基于改进混沌优化算法的综合负荷模型参数辨识

参数在线辨识是目前电力系统负荷建模的主要手段,而在辨识方法上主要使用了优化类算法.混沌优化算法是一种新型搜索算法,目前在电力系统负荷预测、无功优化中已有应用.该算法改进了以往混沌优化算法的流程,增加了参数搜索范围自动缩小的功能,减少了一次混沌序列生成的步骤.对测试函数的优化结果表明,改进算法在保证精度的基础上大大提高了寻优速度.将该改进算法应用到了直接考虑配电网的综合负荷模型的参数辨识上,仿真结果说明该算法寻优速度快,并且有良好的辨识精度.通过对仿真结果的分析指出,对于负荷模型参数辨识,混沌序列的迭代次数不必超过五万次,合理缩小参数寻优范围有助于提高算法的精度.     

改进蚁群算法在热精轧负荷分配优化中的应用

本文尝试用改进的蚁群算法(IACA)求解热精轧机组负荷分配优化问题.首先,建立负荷分配优化的目标函数和约束条件.为了避免蚁群算法(ACS)在加速收敛中出现停滞现象,IACA通过局部和全局信息素浓度更新、引入约束条件的蚂蚁视觉启发函数和基于轧制理论的智力启发函数对状态转移规则进行改进计算;为了保证算法在迭代后期能够收敛,IACA动态更新状态转移规则中的阈值常数和局部信息素浓度挥发系数.基于实际生产数据的仿真结果表明,IACA能够按照目标函数的要求进行合理的负荷分配,且解的性能优于经验值;与其他优化算法比较,IACA具有较快的求解速度和较高的求解精度.     

一种改进的演化算法及其在求解复杂优化问题中的应用*

针对传统演化算法在求解函数优化,特别是多峰函数优化问题中出现的早熟现象以及演化后期收敛速度慢等问题,提出了一种新的反序小生境演化算法。该算法采用小生境反序交叉算子,以进一步增强局部寻优的能力;引入一种并行演化算法机制,加强群体寻优能力;同时,根据定义域划分初始种群,增加初始种群的覆盖面积。通过仿真实验表明,与传统的小生境演化算法相比较,利用该算法求解复杂多峰函数优化问题能够明显提高问题的求解精度和收敛速度,而且能够得到所有的全局最优解,更好地避免了求解问题时的早熟现象,达到了较好的效果。     

改进免疫算法在火电机组优化运行中的应用

为克服传统优化算法和遗传算法无法快速有效得到全局最优解的问题,介绍了将免疫算法和禁忌搜索算法的优点相结合的改进免疫算法.在建立和分析火电机组数学模型的基础上,通过函数测试证明了使用改进免疫算法求解机组优化运行问题的可行性.最后,经实例验证表明,改进免疫算法具有良好的搜索性能,它为火电厂机组优化运行问题提供了一条新的有效求解途径,可应用于更广泛的优化问题.     

基于SA算法的造纸厂热能负荷优化调度的研究

本针对造纸厂能耗大的间隙式设备蒸球提出了组合优化的调度方法,给出了蒸球的动态数学模型,同时运用扩充了接受准则的模拟退火（SA）算法进行了求解,最后给出的仿真结构证明了该方法能在满足纸浆实现需要的前提下节能降耗。     

基于改进粒子群优化算法的火电厂机组负荷分配

以坑口电厂厂级监控信息系统的机组负荷在线优化分配功能模块为应用背景,针对模块所运用的基本粒子群优化算法在优化过程中容易陷入局部收敛、收敛速度慢的缺点,提出一种基于惯性权重非线性减小策略的改进粒子群优化算法,使惯性权重呈对数减小;测试函数仿真结果表明,改进粒子群优化算法在收敛速度和寻优精度方面,优化性能均优于基本粒子群优化算法;通过MATLAB与Visual C++混合编程,开发了机组负荷在线优化分配功能模块,提高了算法的计算效率和工程应用价值。     

优化灰色模型在负荷预测中的应用研究

针对传统的灰色模型在负荷增长速度较快时预测精度低的问题,提出了采用交叉遗传粒子群优化算法代替最小二乘法来优化GM(1,1)模型中参数a、b的方法;介绍了灰色预测原理及其数学模型、CGPSO算法及基于CGPSO算法的优化灰色模型,并根据实际负荷数据进行了仿真实验。结果表明,在负荷增长速度较快时,优化灰色模型的预测精度明显高于GM(1,1)模型,能够应用于电力系统的中长期负荷预测,拓展了灰色模型的适用范围。     

基于SAA的混合演化算法及其应用研究

提出将模拟退火、演化策略和局部搜索算法相结合的混合演化算法,以解决函数优化与组合优化问题。该算法克服了上述三种算法在应用中的不足,并具有搜索效率高、性能稳定的特点,具体算例验证了该算法的有效性。     

快速演化算法及其在函数优化中的应用

提出一种新的快速演化算法,并把它运用于函数优化问题的求解中.新算法的特征是引入一种基于高斯变异.Cauchy变异以及Lévy变异的混合自适应变异算子,采用多父体搜索策略,提出随机排序选择策略.通过23个标准测试函数进行测试,结果表明,新算法在21个测试函数中的结果比FEP和EP好,具有稳定、高效和快速等特点.     

