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。     

考虑韧性提升的输电网灾前预防检修多目标多阶段优化

极端气象灾害易使输电网发生大面积故障。输电网设备的健康程度影响着输电网抵御极端气象灾害物理层面的能力。为进一步提升输电网抗灾能力,减轻经济损失,从输电网韧性提升的角度出发,对输电网灾前预防检修策略进行研究。首先提出将灾害风险抵御力作为输电网灾时韧性评价指标,同时针对极端灾害的时空特性,采用场景分析法来计算韧性指标。根据输电网灾前预防检修的韧性提升、检修风险、经济性的要求,提出输电网灾前预防检修多目标多阶段优化模型,并采用NSGA-II算法与数学规划求解器结合的方法求解。采用IEEE RTS-79算例对优化模型的有效性进行了仿真验证,算例结果表明,文章所提优化模型能得出明显的Pareto前沿以及最优折衷解,以此得到最优灾前预防检修计划,在提升灾时韧性的同时控制灾前预防检修的风险与费用,从而帮助电网运行人员做出科学决策,具有较好的应用价值。     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

人口迁移算法在“N-1”安全输电网规划中的应用

提出了一种改进人口迁移算法求解输电网扩展规划的大规模组合优化问题。针对标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了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到满足"N-1"安全准则的输电网扩展规划问题中,建立了输电网扩展规划的数学模型,设计了相应的算法。比较该算法与粒子群算法、标准人口迁移算法对IEEE Garver6节点系统和IEEE Garver18节点系统的仿真计算结果,证明了改进人口迁移算法能有效地解决满足"N-1"安全检验的输电网扩展规划优化问题。     

基于Godlike算法的海岛型分布式电源规划模型

为实现海岛地区低污染、低成本电力的有效供给,提高可再生能源的利用消纳能力,针对海岛型分布式电源规划特点,建立了综合考虑投资运行费用、系统损耗和系统稳定性这3个方面的多目标分布式电源目标规划模型;在引入Pareto最优解概念的基础上,提出了采用Godlike算法对上述多目标、多约束、非线性优化问题进行求解。将所建立的模型及其求解算法应用于我国南方某岛分布式发电系统电源规划实际问题中,仿真结果表明Godlike算法计算结果要远远优于单体遗传算法、模拟退火算法、差分进化算法和粒子群优化算法,其能够有效避免单个算法在求解分布式电源规划问题时容易陷入局部最优、算法过早成熟等问题,保证了算法可有效得到全局Pareto最优解。     

计及可靠性的分布式风电源多目标优化配置

分布式风电源(distributed wind generation,DWG)和负荷出力的时序性和不确定性,将造成停电损失功率的时序性和不确定性,进而影响配电网供电可靠性。本文基于Monte?Carlo随机模拟,将考虑时序性和不确定性的停电损失可靠性指标引入模型。建立综合考虑最小化DWG投资成本、最小化网损以及最小化停电损失的多目标优化配置模型。为了提高算法的收敛性能,采用改进多目标粒子群优化算法求解。该算法运用小生境技术进行多目标全局寻优,同时利用NSGA-II非支配排序策略和拥挤度距离选择最优粒子,引导粒子跳出局部最优。针对已获得的Pareto解,采用最短归一化距离的方法选择最终方案。最后,以IEEE 33节点配电网为例进行仿真实验,结果验证了所提模型和算法的可行性和有效性。     

基于适应度空间距离评估选取的多目标粒子群算法在电网无功优化中的应用

提出了一种基于适应度空间距离评估选取最优解的多目标粒子群算法。该方法避免了目前多目标优化求解方法中权重选择的难题，保证了寻优方向的多向性，可以获得多目标优化问题的Pareto解集。将该算法应用于网损最小、静态电压稳定裕度最大为目标的多目标无功优化问题，算例表明在有效性和最优性等方面均有良好表现。     

基于改进多目标粒子群算法的配电网储能选址定容

以系统节点电压波动、负荷波动以及储能系统总容量为目标建立了储能选址定容优化模型.求解过程中提出了一种改进多目标粒子群算法(improved multi-objective particle swarm optimizer,IMOPSO).该算法根据粒子与种群最优粒子的距离来指导惯性权重的取值,使得各粒子的惯性权重可以自适应调整,并在二者距离较小时引入交叉变异操作,避免陷入局部最优解,同时采用动态密集距离排序来更新非劣解集并指导种群全局最优解的选取,在保持解集规模的同时使解的分布更均匀.为避免决策者偏好对最终结果的影响,采用基于信息熵的序数偏好法从最优Pareto解集中选取储能的最优接入方案.以IEEE-33节点配电系统为例进行仿真验证,结果表明该方法在储能选址定容问题求解中具有很好的收敛性以及全局搜索能力.     

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。