计算则采用解线性三相节点方程的方法。通过对某一实际电网的计算表明,这种不对称谐波（基波）潮流计算方法计算速度快、占用内存少、收敛可靠,可用于大规模系统谐波潮流的计算。     

应用于非线性涡流问题的定点谐波平衡改进算法

采用基于H-B-M本构关系的定点谐波平衡法,针对含块状导体的涡流问题推导并给出了场路耦合方程的频域形式。利用微分磁阻率确定定点磁阻率的最优取值,在非线性迭代中不断更新定点磁阻率矩阵。通过构造定点磁阻率矩阵为对角阵,有效地降低计算时所需内存,提高计算效率。采用基于割线法的非线性迭代方案,提高谐波解的收敛速度。基于该方法对一维、二维非线性涡流问题进行计算和分析。基于计算结果的对比和分析,验证了改进算法的有效性与准确性。     

矢量距浓度免疫遗传算法在电压治理中的应用

免疫算法在电压治理中易陷入局部最优,信息熵和欧氏距离浓度计算复杂,收敛缓慢,采用适应度函数定义抗体距离,提出矢量距浓度免疫遗传算法应用于电压优化与治理。基于矢量距计算抗体浓度并推导抗体的选择概率和期望繁殖率,通过期望繁殖率进行克隆操作,提高全局最优解的生成速率。通过对IEEE 30和实际算例的分析及与其他算法对比,表明该算法能够有效收敛到全局最优解,而且在迭代次数、计算时间和优化效果方面具有一定的优势。     

电力系统谐波潮流的一种解耦算法

从电力系统谐波潮流计算的线性算法和非线性算法出发，提出了谐波潮流的一种解耦算法，改变常规非线性算法中将基波潮流与谐波潮流联立迭代的方法，使两者分立求解。其中，基波潮流通过牛顿法迭代求解，谐波潮流通过高斯消元法求解，两者通过功率方程关联，并以此考虑基波与谐波之间的相互影响。文中给出了该解耦算法的原理，程序框图和实际算例。计算表明，该算法具有较高的计算精度，同时明显减少了计算量，节省了内存，提高了计算速度，收敛可靠。     

基于改进自适应遗传算法的配电网光伏容量优化配置

为解决配电网中分布式光伏电源的容量优化配置问题,构建了含有分布式光伏电源运行建设费用、配网损耗费用、购电成本效益和环保效益的目标函数,并以配电网中节点电压、功率平衡等为约束条件,通过改进自适应遗传算法求解模型最优解。IEEE 33节点算例中,传统遗传算法在迭代至第77次用时32.72 s收敛至最优解,自适应遗传算法迭代至第39次用时16.57 s收敛至最优解,改进的自适应遗传算法迭代至第10次用时4.78 s就已经收敛至最优解,验证了模型和算法的合理性。     

人口迁移算法在“N-1”安全输电网规划中的应用

提出了一种改进人口迁移算法求解输电网扩展规划的大规模组合优化问题。针对标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了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到满足"N-1"安全准则的输电网扩展规划问题中,建立了输电网扩展规划的数学模型,设计了相应的算法。比较该算法与粒子群算法、标准人口迁移算法对IEEE Garver6节点系统和IEEE Garver18节点系统的仿真计算结果,证明了改进人口迁移算法能有效地解决满足"N-1"安全检验的输电网扩展规划优化问题。     

自适应混沌整体退火遗传算法在水电站群优化调度中的应用

提出了一种基于标准遗传算法(SGA)的自适应混沌整体退火遗传算法(SCWAGA)求解梯级水电站群长期发电优化调度问题。该算法通过混沌优化生成初始解,提高初始解的质量;采用父代参与竞争的整体退火选择方式,避免种群早熟及过早收敛;利用参数自适应函数调整交叉算子和变异算子,提高算法的收敛速度以及避免算法陷入局部最优。以红水河流域水电站群为计算实例的研究结果表明,SCWAGA比SGA具有更快的收敛速度,且搜索到的全局最优解优于SGA与逐步优化算法(POA),为大规模水电系统优化调度求解提供了一种新的有效途径。     

基于改进人口迁移算法的输电网扩展规划

输电网扩展规划是一个非常复杂的大规模组合优化问题,对比提出了一种改进人口迁移算法的求解方法.标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等问题,针对以上缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了算法搜索全局最优解的能力与收敛到最优解...     

