基于偏好知识的多目标优化算法求解计及电源侧的 配电网故障恢复

针对传统故障恢复在处理电源侧问题上的不足,基于变电站主变在实际运行时要尽量满足N-1准则的要求,提出了变压器越限个数和变压器平均负载率两个目标函数。在求解故障恢复的算法上,针对基于传统占优机制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,从而导致算法收敛缓慢和无法得到最优解的问题,将g占优机制和TOPSIS方法引入多目标智能算法。g占优机制中的参考点可以根据故障恢复问题的特殊要求进行灵活设计,TOPSIS方法可将决策者的偏好知识融入算法的迭代过程中。这些措施可以有效地提高解的质量和算法的收敛性能。最后,通过算例验证了该算法的可行性和有效性。     

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。     

基于等级偏好优序法和切负荷的配电网故障恢复

评价方法决定着全局最优解的获得,对于群体智能算法至关重要。本文采用等级偏好优序法对种群中的个体进行评价,通过对优序法中的指标优序数进行改进,可将恢复方案的优劣程度更好地区分出来。针对传统群体智能算法难以应对负荷无法完全恢复的问题,本文提出了一种切负荷策略融入到二进制粒子群算法中,使得种群中的每个粒子为电气角度的可行解,通过算法的逐步迭代得到满足目标函数最优的解。并在故障恢复之前,采用重复潮流法对配电网络的供电能力进行评估,以此来判断算法是否需要投入切负荷,进而减少切负荷对算法效率的影响。最后通过算例验证了本文算法可以得到全局最优解并且可以解决负荷无法完全恢复的问题,具有一定的工程价值。     

基于精英差分变异的改进蜜獾算法

针对标准蜜獾算法(HBA)易陷入局部最优、搜索精度低、收敛速度较慢等问题,提出基于精英差分变异的蜜獾算法(EDVHBA)。将标准HBA中的两种寻优策略所搜寻到的精英解,进行组合差分变异以产生新的精英解,利用3个精英解协同指导种群下一轮迭代,可以增加算法解的多样性,防止算法陷入过早收敛;同时改进非线性密度因子和引入新的位置更新策略,提升算法的收敛速度和寻优精度。为验证算法的改进效果和性能,对8个经典测试函数进行仿真实验,实验结果表明：与其他群智能算法和改进的HBA相比,EDVHBA在单峰函数中都能搜寻到最优值0,在多峰函数中迭代50次左右就可以收敛到理想最优值,验证了EDVHBA具有更好的寻优性能。     

船舶综合电力系统多目标故障恢复模型及应用

建立了船舶综合电力系统故障恢复多目标模型,该模型在应用直线型隶属度函数对故障恢复评价分项指标进行归一化的基础上,采用加权积算子构建综合目标函数,并基于层次分析法求解各指标权重,相对传统的经验方法更加便于决策者理解和把握。将该模型应用于基于二维编码的改进遗传模拟退火故障恢复算法以验证其有效性。算例测试结果表明,该模型指导下的故障恢复算法能够兼顾多个指标,有效地避免偏激解的产生,并能够灵活调节推进负荷恢复功率,得出的最优故障恢复方案更加符合实际。     

基于模糊熵权Vague集的配电网检修决策优化

为提高供电可靠性和经济性,科学合理地制定配电网检修计划具有重大意义。目前检修决策优化仅优化检修时间,尚不能合理地融合决策者的偏好因素和配电网的实际情况。针对配电网检修决策优化问题,以检修时间和检修方式为优化变量,以配电网检修风险和故障风险最小化为目标,综合考虑电网安全和检修关系等约束条件,建立配电网检修多目标优化模型。针对模型采用基于拥挤距离排序的多目标粒子群算法求解出Pareto最优解集。综合决策者的偏好因素和决策矩阵的客观信息,采用基于模糊熵权的Vague集多属性决策方法进行决策,选取出最满意的配电网检修方案。最后,分别以RBTS Bus2系统和RBTS Bus6系统为例,验证了所提模型和算法的可靠性和有效性。     

基于免疫原理的蚁群算法在配电网恢复中的应用

对配电网的故障恢复问题进行了描述,提出了结合实际的配电网故障恢复目标函数,并将蚁群优化算法引入其中,用来解决这个复杂的、多目标、多约束的组合优化问题。针对蚁群算法存在的易陷入局部最优和收敛难的问题,引入免疫机制,通过基于抗体浓度的选择机制和多样性策略来提高蚁群的全局搜索能力和停滞现象,并通过配电网恢复的具体实例验证该算法的快速有效性。     

基于免疫原理的蚁群算法在配电网恢复中的应用

对配电网的故障恢复问题进行了描述,提出了结合实际的配电网故障恢复目标函数,并将蚁群优化算法引入其中,用来解决这个复杂的、多目标、多约束的组合优化问题.针对蚁群算法存在的易陷入局部最优和收敛难的问题,引入免疫机制,通过基于抗体浓度的选择机制和多样性策略来提高蚁群的全局搜索能力和停滞现象,并通过配电网恢复的具体实例验证该算法的快速有效性.     

风险调度中引入知识迁移的细菌觅食强化学习优化算法

针对电力系统运行过程中负荷及故障的不确定性,在经济调度中引入风险评估原理,并提出了一种全新的基于知识迁移的细菌觅食强化学习优化算法。该算法将细菌觅食算法的寻优模式与Q学习算法的试错迭代机制结合,利用多主体协同合作来更新共有的知识矩阵,并以基于知识延伸的维度缩减方式避免了"维数灾难"。在预学习获得最优知识矩阵后,利用知识迁移加速在线学习进程。IEEE RTS-79测试系统的仿真结果表明:所提算法在保证获得高质量最优解的同时,寻优速度可达经典智能算法的9~20倍,适合求解大规模复杂电网的风险调度快速优化。     

基于Petri网和多种群遗传算法的海洋核动力平台电力系统网络重构

针对现有海洋核动力平台电力系统网络重构方法中功率流分析复杂,且重构模型求解算法难以稳定收敛到全局最优解的问题,提出一种基于Petri网和多种群遗传算法的核动力平台电力系统网络重构方法。综合故障后负荷恢复量、开关操作代价和发电机运行效率指标建立系统网络重构目标函数;基于Petri网对系统进行拓扑建模,将储能装置等效为负值"负荷",通过动态更新机制确定功率流分布;采用多种群遗传算法求解网络重构问题,获取满足系统约束的最佳开关状态组合方案。典型核动力平台电力系统算例表明,所提方法能有效防止算法局部收敛以及减少迭代次数,快速提供完备的系统重构方案。