折衷的差分演化算法在有约束优化中的应用

设计了一种求解有约束优化问题的新方案,该方案以一种折衷的差分演化算法为基础,应用两个简单的基于可行解的规则引导算法向可行域搜索,应用周期模式处理边界约束。并用该方案优化了一个标准测试集上的全部函数,试验结果表明,与同类方法相比而言,该方案在收敛速度和稳定性两方面表现出较强的竞争力。     

基于遗传算法的电力系统机组组合问题研究

针对遗传算法应用于机组组合问题的具体实现技术进行了深入的研究.以电力系统机组组合为研究对象,用遗传算法解决电力系统机组组合及机组问的负荷分配问题.对54机系统进行了仿真计算,为遗传算法应用到机组组合问题的实用化进行了有益的尝试.     

利用Alopex改进的动力学演化算法

通过将动力学演化算法(Dynamical Evolutionary Algorithm,DEA)与一种随机优化方法——Alopex算法相结合,提出一种改进的动力学演化算法。改进的算法改善了动力学演化算法摆脱局部极小点的能力,对典型函数的测试表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

可求解多目标优化问题的演化博弈优化算法

借鉴演化博弈的思想和选择机制,提出了一种新的基于演化博弈的优化算法(EGOA)用于多目标问题的求解.算法框架具备对该类问题的通用性.为了对算法性能进行评估,采用了一组多目标优化问题(MOPs)的测试函数进行实验.实验结果表明,使用本算法搜索得到的演化稳定策略集合能够很好地逼近多目标优化问题的帕累托前沿,与一些经典的演化算法相比具有良好的问题求解能力.     

求解约束优化的带偏好双目标优化方法

文章提出了一种求解约束优化问题的新方法。它把约束优化问题转化为双目标优化问题,一个目标是原问题的目标,另一目标是由约束条件转化得到。转化得到的双目标优化与一般的双目标优化问题不同在于它偏好那些使约束条件满足的最优解。我们利用动态权值将这一带有偏好的双目标优化转化为无约束的单目标优化,并使其满足偏好特性。我们对四个标准测试函数进行了数据仿真实验,实验结果表明该算法是有效的。     

求解柔性作业调度的共生进化算法

在柔性作业处理系统中,运行操作的机器、操作运行顺序及完成特定加工的操作集等均可含有柔性,作业调度的最优性依赖流程设计的结果。该文在共生遗传算法求解此问题的基础上,定义了一种新的适应度函数,将个体所参与的所有组合解的算术平均值作为此个体的适应度。引进较优的遗传交叉方法。仿真结果证明,新的适应度函数表现优异,对给定的复杂调度问题得到了更好的解。     

一种改进的求解TSP问题的演化算法

演化算法是解决组合优化问题的高效搜索算法．该文在现有求解TSP问题的演化算法的基础上,通过引入映射算子、优化算子以及增加一些控制策略,提出了一种高效的演化搜索算法．实验表明,该算法是有效的,通过对CHN144以及国际通用的TSPLIB中不同城市规模的数据进行测试表明,其中实例CHN144得到的最短路径为30353．860997,优于吴斌等运用分段算法得到的最短路径30354．3,亦优于朱文兴等人的结果,实例st70和kroB150得到的最短路径分别与运用分段算法得到的最短路径值相同,实例pr136得到的最短路径值为96770．924122,优于TSPLIB中提供的最短路径96772,对于其它实例也均能快速地得到和TSPLIB中提供的最优路径相同或更优的路径,该算法不仅很容易收敛到问题的最优解,而且求解速度极快．     

基于改进动态规划法的电力系统机组组合问题研究

机组组合问题是在调度周期内满足各种运行约束条件的前提下,通过合理地控制机组的开、停状态以实现总运行成本最低目标的问题。本文以电力系统机组组合为研究对象,对优先顺序法与动态规划法在机组组合中的应用进行了研究和探讨,并根据他们的优缺点,建立了改进的算法—基于优先顺序法的动态规划法。     

改进的知识进化算法在配电网的应用

分析了配电网的特点,提出使用改进的知识进化算法(Improved Knowledge Evolutionary Algorithm,IKEA)求解配电网重构问题。重点阐述了编码规则,设计了适合于配电网重构的传承操作、创新操作和检验操作,应用IKEA求解配电网重构问题。针对IEEE16、IEEE33和IEEE69节点的100次仿真实验中,IKEA全部找到最优解,平均收敛代数分别为9.7、10.2和18.1。同相关文献的智能算法求解配电网重构问题的测试结果对比发现,IKEA可有效地缩小搜索空间,减少迭代次数,而且解的效果较好,算法的效率较高。     

一种基于簇类进化的电力经济负荷分配优化算法

电力经济负荷分配不仅能保证电力系统安全稳定地运行、延长机组使用寿命,还能节省能源,最大化电力企业的经济效益.此类问题可归为一种具有高维、不可微目标函数及多个非线性约束的数值优化问题.提出了一种新型的全局优化算法——簇类进化算法(cluster evolutionary algorithm, CEA),并将其应用于求解ELD问题.CEA利用聚类过程在进化个体间构建一定结构的连接关系,并利用这种虚拟的簇类化组织来协调和控制系统的优化计算过程,提高群体的问题空间搜索效率以及抗早熟能力.在仿真实验中13个典型测试函数和3个IEEE系统被用于对CEA的性能进行检验.实验数据显示CEA对13个约束数值优化问题可用较小的计算代价获得较高质量的解,而对3个测试系统的计算结果则要好于目前已报道的最佳解.实验数据的统计分析显示CEA是一种高效的数值优化算法,可作为一种有效的ELD问题求解方法.