基于蚁群最优的输电网络扩展规划

输电网络扩展规划是一个非常复杂的大规模组合优化问题。章提出了一种基于蚁群最优的输电网络扩展规划法（ACO）。ACO法来自对蚁群收集行为的研究,是一种求解组合最优问题的新型通用型发式方法。这种方法的主要特征是正反馈、分布式计算以及富于建设性的贪婪启发式搜索的运用。作初步研究了ACO法在单阶段输电网扩展规划中的应用。建立了相应的数学模型,设计了相应的算法,并在IEEE Garver-6系统上进行了测算。结果表明所提方法是有效的。     

多阶段输电网络最优规划的模拟植物生长算法

为解决输电网络规划中的多阶段之间的耦合问题,基于待选线路具有规划期间不建设或只能在某一个阶段建成并在后续阶段一直使用的特点,提出了以待选线路为决策变量,规划阶段序号为搜索域的思想,将多阶段输电网络优化规划问题转化成静态优化问题,并采用模拟植物生长算法对模型进行了求解。应用所提方法对一个19节点系统进行了分析,得到了现有文献中有关该系统的最优规划方案,说明了所提方法的可行性及有效性。     

基于改进蚁群算法的输电网络扩展规划

输电网络扩展规划问题是一个复杂的组合优化问题。蚁群算法是用于解决组合优化问题的一种高效的随机化内启发式全局搜索技术。文中结合单阶段输电网络扩展规划问题的特点，应用改进的蚁群算法来解决输电网络扩展规划问题，建立了相应的数学模型，并给出求解算法。2个算例系统的计算结果表明了这种方法可有效减小搜索空间，并具有计算速度快和收敛性好等优点。     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群算法搜索全局最优解的能力与收敛到最优解的速度.将改进后的算法应用于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

多阶段输电网络最优规划的遗传算法

多阶段输电网络最优规划问题是一个复杂的非线性组合优化问题,尝试 利用遗传算法来解决输电网络动态规划问题,提出了相应的数学模型, 构造了染色体的编码方法和适应函数,并用退火选择遗传算法进行了计 算。算例系统的计算结果证明了这种方法的可行性及有效性。     

基于伪动态的混沌人工鱼群算法在多阶段输电网络规划中的应用

与传统输电网络规划不同,多阶段输电网络规划需要考虑时段因素,在何阶段搭建何种路线使全局规划方案最优。多阶段规划的难点是阶段之间的过渡,后面阶段的决策要根据前面阶段的决策来定,对于大规模输电网规划经典的动态规划方法无法解决。利用伪动态规划的思想处理多阶段问题,这样减少了算法的迭代次数和运算时间。将混沌优化算法和人工鱼群算法相结合,摆脱了混沌搜索的盲目性和人工鱼搜索的局限性,使该混合算法效率高、收敛速度快。对巴西南部46节点系统的计算结果表明,该混合算法具有可行性和高效性。     

多阶段输电网络拥塞规避路由算法研究

为了提高多阶段输电网络性能,提出了一种基于蚁群算法的多阶段输电网络拥塞规避路由算法,采用IP模块中的LMH0034芯片对多阶段输电网络路由信号进行均衡处理,提高路由信号的抗噪能力,通过路由更新模块对接口状态机以及接口路由表产生影响,及时调整系统的路由状态信息,采用信息处理模块实现路由系统信息的塑造、传递、采集以及处理。软件设计过程中,引入蚁群算法实现了多阶段输电网络拥塞规避路由算法的改进,给出了多阶段输电网络拥塞规避路由算法的具体代码。仿真实验结果说明,拥塞规避路由算法可以提高多阶段输电网络的吞吐率,降低网络时延和丢包率,最终提升多阶段输电网络的数据传输性能。     

多阶段输电网络最忧规划的遗传算法

多阶段输电网络最优规划问题是一个复杂的非线性组合优化问题,尝试利用遗传算法来解决输电网络动态规划问题,提出了相应的数学模型,构造了染色体的编码方法和适应函数,并用退大选择遗传算法进行了计算。算例系统的计算结果证明了这种方法的可行性及有效性。     

