排序方式: 共有57条查询结果,搜索用时 0 毫秒
1.
基于蚁群最优的配电网络重构算法 总被引:23,自引:3,他引:23
配电网络重构是一个非常复杂的大规模组合优化问题。本文提出了一种新颖的基于蚁群最优的算法来求解正常运行条件下的配电网络重构问题,以达到损失最小,蚁群最优算法法(Ant Colony Optimization,简称ACO算法)是一种新型通用内启发式算法。在求解组合最优问题上,ACO算法已被证明是非常有效的。ACO算法本质上是一个多代理系统,在这个系统中单个代理之间的交互导致了整个蚁群的复杂行为。这种方法的主要特征是正反馈,分布式计算以及富有建设性的贪婪启发式搜索的运用,为了证明本文提出的算法的可行性和有效笥,我们研究了两个算例系统,并给出了计算结果,结论表明,本文提出的算法是相当有希望的。 相似文献
2.
基于Tabu搜索的配电网络重构算法 总被引:37,自引:8,他引:37
配电网络重构是一个非常复杂的、大规模的组合优化问题。该文提出了一种非常有效的、鲁棒性很好的算法来求解正常运行条件下配电网络的重构问题,以减少网络中的能量损失费用。该算法基于Tabu搜索方法(TS)。作为现代启发式方法家族中的重要一员,Tabu搜索方法是近几年来发展起来的用于求解组合最优问题的一种通用算法。文中详细阐述了用于配电网络重构问题时Tabu搜索方法中各成员的设计。为了证明该文方法的可行性和有效性,还研究了3个不同规模的IEEE测试网络的重构问题。结果表明,该文提出的方法是一种非常有效的方法。 相似文献
3.
4.
蒙特卡洛法需使用大量电网抽样数据,花费的风险评估时间长,提出一种改进蒙特卡洛法实现高效智能电网实时运行风险评估。从多方面考虑,构建智能电网风险评价指标体系,明确蒙特卡洛法存在抽样次数多及方差系数大的问题;将交叉熵重要抽样法与分散抽样法相结合,构建近似函数,令原本电网中微小概率事件转换为大概率事件,减少算法抽样次数和方差系数,提高算法的计算效率。实验表明,所提方法能够有效识别正常状态下及元件失效条件下的电网实时运行风险,并通过失效线路负荷转移的方式有效降低了智能电网实时运行风险。 相似文献
5.
6.
多点分布式储能系统在响应过程中,对外部环境和需求响应等因素考虑较少,导致调度成本过高,调度模型运行效率较低.基于此,提出建立计及需求响应的多点分布式储能系统多阶段入网调度模型.实验结果表明,计及需求响应的多点分布式储能系统多阶段入网调度模型可快速完成调度任务,且调度成本较低. 相似文献
7.
在互联电网中,控制中心的量测数据来源很多,这些量测数据存在采集时差,当时差超过一 定范围时,量测数据不能体现一个完整电网状态,采用常规状态估计方法进行状态估计会产生较大 误差,结果无法使用。文中提出一种量测数据时差补偿状态估计方法,对于延时很小的量测数据, 使用最新的量测数据参加状态估计,其量测时间作为电网断面时间;对于其他延时的量测数据,根 据延时的不同,引入相应的时差补偿因子,利用连续2个数据断面的量测数据变化量和时差补偿因 子修正延时量测数据误差,获得完整一致的电网状态估计结果。对IEEE 7节点系统的测试表明, 该方法可有效减少计算结果误差,获得更为准确的电网状态估计结果。 相似文献
8.
基于蚁群最优的配电网规划方法 总被引:14,自引:10,他引:14
详细探讨了现代启发式方法家族中新兴成员蚁群最优(Ant Colony Optimization, ACO)在配电网络扩展规划中的应用。蚁群最优是一种通用的内启发式(meta-Heuristic)算法,能够有效地求解大规模组合优化问题。文中给出了同时考虑配电网络扩展的固定费用和与电能损失相关的可变费用的配电网络规划的非线性混合整数规划模型,探讨了基于ACO的配电网络规划方法,并用该方法对一具有6个变电所、102条馈线的配电网络进行了测试。结果表明,文中所提方法是可行的、有效的。 相似文献
10.
基于禁忌搜索与蚁群最优结合算法的配电网规划 总被引:19,自引:5,他引:14
禁忌搜索(TS)算法具有强大的全局优化性能,但其局部搜索性能易受分散性的影响;蚁群最优(ACO)算法的正反馈机制使其具有强大的局部搜索性能,但其全局优化性能的优劣在很大程度上与蒸发系数的选择有关,如选择得不合适易使算法陷于局部最优.文章将TS算法与ACO算法组合起来,提出了TS-ACO混合算法,用于求解配电网规划问题,在同时考虑扩展配电网所需的固定费用和与电能损失相关的变化费用的基础上,设计了非线性混合整数配电网规划数学模型,在一具有6个变电所、102条馈线段的配电网上进行的测试结果表明了TS-ACO混合算法的有效性. 相似文献