考虑DG及负荷时序性的多目标配电网重构与DG调控综合优化规划

为解决分布式电源（distributed generation,DG）出力及负荷的时变性给实际配电网调度所造成的不利影响,使配电网的优化规划方案更加切实可行,提出了一种基于配电网重构和DG选址定容结合的多目标粒子群动态优化模型,该模型以配电网有功损耗、电压偏差及经济成本为优化目标,考虑负荷及DG出力的时变性,对配电网络重构和DG调度进行综合优化求解。通过基于随机森林模型（random forest,RF）及长短期记忆神经网络(long short-term memory,LSTM)模型的混合预测模型对配电网负荷及DG出力进行预测。采用经帕累托最优理论改进的粒子群算法得到配电网重构及DG调控的帕累托最优解集并利用模糊隶属度函数法来确定帕累托最优解集中的最佳配电网调度方案。基于IEEE 33标准测试系统设计多个算例进行仿真分析,结果表明,所提考虑负荷及DG出力时序性的配电网重构和DG调度联合优化模型可显著改善配电网络运行的经济性和稳定性。     

采用多目标随机黑洞粒子群优化算法的环境经济发电调度

将多目标随机黑洞粒子群优化(multiobjective random black-hole particle-swarm optimization,MORBHPSO)算法用于解决环境经济发电调度问题,对燃料发电机组相互冲突的燃料费用函数和污染气体排放量函数同时进行优化。提出带等式约束的帕累托占优条件,使生成的帕累托(Pareto)最优解集在解的可行区域,并采用新的"聚类技术"减少解集中解的个数以加快寻优速度。通过变异操作改善解的多样性,并根据"距离评价指标"从帕累托最优前沿(Pareto optimal front,POF)中选择折衷最优解。对IEEE 30节点的标准测试系统进行仿真计算,结果表明该算法在解决环境经济调度问题方面的可行性和有效性,减少了迭代次数,而且在不增加污染气体排放量的同时降低了燃料费用。     

基于五次 NURBS 曲线的六轴机器人多目标轨迹优化

为了提升机械臂工作的效率,提出了一种基于混合粒子群算法的轨迹规划优化方法,使用5次NURBS曲线为工作轨迹,利用混合粒子群算法,针对机械臂的脉动冲击、能量消耗和工作时间3个目标建立目标函数并获得帕累托最优解集,将权重目标函数归一化从而得到期望解。在MATLAB环境下由这一方法建立模型进行仿真,并选取六轴机械臂进行仿真分析之后得出非支配解集,并选取最优解,证实了该轨迹规划方法可以有效的提升机械臂的运行效率,并且能够实现约束条件下的多目标优化。     

基于协同多目标粒子群优化的交直流系统最优潮流

为了统一协调经济性和电压偏差,提出一种基于协同多目标粒子群优化(CMOPSO)的含基于电压源型变流器的高压直流(VSC-HVDC)输电的交直流系统多目标最优潮流(MOPF)算法。首先,基于VSC-HVDC稳态模型,以最小化发电成本和电压偏差为目标,构建交直流系统的MOPF模型;然后,采用CMOPSO算法优化该模型,得到具有良好分布的帕累托最优解集;最后,在通过模糊C均值算法将所得解集进行聚类的基础上,采用灰关联投影法计算各决策方案的优属度,确定反映决策者不同偏好的最优折中解。应用于IEEE 14节点和IEEE 118节点系统的测试结果验证了所提方法的有效性。     

基于改进多目标海樽群算法的电力系统优化调度

文中提出了一种新的多目标海樽群优化算法,将其与等式约束修正技术和可行解占优约束处理技术相结合,用于求解高度约束的电力系统环境经济优化调度问题。该算法采用高斯采样策略和变异操作增强其寻优性能;通过一种改进的基于动态拥挤距离的非支配排序方法获得分布均匀的帕累托最优前沿;应用模糊集理论为决策者提供最佳折中解。在IEEE 30节点6机组标准测试系统上进行算例仿真,并与其它优化算法进行了对比。结果表明,所提算法在求解电力系统环境经济调度问题时具有更好的优化效果。     