基于模式记忆并行蚁群算法的输电网规划

该文讨论了目前大规模输电网规划求解中常见的无法完成对解空间的充分搜索，从而难于求得全局最优解的问题；给出了泛函形式的输电网规划模型，并重点分析了输电网规划解的模式。在分析了传统蚁群算法易产生未成熟收敛现象及其原因的基础上，设计了一种基于模式记忆的并行蚁群算法，该算法通过模式记忆实现了解空间分解，能够有效地识别、记忆和跳出局部最优解；通过局部细化搜索进一步加强了局部搜索能力；通过并行计算提高了计算速度。某实际77节点的算例分析表明了该算法具有很高的计算效率和优秀的局部、全局收敛性，有效克服了现代启发式算法在求解输电网规划问题时存在的效率不高及未成熟收敛等现象。     

改进多目标蚁群算法在电网规划中的应用

针对电网规划需综合考虑经济性和可靠性的问题,提出一种改进的多目标蚁群算法。该算法采用改进的快速排序方法构造Pareto最优解集,缩短了慢速链,降低了算法的时间复杂度;采用聚类算法裁剪非支配解,使所得解在整个Pareto解空间具有良好的多样性和分布性;采用信息素更新变参数控制,加快算法的全局收敛速度;采用挥发系数动态自适应调节机制,提高算法全局搜索能力。通过18节点电网规划算例证明,提出的改进算法与基本多目标蚁群算法相比,所得的Pareto最优解数量更多,Pareto前沿分布更加均匀,同时收敛性和快速性也得到了提高。     

基于蚁群算法的配电网网架优化规划方法

蚁群算法是一种求解组合优化问题的新型通用启发式方法，该方法的主要特点是正反馈、分布式计算和富于建设性的贪婪启发式搜索。配电网网架优化规划是一个复杂的非线性组合优化问题。本文将蚁群算法用于配电网网架优化规划问题的研究，建立了网架规划的数学模型，该模型以线路的年综合费用和过负荷征罚费用之和最小为目标函数，并在此基础上设计了相应的算法。算例证明了该算法在配电网网架优化规划中应用的可行性和有效性。     

基于蚁群最优的配电网规划方法

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。     

遗传算法在电网规划应用中的改进

本文利用遗传算法建立了电网规划的数学模型，在此基础上提出了用竞赛法进行生殖操作、两点交叉、保留优良品种等改进措施，加快了收敛速度，提高了计算精度。     

基于蚁群优化算法的机组最优投入

机组最优投入问题（optimal Unit Commitment,UC)是寻求1个周期内各个负荷水平下机组的最优组合方式及开停机计划，使运行费用为最小。该问题是一个高维数、非凸的、离散的、非线性的优化问题，很难找出理论上的最优解，但由于它能带来显著的经济效益，所以受到了国内外很多学者的广泛关注。作者尝试采用一种新型的模拟进化优化算法－－蚁群优化算法（ACO）来求解该问题。首先，利用状态、决策及作者提出的路径概念把UC设计成类似于旅行商（TSP）问题的模式，从而可以方便地利用ACO来求解。其次，由于ACO处理的是无约束优化问题，对于UC这一约束优化问题，提出了不同的方法来处理各种约束。用tabu表限制不满足旋转备用约束和机组最小启／停时间约束的状态；通过附加惩罚项来处理线路N安全性约束。数值算例验证了此算法的可行性和有效性。     

基于蚂蚁算法的配电网网络规划

利用蚂蚁算法进行配电网网架结构规划。为了使优化过程同时考虑到网损最小和投资最小两个因素，提出将各个负荷点作为食物。食物给各条街道赋予一定的“味道”，“味道”的求取公式和网损的计算公式类似。“味道”在一定程度上反映了网损的情况。蚂蚁在计算的开始阶段将根据“味道”决定自己选择街道的概率，在计算的中间阶段将根据信息素决定自己选择街道的概率。实例计算表明该方法可行、有效，可以方便地求得配电网网络规划问题的最优或近似最优解。     

蚁群前馈神经网络在煤灰熔点预测中的应用

提出了一种蚁群前馈神经网络模型。采用蚁群算法和BP算法相结合的方法训练神经网络,可避免单纯BP算法容易陷入局部最优的不足,降低算法对初值的敏感性。应用蚁群前馈神经网络建立了灰熔点的模型,并对模型的预测性能进行了验证。结果表明,该方法的预测精度比单一的BP神经网络模型有较大提高,训练后的网络模型可以用于煤灰熔点的预报。     

具有FACTS设备的输电网络规划

利用改进的遗传算法ＭＡＧＡ进行具有ＦＡＣＴＳ设备的输电网络规划,算例系统的结果表明ＭＡＧＡ适用于解决具有ＦＡＣＴＳ设备的电网规划问题,而且在电网的扩建和改造方面。ＦＡＣＴＳ技术将带来很大的经济效益。