基于小生境多目标粒子群算法的输电网检修计划优化

以检修成本和期望缺供电量最小为目标,建立输电网检修计划多目标优化模型,并提出一种基于小生境的改进多目标粒子群算法对其进行求解。通过得到一组Pareto最优解,全面统筹检修计划优化问题的经济性和可靠性目标。该算法采用小生境共享机制来更新粒子的位置,保持了解的多样性和分布的均匀性;引入混沌变异对部分非支配粒子进行小范围的扰动,提高了算法全局搜索能力,避免陷入局部最优。为使算法能够更好地应用于输电网检修计划优化问题,采用罚函数对约束条件进行处理,并根据模糊隶属度从Pareto最优解集中选取最优折衷解,为检修计划制定人员提供了科学的决策依据。通过IEEE RTS-79节点系统的仿真,验证了该算法在求解输电网检修优化问题时能有效避免早熟收敛,快速地收敛至Pareto最优解集。     

基于隶属度时段划分的配电网动态重构

为更好地实现配电网优化运行,提出一种基于隶属度时段划分的配电网动态重构方法。以配电网整个时段内综合运行费用最小为目标函数,建立配电网动态重构数学模型。将系统各时段有功网损与电压偏差之比作为系统运行指标,计算指标峰谷隶属度及变化率对时段进行划分。为增强二进制粒子群算法(BPSO)摆脱局部最优解的能力,将模拟退火算法(SA)中基于Mertropolis准则的新粒子接收机制引入BPSO中,克服二进制粒子群算法易陷入早熟收敛的局限性。算例结果验证了所提方法的有效性。     

基于PCPSO算法的配电网多目标动态优化*

为了适应当前配电网日趋复杂且分布式电源大量接入的情况,提出一种改进的多目标粒子群优化算法。该算法在标准粒子群算法中引入Pareto前沿和混沌搜索,通过Pareto前沿处理多目标问题,并用混沌搜索对粒子进行混沌遍历,既保留了进化过程中多目标的相对最优解,同时也兼顾了收敛性。通过算例进行仿真,结果表明该算法可以快速搜索多目标最优解,为配电网多目标动态优化提供思路和参考。     

基于二进制量子粒子群算法的含分布式电源配电网重构

配电网重构是一个复杂的非线性组合优化问题。为了克服基本优化算法易陷入局部最优解的问题,提出了一种改进的二进制量子粒子群算法(BQPSO),对含分布式电源(DG)的配电网重构模型进行求解。通过引入遗传算法的交叉操作和变异操作来避免早熟来提高算法的全局搜索能力,改进了算法的性能。并且选择了适当的不可行解处理方式来提高了算法的计算效率。最后通过对IEEE33节点配电系统进行仿真,验证所提算法在求解重构问题时得到的解更好,收敛速度和全局寻优能力都有提升。     

基于改进蚁群算法的配电网重构

配电网重构可以提高配电网运行的安全性、经济性和供电质量,对于当前国内配电自动化系统的建设和应用具有重要意义。以网络损耗最小为目标,提出了一种改进的蚁群算法来求解正常运行条件下配电网络的重构问题。针对基于蚁群算法在求解过程中存在搜索易陷入局部最优解和收敛到全局最优解的时间较长的缺点,从蚁群算法的转移概率和信息素动态更新2方面进行了改进,提高了蚁群算法全局搜索能力与收敛到最优解的速度。最后通过对69节点配电系统算例的仿真,取得了较好的效果,证明了该算法的有效性和可行性。     

基于免疫二进制粒子群优化算法的配电网故障 定位方法研究

针对二进制粒子群算法在复杂规模化配电网故障定位时收敛速度慢、易陷入局部最优解的缺陷,提出一种基于免疫二进制粒子群优化算法的配电网故障定位方法。首先,应用免疫系统信息处理机制对粒子群算法进行改进,在算法进化过程中建立记忆细胞单元存储优质抗体,避免抗体种群更新后的群体退化。其次,引入抗体浓度调节机制与免疫选择操作保持抗体种群多样性,强化算法全局搜索能力,防止算法早熟。在此基础上,构建亲和度评价函数将改进后的算法应用于配电网故障定位。仿真结果表明,基于免疫二进制粒子群优化算法的配电网故障定位方法能够有效提升算法收敛速度与故障定位准确率,且在故障信息畸变情况下具有良好的容错性能。     

基于改进MOBPSO算法的含分布式电源的多目标配电网重构

提出一种含多类分布式电源的多目标配电网重构模型。在重构时采用Pareto准则的多目标二进制粒子群优化(Multi-Objective Binary Particle Swarm Optimization, MOBPSO)算法,对算法进行了3点改进：基于环的编码方式用以降低不可行解的产生概率;动态变化的惯性因子和异步变化的学习因子用以提高算法的调节适应能力;在最优粒子的更新方式上提出小生境共享机制和比例选择算子相结合的策略。最后还给出了一种根据决策者偏好信息,从优化解集中选择相应重构方案的评价机制。算例结果表明：改进的MOBPSO算法在寻优效率和稳定性上均有提升;所提模型、改进算法以及评价机制互相配合,能够为决策者提供一种有效的配电网重构方案。     

