基于自适应遗传退火算法的配电网故障定位研究

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出了一种混合遗传算法(自适应遗传退火算法)用于解决辐射状配电网故障定位问题。该算法采用轮盘赌和最优保存策略相结合的选择机制,使得当前最优个体始终保持在种群里,并结合自适应交叉、变异概率,扩大种群的搜索范围,继而引入模拟退火算法,加快迭代后期算法的收敛速度。最后,通过对IEEE-33节点配电系统进行仿真计算,结果表明,该算法能够对单点和多点故障进行实时、准确地定位,并在故障信息畸变的情况下,也能快速地得到准确结果。     

基于BAS-IGA的含分布式电源配电网故障定位

针对遗传算法解决含分布式电源配电网故障区段定位易早熟收敛的问题,提出了一种基于天牛须搜索算法和改进遗传算法相结合的故障定位方法。该方法首先利用天牛须搜索算法产生高质量的初始种群,其次通过构造遗传算法数学模型、优化3种遗传算子和调节交叉变异概率对遗传算法进行改进,最终经遗传迭代产生最优解,达到精确定位故障区段的目的。以IEEE33节点配电网模型为例,分别针对单重故障、多重故障以及信息畸变情况进行仿真。仿真结果表明,提出的优化算法定位准确率为100%,且收敛速度快、容错性好。     

基于改进鸽群算法的含分布式电源配电网故障定位

分布式电源（DG）接入配电网中,使得配电网由传统的单电源辐射状网络变成多电源复杂网络,增加了配电网故障定位的难度。针对DG接入配电网定位问题,提出了一种基于改进鸽群算法的故障区段定位方法。首先,建立了适用于含多个分布式电源的开关函数并对电流编码方式重新定义。其次,对基本鸽群算法中的指南针因子和地标算子进行改进,并通过结合模拟退火算法防止其陷入局部最优,提高了算法的容错性。仿真结果表明,该算法适用于含分布式电源配电网的单重和多重故障区段定位,且在相同故障情况下,改进鸽群算法分别比传统鸽群算法和遗传算法在迭代时间上降低了17.019%和43.763%,具有一定的快速性。     

确定配电网最佳无功补偿点位置及容量的优化方法

针对配电网无功补偿特点,提出一种补偿效益极限最优两步搜索算法,可快速确定网络中待补偿点的位置及个数,有效压缩无效解空间。结合自适应遗传算法,引入了模拟退火机制和罚因子自适应调整策略,可促使算法趋向全局收敛。文中以配电网年电能损失、无功补偿设备投资和补偿点固定安装费用之和最小为目标．建立了无功优化的数学模型,并用IEEE33节点算例证明了该方法的优越性与可行性。     

基于改进遗传算法的配电网优化重构

介绍配电网重构的基本原理及其研究意义,研究了遗传算法的编码并对遗传算法染色体编码进行了改进。在优化过程中采用精英策略及改进的自适应算子,加快了算法的搜索速度,有效避免了不成熟收敛。结合配电网与自适应遗传算法特点采用可操作开关集的快速环分解策略,提高了算法的搜索能力和速度。PE＆G33节点系统算例表明改进的遗传算法在配电网优化重构应用的有效性。     

基于自适应模拟退火遗传算法的多机系统PSS参数协调优化

针对基本遗传算法（SGA）易早熟收敛且收敛速度慢的问题,提出了一种改进的遗传算法——自适应模拟退火遗传算法（ASAGA）用于解决PSS参数优化问题。该算法采用轮盘赌选择和最佳个体保存策略相结合的机制,并结合自适应的交叉、变异概率,扩大种群的搜索范围,继而引入模拟退火算法,加快迭代后期的收敛速度。一个针对Kunder四机两区域系统的PSS参数优化以及暂态稳定性仿真分析的算例表明。本文所设计的PSS对各种扰动均表现出了很好性能,同时也说明了该算法较强的全局寻优能力。     

