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。     

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。     

基于免疫进化细菌觅食算法的多目标无功优化

为了更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,提出了一种基于免疫进化的改进多目标细菌觅食优化算法。该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。IEEE14,IEEE30节点测试系统的算例结果表明所提的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。     

基于改进粒子群算法的多目标无功优化

提出了一种基于粒子群算法的多目标优化方法,该算法采用Pareto支配关系来更新粒子的个体最优和全局最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分散性;采用动态惯性权重来平衡粒子的局部和全局搜索能力,并将该算法应用于IEEE14节点系统的多目标无功优化     

基于免疫禁忌混合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,提出了一种基于免疫禁忌混合算法的多目标模糊优化潮流计算的新方法。该方法运用模糊集理论来构造评价函数,实现了多目标优化问题向单目标优化问题的转化,兼顾了各子目标,保证了较高的整体优化水平;采用求解精度高、使用灵活的免疫禁忌混合算法来进行单目标寻优,准确地获取了符合实际的全局最优解。通过对IEEE 30节点系统进行多次多目标最优潮流仿真计算,并将计算结果分别与单目标最优潮流计算及采用粒子群算法、免疫算法等其它算法的结果进行比较和分析,验证了该方法是解决电力系统多目标最优潮流问题的一种有效方法。     

基于多目标优化的配电网负荷转移路径研究

建立了配电网故障后负荷转移路径优化模型,提出了优化的目标函数和约束条件。应用带精英策略的快速非支配排序遗传算法（NSGA-Ⅱ）求解该多目标多约束优化问题,得到的最优解集能更好地反映优化问题的本质,并结合熵权法建立了综合最优解的提取方法。根据提出的算法,编制了应用于配电网负荷转移的程序,用IEEE33节点算例验证了该算法的可行性。     

基于CAMOCS算法的多目标无功优化

针对传统算法在求解多目标函数上存在局限性问题,在标准多目标布谷鸟搜索(Multi-objective Cuckoo Search,MOCS)算法的基础上,采用Kent混沌映射生成多样性初始解,并自适应改变算法的搜索步长,结合多目标Pareto最优解概念,提出一种混沌自适应多目标布谷鸟搜索(Chaotic Adaptive Multi-objective Cuckoo Search,CAMOCS)算法,并利用该算法对所建立的多目标无功优化模型进行求解,最后在IEEE 14节点系统算例仿真验证了所提方法的有效性和可行性。     

多目标进化算法及其在控制系统设计中的应用研究

本文首先介绍了多目标优化问题的进化算法。控制器的设计大多是多目标优化问题,而用多目标进化算法来进行设计可以得到一组优化的Pareto解集,非常适用于控制系统的设计。通过分析控制器性能的要求,介绍了进化算法的设计步骤。实例说明了多目标进化算法控制器设计的优越性。     

多目标遗传算法求解电力系统经济负荷分配

提出应用多目标遗传算法解决电力系统经济负荷分配问题。对负荷分配的数学模型进行了分析,将这一带约束的单目标优化问题转换成总煤耗函数和违反约束条件的程度函数两个目标函数优化问题。该算法采用实数编码技术,Pareto强度值作为个体的评价指标,利用遗传算法实现种群的进化,最终找到最优解。将该方法分别应用于某5台机组组成的发电系统和3台机组组成的发电系统进行负荷优化计算,结果与基于惩罚函数的单目标优化算法进行比较,分析表明该算法在确保满足各约束条件的前提下具备较好的寻优性能,证实了该算法的可行性与有效性。     

决策空间自组织多模态多目标鲸鱼优化算法研究

针对当前多模态多目标优化算法在获得Pareto解集的完整性、收敛性方面的不足，提出了一种决策空间自组织多模态多目标鲸鱼优化算法(MMO＿SOM＿WOA)。首先将鲸鱼优化算法首次用于求解多模态多目标问题，通过鲸鱼优化算法本身的随机性提高寻找Pareto解集完整性的能力。其次将自组织映射网络与鲸鱼优化算法相结合，迭代开始时为鲸鱼优化算法建立良好的邻域。最后使用精英反向学习策略初始化种群和非支配排序机制获得均匀且完整的解。通过与当前5种经典算法在多模态多目标优化问题上进行仿真对比，结果表明MMO＿SOM＿WOA算法兼顾Pareto解集的多样性和Pareto解的完整性，收敛速度和收敛精度均得到提升具有较高的性能，有效解决多模态多目标优化问题。     