采用多Agent混沌粒子群算法的配电网重构

针对配电网的辐射状约束条件研究了配电网重构的优化问题,引入破圈法筛选可行解,利用基于多Agent的混沌粒子群算法对筛选后的可行解进行搜索;然后该算法将粒子的群搜索特征与多Agent的智能搜索特征相结合提升算法的搜索效率,并融合混沌局部搜索算法以跳出局部解。以网损为优化目标,分别对33节点和69节点配电网系统进行计算分析,结果表明该算法具有很快的收敛速度,并且对于复杂配电网系统有较好的稳定性与鲁棒性。     

基于序优化和模糊蚁群算法的多目标配电网重构

针对蚁群算法求解配电网重构问题时搜索时间过长、易陷入局部最优解等问题,提出了一种基于序优化理论和模糊控制理论改进的蚁群算法应用于配电网重构。通过加入模糊规则,结合序优化思想,在信息素更新环节提出了分阶段按序更新策略,扩大解空间的探索;将Prim算法应用于搜索环节,直接得到辐射型可行解,大大减少了构造解的时间;结合模糊理论提出了多目标的目标函数,有利于得出高质量的解。选取IEEE33节点配电系统作为算例验证了算法的有效性和优越性。     

基于相似搜索与多开端重组的配电网两时间尺度无功协调控制

规模化的分布式电源接入配电网后造成了电压高间歇性波动,影响了无功补偿设备的调节效果。提出基于相似搜索与多开端重组的多目标无功优化算法,考虑了非平滑补偿设备的日投切次数限制,加入变化的次数成本约束,调节尺度为1 h;DG和SVG的实时平滑调节设备,调节尺度为5min,进行超短期预测反馈调节,优化目标为电压偏差、网损和调控成本综合最优。求解算法采用改进的多目标粒子群算法,运用相似搜索技术,调用适用性最高的历史无功方案作为方案粒子加快算法的初期收敛速度;引用Pareto熵协调多目标间的适应度,同时依托Pareto解集存优能力,在算法收敛后期设计了多开端重组方法,进一步提高优化效果。经实际算例验证了该方法的有效性。     

粒子群和变邻域差分进化搜索算法在多目标无功优化中的应用

目前很少研究多目标无功优化问题,而应用到多目标无功优化的多数智能算法容易陷入局部最优点.提出采用变邻域差分进化搜索与BPSO混合算法对网络无功优化,该算法具有并行处理特点、参数少容易控制、收敛速度快,很适合处理多目标无功优化问题,该算法不仅能够保证群体的多样性并且又能继承上一代的优越性,达到了多目标的要求,通过算例验证...     

电力系统无功优化多目标处理与算法改进

电力系统无功优化属于典型的多目标非线性复杂优化问题,求解非常困难。近年来,众多智能优化算法应用于该问题,其中粒子群优化(Particle Swarm Optimization,PSO)算法最具代表性;但PSO算法性能仍有待提高,如可能陷入局部极值。提出一种多策略融合粒子群优化(Particle Swarm Optimization with Multi-Strategy Integration,MSI-PSO)算法,对速度更新公式引入选择操作,分阶段加速因子调整和惯性权重动态调整,以平衡粒子局部搜索与全局探索能力;同时,随机选取部分性能差的粒子,将其速度更新公式中的个体认知部分修改为社会认知部分,以提高算法搜索精度和收敛速度。建立以系统网络损耗最小和系统电压稳定裕度最大为目标的无功优化仿真模型,分别考虑加权法、隶属度函数法和Pareto法实施多目标处理。针对IEEE30节点测试系统进行仿真实验,结果表明,和其他几种改进PSO算法以及基于pareto最优解集PSO算法进行对比,所提MSI-PSO算法具有更好的性能,能够有效求解电力系统多目标无功优化问题。     

基于引力搜索算法的含分布式电源配电网重构

分布式电源接入配电网将直接改变潮流分布,而网络重构通过改变开关的开合状态以提高供电的可靠性和经济性。以降低网损和缺供电量为目标,以可调度DG的有功输出和开关状态为优化变量,建立多目标协调优化的配电网络重构的数学模型。将引力搜索算法、Pareto最优解理论和模糊决策理论相结合,提出了求解上述模型的多目标混合优化方法,以实现配电网结构和DG出力的协同优化。通过对IEEE33节点测试系统的仿真结果,表明所提出方法能够实现DG出力和网络重构的综合优化和多目标优化,并且在全局寻优能力和收敛速度上表现出色。     