基于改进粒子群算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出一种基于(非劣最优)Pareto解集的改进粒子群算法AL iPSO。用最优值评估选取法求取粒子和全局最优位置,解决目标函数间可能存在的冲突。并将关联度自适应学习应用于多目标优化,提出适合Pareto解特点的适应度设计和随机惯性权策略,克服PSO算法容易早熟而陷入局部最优解的缺点。通过对IEEE 6、IEEE 14节点系统多目标最优潮流计算,验证了该算法的有效性。     

求解交直流互联电网多目标无功优化问题的INNC法

以交直流互联系统有功损耗和所有关键节点电压偏差平方和最小化为目标,建立交直流互联系统的多目标无功优化模型,并提出一种求其帕累托最优解的改进规格化法平面约束法。该算法针对帕累托前沿上各点的切线与乌托邦线夹角不同,对规格化法平面约束法进行改进,即将帕累托前沿按照一定规则分割成4段,每段对应1个子乌托邦线,从而将原多目标优化问题分解为4组多目标优化问题。再对每个子乌托邦线进行等距离分割处理,每组多目标优化问题可转化为求解一系列单目标优化问题。对南方电网交直流765节点等值系统的计算表明,所提出的算法能够有效求解实际交直流大电网多目标优化问题,且所求得的最优解集在帕累托前沿上分布更均匀。     

基于演化算法和讨价还价博弈的多目标最优潮流研究

针对电力系统的多目标最优潮流问题,首先通过遗传算法取得帕累托解集,从而充分反映出不同优化目标之间相互影响、相互背离的内在关系,在此基础上利用纳什讨价还价博弈方法选取全局最优解。探讨同时考虑发电费用（或发电煤耗）最小和系统网损最小的多目标最优潮流问题,首先验证该问题满足讨价还价博弈公理,再通过强度帕累托演化算法（strong Pareto evolution algorithm 2, SPEA2）求解得到帕累托前沿,保证收敛速度较快且帕累托前沿分布均匀,最后基于纳什讨价还价博弈求得最优解,解决了不同目标函数之间可能存在的矛盾。该文通过对IEEE 14节点系统的算例计算,验证了该方法的有效性。     

计及输电阻塞的帕累托最优多目标电网规划

在解除管制环境下,要求输电扩展规划有效缓解输电网络阻塞,文中分别以年阻塞盈余、线路投资费用和系统缺电成本为规划目标,基于帕累托(Pareto)多目标最优建立综合考虑阻塞问题、经济性和可靠性的多目标电网规划模型,并通过一种改进的强度帕累托进化算法(strength Pareto evolutionary algorithm,SPEA),实现对模型的求解。建立一种基于多维空间欧氏距离的排序方法,实现帕累托最优解集范围内的优化决策。18节点系统算例表明通过改进SPEA可以有效形成分布均匀的帕累托解集,并且所提多目标规划方法能够缓解和控制规划网络的输电阻塞。     

多区域并行协同的多目标分布式帕累托最优潮流算法

在开放电力市场的环境下,各区域电网合作与利益博弈共存,区域电网之间的信息保密问题显得愈发重要。现有的帕累托最优潮流求解方法均属于集中式算法,在优化时需要获知全网的信息,无法满足高私密性以及高可靠性的要求。在该背景下,寻求一种去中心化的分布式优化方法以保障系统内各区域电网的信息安全显得尤为重要。基于此,文中提出了一种多区域并行协同的多目标分布式帕累托最优潮流求解算法。该算法以法线边界交叉法为基础,将整个系统的多目标潮流优化问题分解为与多个子区域对应的子优化问题。每个子区域采用独立的优化器完成子问题的优化,区域之间仅交换联络线上的边界变量以及虚拟目标因子进行全局调整,不断逼近原问题的帕累托最优解集。IEEE 118节点算例仿真结果表明:所提算法可在有效实现多目标帕累托最优潮流分布式并行求解的同时,还可提高求解精度和减小计算内存,从而适用于在开放电力市场背景下各区域电网合作与利益博弈共存的运营模式。     

Multi-objective Economic Dispatch Considering Wind Power Penetration Using Stochastic Weight Trade-off Chaotic NSPSO

