改进遗传算法在输电网络规划中的应用研究

首先对输电网络规划和遗传算法进行简要论述,并确立了数学模型。为了提高遗传算法在输电网络规划中的优化性能,提出了改进自适应遗传算法(MAGA)。该方法有助于防止传统遗传算法过早收敛和走向局部最优,适应于多变量、多目标的环境,能够快速的找到全局最优。通过对实际系统的计算表明,MAGA具有可行性。最后,应用了2种不同算法进行性能比较,证实了MAGA有更强的优化性能。     

基于多Agent的遗传算法在PID调速器中的优化

提出了一种基于多Agent的遗传算法(MAGA).基于三峡机组非线性全数字仿真模型,利用JADE中间件建立了实施MAGA的分布式移动计算平台.在此平台上,对机组不同运行工况下自适应PID调速器进行了优化.仿真结果表明,MAGA能够获得遗传算法的寻优效果且优化时间显著缩短.     

遗传算法优化的RBF神经网络控制器

为了消除神经网络参数初值对控制器性能的影响,提出了一种改进遗传算法优化的RBF神经网络控制器.该方法设计了基于性能指标的适应度函数,自适应的交叉概率、变异概率,引入移民的遗传算法,保证了得到的控制器为最优参数控制器.该方法可用于非线性对象的控制器设计,仿真结果说明了该方法的有效性.     

基于改进遗传算法的无源滤波器设计

利用遗传算法对无源滤波器电路参数进行全局优化并对算法进行改进。在标准遗传算法的基础上,引入了自适应的遗传操作和最优保存策略。相对于经典滤波器设计方法,可不依赖先验知识而获得近似最优解,自动化程度高。仿真结果表明改进后的算法性能良好。     

基于改进遗传算法的无功综合优化

简要分析了传统的电力系统无功优化方法的局限性之后,提出了一种快速有效的求解方法——改进的遗传算法(IGA)。在简单遗传算法(SGA)的基础上,提出了自适应遗传算法,该算法采取了与个体分布散度成正比,并随最优个体保留代数成指数上升的自适应变异率;同时也采取了自适应的交叉率．该交叉率与群体中最大的适应度值和每代群体的平均适应度值有密切的关系。算例表明提出的算法优化效果好．而且在精度上和收敛速度上都有较大的提高。     

改进自适应遗传算法及其在水电站最优报价中的应用

针对简单遗传算法(SGA)存在早熟和易陷入局部最优的不足,提出了一种新的动态调整交叉概率和变异概率的自适应遗传算法(AGA),同时对简单遗传算法的编码方式、选择、交叉和变异算子均进行了一定的改进。通过对一复杂函数———Schaffer函数进行求解,证明了这些改进措施有效地克服了早熟现象、提高了算法的全局寻优能力。并利用改进的自适应遗传算法对水电站报价策略模型进行求解,结果表明了该方法的有效性。     

基于改进粒子群优化算法的电力系统有功最优潮流

提出了一种基于改进粒子群优化算法的有功最优潮流模型及求解方法,采用了自适应罚函数法处理最优潮流问题的各种约束条件。通过对IEEE-30节点系统的仿真计算,并且与遗传算法进行比较,验证了提出的模型和方法的有效性。     

基于优化k均值建模的运动目标检测算法

在对运动目标检测构建出精准的背景模型的方法中,k均值聚类算法是一种快速且简单有效的划分法,对于大型数据集,可伸缩且高效k均值聚类算法被广泛应用。但是,该算法会对初始聚类中心的变化表现得敏感,聚类中心的变化常会使得算法误差较大。本文将介绍一种对初始聚类中心选择改进法：利用遗传算法能高效地全局搜索出最优解这一特点,克服了k均值聚类算法易陷入局部最优解的缺点。改进后的遗传算法MAGA能快速地提取出最优初始聚类中心,通过实验仿真总结出基于MAGA的k均值聚类建模精确度比较高,对检测小而多的运动目标存在很大优势。     

粒子群优化小波自适应阈值法用于局部放电去噪

为了提高局部放电在线监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出了一种用于电力设备局部放电信号去噪的粒子群优化小波自适应阈值方法。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于SURE无偏估计的最优阈值自适应选择方法,结合粒子群优化算法进行全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。为了验证其去噪效果,还引入遗传算法对小波自适应阈值法进行优化计算。对局部放电仿真信号与实测局部放电信号的去噪结果表明,本文与标准软阈值法和遗传算法优化小波自适应阈值法相比,能更好地去除局部放电信号中的白噪声,计算速度更快,具有良好的去噪效果和应用价值。     

基于相似性自适应学习的遗传算法在无功优化中的应用

针对常规遗传算法(GA)的不足,提出了一种改进的遗传算法—基于相似性自适应学习的遗传算法,为提高遗传算法的计算速度、收敛性和全局最优搜索能力,采取了以下改进措施:①针对遗传算法产生新解无序,提出邻域搜索策略;②为提高算法的搜索效率和效果,按适应值相似性对个体分级、加速;③为提高收敛速度,提出了邻域收缩策略。将改进遗传算法应用于电力系统进行无功优化,在收敛速度和全局收敛性与常规遗传算法进行了比较,结果表明改进遗传算法的有效性。     