基于多种群遗传算法的含分布式电源的配电网 故障区段定位算法

构建了可动态适应多个分布式电源投切的开关函数,同时针对遗传算法的早熟收敛问题,引入多种群遗传算法,提出基于多种群遗传算法的含分布式电源配电网故障区段定位方法。该算法在故障区段定位时规定以系统电源指向用户的方向为馈线正方向,采用多个种群对解空间协同搜索,避免算法陷入局部最优,以最优个体保持代数作为收敛条件,充分提高收敛效率,适用于复杂的含分布式电源的配电网络。通过算例对配电网的故障定位进行仿真,结果表明算法能准确定位,并具有一定的有效性和容错性。     

基于多种群遗传算法的含分布式电源的配电网故障区段定位算法

构建了可动态适应多个分布式电源投切的开关函数,同时针对遗传算法的早熟收敛问题,引入多种群遗传算法,提出基于多种群遗传算法的含分布式电源配电网故障区段定位方法。该算法在故障区段定位时规定以系统电源指向用户的方向为馈线正方向,采用多个种群对解空间协同搜索,避免算法陷入局部最优,以最优个体保持代数作为收敛条件,充分提高收敛效率,适用于复杂的含分布式电源的配电网络。通过算例对配电网的故障定位进行仿真,结果表明算法能准确定位,并具有一定的有效性和容错性。     

新群体规模自适应遗传算法在配网恢复重构中的应用

从群体规模和和遗传算子的角度,提出了新群体规模自适应遗传算法,用以解决配电网恢复重构问题。将群体中个体赋予年龄和寿命来代替选择算子,采用宏观调控法对群体规模易出现快速“膨胀”问题进行改善,并结合配电网开环运行特点,采用基于环路策略的遗传操作来减少不可行解。运用与群体规模自适应的交叉率和变异率,能有效地从全局和局部角度提高算法的效率,使算法快速稳定收敛到全局最优解。通过算例验证了该算法在配电网恢复重构运用中的高效性和稳定性。     

基于种间竞争遗传算法的配电网故障恢复

当配电网发生故障时,会出现剩余电源容量不够恢复所有的停电区域的情况,此时应以尽可能恢复更多的停电区域为目的。针对配电网自身的特点,确定了故障恢复模型所采用的目标函数及其约束条件,在基于种间竞争的遗传算法的基础上,引入了自适应策略,运用交叉算子和变异算子的自适应技术协调种内进化过程,通过种间竞争频率的自适应调剂促进最优个体的生成,并根据实际情况,对于染色体交叉、变异加以改进。算例分析表明,该算法具有更强的全局搜索能力和收敛速度,可以恢复更多的停电区域。     

基于改进哈里斯鹰优化算法的有源配电网故障定位

针对改进的遗传算法、二进制粒子群算法等智能优化算法在复杂的有源配电网中故障定位的准确率不高、易于陷入局部最优、收敛速度慢以及定位时间长等问题,提出一种基于改进哈里斯鹰优化算法的有源配电网故障区段定位方法。首先,通过Tent混沌映射改善初始种群和将逃逸能量非线性化,以加快哈里斯鹰优化算法的收敛速度。其次,通过结合黄金正弦算法跳出局部最优。最后,所提方法在IEEE33节点有源配电网模型上进行了仿真测试验证,表明改进后的哈里斯鹰优化算法能很大程度地加快收敛速率,故障定位方法具有很高的容错率。     

基于混合遗传算法的变电站选址定容

针对变电站优化规划这种大规模组合优化问题,提出了一种结合遗传算法与交替定位分配算法的混合遗传算法(GA-LA).该算法采用新型的三维编码策略,同时包含新建站的数量、站址和站容信息,并设计了适用于此新型编码的交叉算子和变异算子,以实现站址、站容的优化.其中,针对站址优化子问题,GA-LA算法将交替定位分配算法与遗传算法结合,在标准GA算子之后增加了一个LA算子,由GA算子进行种群中的全局广度搜索,LA算子进行染色体中的站址局部深度搜索,可实现无待选站址的自动寻优.算例结果表明,该方法具有较好的站址站容寻优能力和收敛性能,能满足实际电网中大规模变电站规划的需求.     