基于小生境正交遗传算法的地区电网实时无功优化

在基本遗传算法（SGA）的基础上,引入生物学中小生境的概念和正交设计技术,制定了初始种群生成方法,以保证个体的多样性,并在遗传算法选择、交叉和变异等操作中做出相应改进,从而形成可用于电力系统实时无功优化的小生境正交遗传算法。应用此算法时,通过采用一种典型小生境技术结合最优保存策略的小生境最优选择方法来进行种群的选择,减少了迭代过程中陷入局部最优解的可能性,并进一步减少迭代次数。仿真算例结果标明：在优化条件相同时,该算法的迭代次数明显少于基本遗传算法,显著提高了无功优化的收敛速度。     

改进的遗传算法及其在电磁场全局优化问题中的应用

提出了一种适用于电磁场优化设计的改进遗传算法。分析了标准遗传算法收敛速度慢的原因,针对其不足提出了相应的改进方案。改进算法中引入了迭代过程的分类（随机搜索阶段与局部优化阶段）、新的群体产生规则、适应性的变异概率、新的迭代终止准则等方法。将改进算法与标准算法用于对典型数学函数和应用实例的求解,运算结果表明,该算法比标准遗传算法不仅求解质量高,而且收敛速度快、稳定性强。     

激光粒度测试的非独立反演算法的研究

在光散射法测量微粒体系粒度分布中,关键是反演算法的选择及其正确使用。基于米氏散射理论,研究了非独立反演算法,把遗传寻优算法引入到非独立算法中。实验验证表明,引入遗传寻优到非独立反演算法扩大了非独立反演算法的寻优范围及寻优速度,对标准粒径的反演结果误差在1%以内。     

一种改进的变种群规模遗传算法

针对标准遗传算法存在早收敛和进化后期搜索效率低下等缺点,在变种群规模遗传算法（GAVaPS）基础上,提出了一种改进的变种群规模遗传算法。一方面,修改了种群中个体“寿命”的计算方法,用个体寿命限制个体的生存期,实现对种群数的调控;另一方面,通过改进遗传算子,解决了遗传算子的无向性问题和早收敛现象,同时提高了算法的搜索效率。实验数据表明,该算法具有比标准遗传算法更好的性能。     

遗传算法电机优化设计简介

介绍了遗传算法的基本思想及其特点,实现了基于遗传算法的电机优化设计,讨论了保证其全局收敛性的方法,最后给出了基于遗传算法的电机优化设计实例。     

Integrating genetic algorithms, tabu search, and simulatedannealing for the unit commitment problem

This paper presents a new algorithm based on integrating genetic algorithms, tabu search and simulated annealing methods to solve the unit commitment problem. The core of the proposed algorithm is based on genetic algorithms. Tabu search is used to generate new population members in the reproduction phase of the genetic algorithm. A simulated annealing method is used to accelerate the convergence of the genetic algorithm by applying the simulated annealing test for all the population members. A new implementation of the genetic algorithm is introduced. The genetic algorithm solution is coded as a mix between binary and decimal representation. The fitness function is constructed from the total operating cost of the generating units without penalty terms. In the tabu search part of the proposed algorithm, a simple short-term memory procedure is used to counter the danger of entrapment at a local optimum, and the premature convergence of the genetic algorithm. A simple cooling schedule has been implemented to apply the simulated annealing test in the algorithm. Numerical results showed the superiority of the solutions obtained compared to genetic algorithms, tabu search and simulated annealing methods, and to two exact algorithms     

连续潮流参数选择及步长控制的分析与改进

从算法原理及数值计算规律角度,分析了连续潮流(CPF)含参数方程解曲线在转折点附近校正过程中迭代不收敛的原因.由此,在预测切向量规格化基础上,提出改进局部参数化方法的参数选择策略,以减少局部参数化方法在校正过程中不收敛的可能性,从而提高CPF计算的鲁棒性.针对变步长算法在实际工程应用中遇到的初始参数需经试算才能确定的问...     