基于HSA-FNSA混合算法的配电网群故障恢复多目标优化决策

为快速获得系统故障后配电网群故障恢复优化方案,提出了一种基于启发式搜索-快速非支配排序混合算法（HSA-FNSA）的配电网群故障恢复多目标优化决策方法。首先,建立了配电网群故障前后的拓扑模型及故障类型的图论描述,并采用HSA算法获得故障恢复方案集;随后利用分层前推回代法求解配电网潮流以获得运行参数;进一步建立考虑配电网韧性、网损、电压不平衡量和开关操作次数的故障恢复多目标优化决策模型;引入FNSA算法获得帕累托非劣解集并确定终选方案。通过IEEE三馈线算例验证了所提方法在求解配电网群多类型故障恢复的可行性和优越性。     

Research on optimal schedule strategy for active distribution network using particle swarm optimization combined with bacterial foraging algorithm

Comparing with the traditional distribution network, a significant feature of the active distribution network (ADN) is that the performance of distributed generation (DG) units, energy storage units and micro-grid (MG) in the network is controllable for the distribution network operator. Considering the characteristics of the distributed power supply and micro-grid, and giving full play to the advantages of distributed generation technology in the economic, environmental and energy aspects, this paper highlights an environmental protection and energy saving optimal schedule model for ADN. The scheduling model focuses on the minimum network loss, minimum voltage deviation and minimum difference between peak and valley load. In addition, the two stage algorithm is presented to solve the proposed multi-objective scheduling model of ADN. First, a set of Pareto solutions are obtained by using the proposed particle swarm optimization combined with bacterial foraging algorithm (PSO-BFO) to solve multi-objective optimization problems, then the optimal schedule strategy of ADN is gained through evaluating the Pareto solutions with entropy weight decision-making method. To avoid the search falling into local optimal solution, the two-value crossover operator is introduced to exchange the information among subpopulations and update the position of related particles. Meanwhile, the adaptive adjusting inertia constant strategy is used to improve the algorithm convergence speed. Finally, the case study results demonstrate the rationality of the proposed optimal schedule model and the validity of its solution algorithm for ADN.     

基于改进小生境遗传算法的Pareto多目标配电网重构

配电网重构是一个多目标、多约束的复杂非线性组合优化问题,若采用传统的遗传算法处理此类问题,由于其易于陷入局部最优解和随着配电网规模的扩大搜索效率低的问题,难以得到理想结果。建立了Pareto多目标重构数学模型并提出一种改进小生境遗传算法来处理配电网重构问题。算法主要有以下几种特点：设置个体之间的距离判别标准L为动态函数,保持了种群的多样性;采用最优保存策略,提高了算法的收敛速度;交叉、变异采用自适应规则,避免了算法陷入局部最优的情况。另外,Pareto多目标数学模型的引入也使算法更具实际工程意义,采用国外一个实际的配电网络对算法进行了验证。理论分析和算例表明,该算法具有高收敛性、快实时性和强全局稳定性的优点。     

Multi-objective harmony search algorithm for optimal power flow problem

This paper proposes a multi-objective harmony search (MOHS) algorithm for optimal power flow (OPF) problem. OPF problem is formulated as a non-linear constrained multi-objective optimization problem where different objectives and various constraints have been considered into the formulation. Fast elitist non-dominated sorting and crowding distance have been used to find and manage the Pareto optimal front. Finally, a fuzzy based mechanism has been used to select a compromise solution from the Pareto set. The proposed MOHS algorithm has been tested on IEEE 30 bus system with different objectives. Simulation results are also compared with fast non-dominated sorting genetic algorithm (NSGA-II) method. It is clear from the comparison that the proposed method is able to generate true and well distributed Pareto optimal solutions for OPF problem.     

基于E占优的多目标二进制粒子群算法求解配电网故障恢复

针对基于Pareto占优机制和拥挤距离的经典多目标智能算法在迭代过程中没有考虑决策者的偏好知识,从而影响了算法收敛性的问题,提出了一种基于E占优的多目标二进制粒子群算法求解配电网故障恢复。通过采用改进原点距离的E占优机制,可以将决策者的偏好知识有效地融入到故障恢复方案的评价过程中。在算法迭代过程中,采用轮盘赌策略更新群体极值,采用方案的综合值对外部档案进行维护,使得决策者的偏好知识可以有效地指导下一代种群的产生。最后,通过算例验证了所提算法的可行性和有效性,并且该方法比基于Pareto占优机制和拥挤距离的多目标智能算法拥有更好的收敛性能,得到的最优前沿数量更少,质量更高。     

基于和声搜索算法的配电网多目标无功优化

首次将一种新型人工智能算法即多目标和声搜索算法(MOHSA)应用于配电网无功优化中,建立了以系统网损最小、无功补偿费用最低为目标函数的无功优化数学模型,考虑配电网的运行要求,以容性无功补偿的定容定址为控制变量。算法通过和声保留、音调调节和随机选择三种方式来更新和声解向量,同时基于非劣化排序,考虑拥挤距离,对和声记忆库优先筛选,确保求得Pareto前沿的非劣性与分布性,并采用理想点法选择工程最优解。最后采用IEEE-33节点系统,对算法的性能以及工程性进行测试,并与NSGA-II算法对比,结果表明了M OHSA在收敛稳定性、计算精度等方面具有一定优势。     

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。