混合搜索算法在配电网无功最优补偿中的应用

针对目前遗传算法用于无功优化时存在收敛速度慢、容易陷入局部最优等问题,提出了一种将改进遗传算法与模拟退火算法及禁忌搜索算法相结合的混合求解算法。首先根据个体适应度值进行自适应交叉和变异操作,并采用启发式二次邻域变异的方法,使个体的进化更符合无功优化问题的实际,然后运用模拟退火进行个体更新,以便增加群的多样性,避免陷入局部最优;最后将所得最优解作为禁忌搜索的初始解,进行局部寻优求解过程。以一实际配电网系统为例进行优化计算,结果表明混合搜索算法具有较优的性能和求解精度。     

基于相似性自适应学习的遗传算法在无功优化中的应用

针对常规遗传算法(GA)的不足,提出了一种改进的遗传算法-基于相似性自适应学习的遗传算法,为提高遗传算法的计算速度、收敛性和全局最优搜索能力,采取了以下改进措施:①针对遗传算法产生新解无序,提出邻域搜索策略;②为提高算法的搜索效率和效果,按适应值相似性对个体分级、加速;③为提高收敛速度,提出了邻域收缩策略.将改进遗传算法应用于电力系统进行无功优化,在收敛速度和全局收敛性与常规遗传算法进行了比较,结果表明改进遗传算法的有效性.     

一种基于实时遗传算法的神经元控制

遗传算法是一种并行、全局优化的有效方法。由于遗传算法的进化过程缓慢,通常使用于离线,很难用于在线的实时优化和控制。该文对遗传算法进行了改进,提出了一种实时遗传算法在线自适应调整神经元增益的控制方法,并对造纸过程的定量水分控制进行了仿真实验,结果表明了该方法的有效性。     

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。     

混合搜索算法在配电网无功最优补偿中的应用

针对目前遗传算法用于无功优化时存在收敛速度慢、容易陷入局部最优等问题,提出了一种将改进遗传算法与模拟退火算法及禁忌搜索算法相结合的混合求解算法.首先根据个体适应度值进行自适应交叉和变异操作,并采用启发式二次邻域变异的方法,使个体的进化更符合无功优化问题的实际,然后运用模拟退火进行个体更新,以便增加群的多样性,避免陷入局部最优;最后将所得最优解作为禁忌搜索的初始解,进行局部寻优求解过程.以一实际配电网系统为例进行优化计算,结果表明混合搜索算法具有较优的性能和求解精度.     

改进自适应遗传算法在网络重构中的应用

研究了大停电事故后输电系统的重构优化问题,提出一种求解最优目标网的改进自适应遗传算法。将网络重构问题表示为以恢复负荷总量最高为目的的非线性优化问题,在求解目标网时考虑了负荷的重要性、网络连通性、电网所需满足的各种安全和运行约束等问题。采用改进的自适应遗传算法对问题进行求解,通过适应值函数的计算得到了系统允许条件下的最大允许恢复负荷量。该算法在求解电网重构问题时,编码容易且能方便地处理网络连通问题,求解效率高,用IEEE30节点算例验证了本文方法的有效性。     

改进自适应蜂群优化算法在变压器故障诊断中的应用

为增强神经网络对变压器故障诊断的能力,同时避免蜂群算法出现局部最优和易早熟,提出一种改进自适应搜索策略蜂群优化算法。该方法通过自适应调整种群更新步长来协调蜂群算法的全局和局部搜索能力,避免出现局部最优状况,同时引入Levy变异因子提高局部搜索的性能。利用改进的蜂群算法优化BP神经网络权值和阈值,通过反复迭代算法,直到达到目标精度要求。该方法以变压器数据为依据进行测试。仿真结果表明,改进后的方法收敛速度更快、判别故障准确率更高。     

基于改进自适应遗传算法的空心串联电抗器优化设计

采用遗传算法对空心串联电抗器的优化设计进行了研究，给出了空心串联电抗器的优化设计模型。提出一种改进的自适应遗传算法，并设计了一种适应度线性变换方法，同时对最优保存策略作了改进。通过对有约束的测试函数进行求解，证明这些改进措施增强了遗传算法的全局寻优能力。将空心串联电抗器的优化方案与原设计方案进行比较可见电抗器的结构尺寸、重量和损耗都显著减小。     

一种基于智能改进算法的定制电力设备优化配置策略

为了更好地治理配电网谐波污染、低功率因数以及电力系统电压波动所带来的敏感负荷不能正常工作问题,研究了配电网多种定制电力设备的优化配置。综合考虑电能质量治理目标以及投资费用建立了优化配置数学模型,并提出一种将遗传算法与内点法有机结合的混合优化策略用于多种定制电力设备的优化配置。该混合策略利用遗传算法锁定各装置的最优安装位置并求得近似最优安装容量,将近似容量设为内点法初值寻找更加精确更优的安装容量。此外,分别基于约束越限和预判自适应对遗传算法和内点法做出改进,提高了寻优速度。理论分析和仿真结果表明,该混合算法比单独的遗传算法稳定性更高、寻优结果更加精确。     

改进遗传算法和神经网络在电能质量扰动识别中的应用

提出了一种改进遗传算法(IGA).该算法采取了有效的选择和交叉策略,设计了自适应变化的交叉概率和变异概率,以及随进化代数自适应变化的移民算法.该改进遗传算法稳定性和收敛性能较好,将其应用到基于BP网络的电能质量扰动识别中,提高了识别的稳定性和收敛性能,并使基于BP网络的电能质量扰动识别系统更具实用性.文中最后通过仿真计算验证了本文方法的性能.