改进量子遗传算法在含分布式电源配电网中的应用

针对配电网中分布式电源的不断接入使得故障定位越来越困难,为了准确地定位故障和快速隔离故障支路,文中提出一种改进的量子遗传算法用于含分布式电源的配电网故障定位。利用动态旋转角策略更新量子门,在使用Tent映射的混沌优化法跳出局部最优。通过仿真对改进前后的算法进行对比分析,验证算法的准确性和有效性。仿真结果表明,所提方法具有收敛速度快、执行时间短等优点,能有效地定位故障区域。此研究为我国配电网故障定位方法的发展提供了参考和借鉴。     

基于SAAFSA优化加权模糊聚类算法的变压器故障诊断

针对加权模糊聚类算法(WFCM)应用于变压器DGA分析时存在收敛速度慢、对初始值敏感的问题,提出了一种改进人工鱼群优化加权模糊聚类算法(SAAFSA-WFCM)的变压器故障诊断方法.该方法利用模拟退火算法(SA)来改进人工鱼群算法(AFSA)以求取最佳初始聚类中心,在发挥AFSA优异的全局寻优能力的同时,利用SA的概率性突跳搜索机制对AFSA实施局部优化,提高了AFSA的搜索精度.WFCM算法以得到的最佳初始聚类中心为初值进行迭代运算,最终求得更接近实际位置的聚类中心,克服了WFCM易受初值影响的缺陷,加快了收敛速度.仿真与实例分析表明,该方法可有效应用于变压器的故障诊断,并有着较高的诊断正确率和诊断效率.     

基于混合人工鱼群算法的输电网扩展规划

应用于输电网扩展规划的人工鱼群算法(artificial fish school algorithm,AFSA)依靠随机移动无条件接受劣解以摆脱局部极值,具有盲目性大的特点,且该算法一般在优化初期收敛较快而后期收敛速度减慢。针对AFSA的上述缺点,文章结合模拟退火算法,提出一种混合人工鱼群算法(HAFSA)。HAFSA利用模拟退火算法的概率性突跳搜索机制,使局部极值跳跃能力具有可控性,降低了算法的盲目性,提高了算法效率;引入基于分段自适应调整视野策略的反馈机制,兼顾了全局搜索与局部挖掘能力;加入拟遗传算法的变异算子加快了优化后期的收敛速度。通过IEEE6节点和巴西南部46节点算例证明了HAFSA的正确性和有效性。     

基于改进免疫遗传算法的无功优化

针对目前电力系统无功优化算法所存在的问题提出了一种改进的免疫遗传算法，该算法把模糊逻辑、模拟退火和免疫算法相结合，根据模糊逻辑获得变化的交叉和变异算子，采用退火免疫方法对抗体进行选择，用免疫算子进行个体更新，从而增加了群的多样性，避免陷入局部最优。同时，还采用十进制整数编码和保存最优个体法来提高计算速度和精度。最后以IEEE 30-bus系统为例对算法的性能和求解精度进行了测试，结果表明本文提出的算法比其他遗传算法在计算速度和全局收敛方面有了很大提高。     

基于GA-ANFIS的开关磁阻电机建模

针对在使用自适应神经网络模糊推理系统对开关磁阻电机进行建模的过程中收敛速度慢的问题,采用将遗传算法和自适应神经网络模糊推理系统相结合的开关磁阻电机建模方法.网络结构仍然采用具有很强鲁棒性和自适应性的Takagi-Sugeno模型,而在网络参数训练时将遗传算法与自适应神经网络模糊推理系统的传统混合学习算法相结合,以提高训...     

基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性。同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法。应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性。