面向有功潮流最优问题的配电网集群划分策略

新能源大规模馈入配电网的背景下,集群划分是配电网实现海量数据分析和设备调控的重要手段,但当前集群划分研究存在划分结果不合理,划分算法准确度低的问题。针对上述问题,本文阐述了分布式电源高渗透的配电网集群划分时应考量的因素,设计了规模限制指标;对遗传算法迭代过程进行观察记录,分析了遗传算法全局寻优能力受限的原因,并利用遗传过程中个体趋同的特征对算法进行了机理改进。经过仿真实验验证,本文所提出的规模限制指标能够有效的规避不合理的分区,避免了人为筛选结果的弊端;所提出的改进遗传算法较大程度的提高了计算的准确度,并降低了迭代次数。但由于遗传算法缺少收敛判据,降低迭代次数暂时不能减少单次实验耗时。综上,本文的研究成果有效的提高了配电网集群划分结果的准确度,提高了配电网分区控制的效率。     

Genetic algorithms

Genetic algorithms are exploratory procedures that are often able to locate near optimal solutions to complex problems. To do this, a genetic algorithm maintains a set of trial solutions, and forces them to evolve towards an acceptable solution. First, a representation for possible solutions must be developed. Then, starting with an initial random population and employing survival-of-the-fittest and exploiting old knowledge in the gene pool, each generation's ability to solve the problem should improve. This is achieved through a four-step process involving evaluation, reproduction, recombination, and mutation. As an application the author developed a genetic algorithm to train a product neural network for predicting the optimum transistor width in a CMOS switch, given the operating conditions and desired conductance     

用于配电网多目标无功优化的改进粒子群优化算法

针对配电网多目标无功优化的应用需求以及优化算法存在的收敛性和多样性问题,基于Pareto熵的多目标粒子群优化算法,提出一种应用于多目标无功优化的改进粒子群优化算法。该算法在全局外部档案更新过程中引入冗余集策略,避免迭代过程中陷入局部最优解。将算法应用于配电网无功优化中时,采用离散变量取整方法,加快算法的收敛速度。建立网损、电压偏差及无功补偿装置投资最小的配电网多目标无功优化模型,并以IEEE 33节点配电网络为算例进行仿真,结果表明改进后的算法兼顾了优化的收敛性和多样性,能够在不同的优化要求下得到有效的无功优化方案。     

基于改进遗传算法的地区电网无功优化

电力系统的无功优化以及无功补偿对于电网的安全、经济运行有着重要意义。无功优化和无功补偿能够降低网损、提高系统稳定性和电压质量。文章考虑电力系统运行的实际,对遗传算法的编码、繁殖、适应度函数以及收敛判据进行改进并提出遗传算法用于电力系统无功优化尚存在的问题。仿真结果表明,这种改进遗传算法能够更好地收敛于全局最优解,能更切合电力系统运行的实际,有效提高电压质量和降低网损。     

Optimal clustering of power networks using genetic algorithms

This paper presents a new method for optimal network decomposition based on genetic algorithms (GAs). GAs present a powerful, globally oriented optimization method which exploits the mechanism of natural genetics, working on populations of candidate solutions in an effort to reach optima or near optima. Test results on IEEE standard networks are given and compared with those using simulated annealing. The genetic algorithm approach is found to produce significantly better solutions.