In this paper, a stochastic weight trade-off chaotic non-dominated sorting particle swarm optimization (SWTC_NSPSO) is proposed for solving multi-objective economic dispatch considering wind power penetration. Multi-objective functions including generator fuel cost and system risk are considered. The SWTC_NSPSO algorithm improves the solution search capability by balancing between global best exploration and local best utilization through the stochastic weight trade-off technique combining dynamistic coefficients trade-off methods. The proposed algorithm cooperates with the freak, lethargy factors, and chaotic mutation to enhance diversity and search capability. Non-dominated sorting and crowding distance techniques efficiently provide the optimal Pareto front. The fuzzy function is used to select the local compromise best solution. Using a two stage approach, the global best compromise solution is selected from a large number of local best compromise trial solutions. Simulation results on the modified IEEE 30-bus test system indicate that SWTC_NSPSO can provide a lower and wider Pareto front than non-dominated sorting genetic algorithm II (NSGAII), non-dominated sorting particle swarm optimization (NSPSO), non-dominated sorting chaotic particle swarm optimization (NS_CPSO), and a stochastic weight trade-off non-dominated sorting particle swarm optimization (SWT_NSPSO) in a less computation effort, leading to a lower generator fuel cost and a higher system reliability trade-off solution.     

Optimal location and setting of SVC and TCSC devices using non-dominated sorting particle swarm optimization

In this paper, a new method for optimal locating multi-type FACTS devices in order to optimize multi-objective voltage stability problem is presented. The proposed methodology is based on a new variant of particle swarm optimization (PSO) specialized in multi-objective optimization problem known as non-dominated sorting particle swarm optimization (NSPSO). The crowding distance technique is used to maintain the Pareto front size at the chosen limit, without destroying its characteristics. To aid the decision maker choosing the best compromise solution from the Pareto front, the fuzzy-based mechanism is employed for this task. NSPSO is used to find the optimal location and setting of two types of FACTS namely: Thyristor controlled series compensator (TCSC) and static var compensator (SVC) that maximize static voltage stability margin (SVSM), reduce real power losses (RPL), and load voltage deviation (LVD). The optimization is carried out on two and three objective functions for various FACTS combinations considering. For ensure the robustness of the proposed method and gives a practical sense of our study, N − 1 contingency analysis and the stress of power system is considered in the optimization process. The thermal limits of lines and voltage limits of load buses are considered as the security constraints. The proposed method is validated on IEEE 30-bus and realistic Algerian 114-bus power system. The simulation results are compared with those obtained by particle swarm optimization (PSO) and non-dominated sorting genetic algorithms (NSGA-II). The comparisons show the effectiveness of the proposed NSPSO to solve the multi-objective optimization problem and capture Pareto optimal solutions with satisfactory diversity characteristics.     

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。     

基于无重访NSGA-II算法的配电网多目标重构

将基于空间二叉分割理论的无重访机制与基于多目标Pareto最优化思想的第二代非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-II, NSGA-II)相结合,构建了无重访NSGA-II算法,并应用于求解同时考虑网损降低和供电可靠性提高的多目标配电网络重构问题。所构建的无重访NSGA-II算法实现了严格意义上的不重复搜索,避免了重复方案的潮流及可靠性计算,节约了计算资源。IEEE16、IEEE33测试系统的计算结果表明能够在较少的迭代次数下得到每个目标方向上的最优解以及包含若干非支配解的Pareto最优前沿解集。根据网损与可靠性目标之间的关联关系及相应重构方案的拓扑结构分析表明在解空间的全局范围内网损与可靠性目标具有较明显的一致关联性,不论对于网损还是可靠性的优化,网络拓扑都应该接近广度优先树而规避深度优先树。     