含高比例风光新能源电网的多目标无功优化算法

为适应新能源大量接入电网的趋势,基于不同时刻的风速、光照强度、温度等气象条件信息,评估出风光新能源的无功调节容量,搭建了含高比例风光新能源参与调控的电网多目标无功优化模型。为快速获得电网中变压器分接头档位调节、无功补偿设备投切、传统发电机组电压调节以及风光的无功输出等控制措施的帕累托最优解集,采用寻优性能高效的多目标樽海鞘群算法（multi-objective salp swarm algorithm, MSSA）进行无功优化求解。为更客观找出电网线损、电压偏差、静态电压稳定裕度等不同目标之间的折中解,采用改进的理想点法进行多目标最优解集决策。最后,利用扩展的IEEE标准9节点和39节点算例进行仿真分析,并引入传统多目标智能优化算法来进行比较验证。仿真结果表明：与其他2种传统多目标智能优化算法相比,所提算法获得的帕累托前沿分布更广、更均匀;利用改进理想点法进行决策之后,可有效降低电网的线损和电压偏差,同时提高了电网的静态电压稳定裕度。     

用于多目标无功优化的自适应遗传算法

引入了自适应权重和因子及自适应罚函数的概念,提出了一种自适应遗传算法,将其应用于多目标无功优化问题的求解中。该算法能保证寻优方向的多向性,并能避免模糊隶属度算法耗时过长的缺陷。在寻优过程中,自适应罚函数法能有效利用不可行解的有用信息,对不可行解进行适度惩罚。IEEE14节点系统的算例结果表明所提出的算法是解决多目标无功优化问题的有效方法。     

SFOA算法在电力系统多目标无功优化的应用

电力系统由于无功分布不合理引起的事故越来越多。以系统网损、电压平均偏离、电压安全稳定裕度3个指标建立无功优化模型,引入了动态罚函数体现状态变量约束在优化过程的影响,并用个人偏好约束下的权值分配方法根据用户的需求对各个指标分配权值,采用SFOA算法求得电力系统多目标无功优化在可行域内的最优解。从SFOA算法和PSO算法运用于IEEE 30和IEEE 57节点系统优化结果比较表明:所提出的算法是可行有效的。     

利用强度Pareto进化算法的多目标无功优化

为更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,首次将强度Pareto进化算法(SPEA2)应用于多目标无功优化,为真正意义上的多目标无功优化提供了依据。SPEA2是一种新型的多目标进化算法,参数设置少,收敛速度快,寻优能力强,求得的Pareto最优解分布均匀。IEEE30节点测试系统的算例结果表明所提出的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。     

粒子群和变邻域差分进化搜索算法在多目标无功优化中的应用

目前很少研究多目标无功优化问题,而应用到多目标无功优化的多数智能算法容易陷入局部最优点.提出采用变邻域差分进化搜索与BPSO混合算法对网络无功优化,该算法具有并行处理特点、参数少容易控制、收敛速度快,很适合处理多目标无功优化问题,该算法不仅能够保证群体的多样性并且又能继承上一代的优越性,达到了多目标的要求,通过算例验证...     

基于多种群蚁群算法的多目标动态无功优化

为在负荷变动条件下提高动态无功优化控制变量的调节效率和满足全天动作次数的限制,将全天电能损耗最小、有载调压变压器分接头动作次数和电容器投切次数分别最少作为目标函数,建立新的多目标动态无功优化模型.针对该模型提出改进的多种群蚁群算法,利用多种信息素交换方式,满足动态无功优化多目标、强时空耦合的特点,避免了蚁群算法陷入局部最优解.通过对 IEEE14、IEEE 30系统计算验证模型和算法的可行性和有效性.结果表明:该模型和算法能够降低系统能量损耗,提高电压质量     

基于和声搜索算法的配电网多目标无功优化

首次将一种新型人工智能算法即多目标和声搜索算法(MOHSA)应用于配电网无功优化中,建立了以系统网损最小、无功补偿费用最低为目标函数的无功优化数学模型,考虑配电网的运行要求,以容性无功补偿的定容定址为控制变量。算法通过和声保留、音调调节和随机选择三种方式来更新和声解向量,同时基于非劣化排序,考虑拥挤距离,对和声记忆库优先筛选,确保求得Pareto前沿的非劣性与分布性,并采用理想点法选择工程最优解。最后采用IEEE-33节点系统,对算法的性能以及工程性进行测试,并与NSGA-II算法对比,结果表明了M OHSA在收敛稳定性、计算精度等方面具有一定优势。     

基于BSSSO算法的无功补偿容量优化方法

无功补偿容量的目标是将有功功率损耗降至最低且兼顾电压平衡。首先,针对无功补偿容量优化实际,建立考虑有功功率损耗、电压偏差、电压稳定性的多目标无功补偿容量优化模型;然后,提出基于鸟群算法（bird swarm algorithm,BSA）与混合牧羊人优化算法（shuffled shepherd optimization algorithm,SSOA）的鸟群牧羊混合优化（bird swarm shuffled shepherd optimization, BSSSO）算法,以优化无功补偿容量;最后,通过仿真算例验证了所提方法,结果表明所提方法性能优越,可以兼顾各指标平衡。