考虑地理因素的改进量子粒子群算法在多目标电网规划中的应用

针对电网规划的多目标权衡优化问题,建立以可靠性和经济性为目标的电网规划模型,提出改进的量子粒子群算法,采用Pareto支配关系来更新粒子的个体和局部最优值,定义粒子紊流极大极小间距,并采用紊流间距方法裁剪非支配解,引入收敛因子K加快粒子跳出局部最优后的收敛速度。同时考虑电网规划存在的地理环境不确定因素的影响,在规划目标函数中引入地理障碍罚因子。通过18节点电网规划算例仿真结果表明,提出的改进算法与基于非支配遗传算法和基于多目标进化算法相比,所得的Pareto解数目,解的优劣情况以及分布效果都有明显提升。     

一种基于拉丁超立方抽样和聚类分析的改进MOPSO算法

针对基本的MOPSO算法的可能导致局部最优和难以输出代表性非支配解的问题,在MOPSO算法的基础上,运用拉丁超立方抽样和聚类分析对算法进行改进。应用拉丁超立方抽样指导MOPSO算法种群初始化,使初始化种群可以均匀遍布整个空间,避免了基本的MOPSO算法可能会导致的局部最优等问题。为了加强非支配解集的分布性和多样性,同时考虑在众多非支配解中自动挑拣代表性非支配解,增加聚类分析环节,对输出解集进行聚类处理,以挑选代表性非支配解。与基本的MOPSO算法相比较,改进的MOPSO算法求解的Pareto解集在寻优效果及代表性解筛选方面具有一定优势。     

基于MO-APSO的含风电场电力系统动态环境经济调度

为综合考虑碳排放权交易对风火联供模式的影响,基于节能减排、发电效益、机组运行3个方面约束条件,引入碳排放权交易成本函数,构建了考虑发电成本、碳交易成本、环境成本的风火联供系统多目标动态环境经济调度(DEED)模型。提出一种多目标自适应粒子群优化(MO-APSO)算法求解该DEED问题。根据寻优过程中粒子当前的适应度函数值,对惯性权重及学习因子进行自适应修正,进一步改善早熟的缺陷,增强全局搜索能力。含风电场的10机电力系统仿真结果表明:所提方法能同时优化成本和排放这2个冲突的目标,且获得了比其他算法更为宽广和均匀的Pareto前沿,有效降低了联供系统的碳排放量及综合运行成本。     

基于改进非劣分层遗传算法及基点和熵多属性决策的互联电网交易方法

利用改进非劣分层遗传算法（non—dominated sorting genetic algorithmⅡ,NSGA．Ⅱ）对互联电网多目标交易优化模型进行求解,得到多样化的帕雷托前沿,为决策提供丰富的信息,进一步与基于基点和熵的多属性决策方法结合,筛选出最优解。算例分析结果表明,该方法得出的解比用基于沙普利值的合作博弈...     

多目标无功优化的向量评价自适应粒子群算法

为了克服粒子群算法在高维复杂问题寻优时有相当可能陷入局部极优的现象,提出了一种自适应粒子群算法。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。对基于向量评价的粒子群算法进行了扩展,提出了基于向量评价的自适应粒子群算法(vector evaluated particle adaptive swarm optimization,VEAPSO)来解决多目标无功优化问题,求解出问题的Pareto最优解集。为帮助决策者从Pareto最优解集中选取合适的最优解,该文提出一种基于决策者偏好及投影寻踪模型的多属性决策法,使决策结果更加真实可靠。将该算法应用于多目标无功优化问题中,IEEE 30和IEEE 118节点系统算例仿真表明该方法用于解决多目标无功优化问题是有效可行的。     

基于改进双粒子群算法的舰船电力系统网络故障重构

舰船电力系统环形网络故障重构本质上是带约束的多目标非线性组合优化问题。为了解决舰船电力系统发生故障时的供电恢复问题,提出了一种改进双粒子群优化算法进行求解。此算法分为主、辅两个粒子群,主粒子群改进了种群初始化、自适应调整惯性权重和学习因子,提高了主粒子群算法的全局寻优能力。同时,辅助粒子群还采用改进的混沌局部搜索策略,增强了种群多样性及局部寻优能力,有效地解决了粒子群算法中容易陷入局部极值的问题。通过系统仿真,分别将几种不同的优化算法进行比较。结果表明该算法具有很高的搜索效率和寻优能力,能有效地提高故障恢复的速度与精度,在处理舰船电力系统网络故障重构方面具有较好的效果。