基于遗传算法的Pareto多目标配电网重构

配电网重构一般采用对单一目标优化,而配电网重构却是一个多目标优化问题。因此,在此提出了基于小生境思想的遗传算法,以配电网的经济性、安全性和供电可靠性为目标,并采用Pareto寻优方式,得出Pareto最优解集,实现了和以往不同的另一种寻优方式,即先寻优后决策。在寻优过程中,通过小生境环境和交叉率和变异率的自适应机制,提高了遗传算法的全局收敛能力和收敛速度,并通过算例验证了方法的有效性。     

配电网重构中遗传算法编码策略的研究

遗传算法由于其较强的鲁棒性,在配电网重构中得到了应用。遗传算法的编码策略对整个算法的计算效率有极大的影响,介绍了遗传算法(GA)在配电网重构中常见的几种编码策略,分析了它们的性能,并指出了有待进一步研究的问题。     

基于改进遗传算法的配电网无功优化研究

有效降低配电网有功损失是配电网安全、经济运行的重要课题。为解决局部地区网损偏大的问题,文中将改进的遗传算法用于无功补偿优化。在考虑配电网拓扑结构的同时,设计了自适应遗传算子并构造了指数型适应度函数来提升遗传算法收敛速度和精度,充分发挥了遗传算法的全局随机快速搜索能力。优化某16节点算例的结果表明,配电网有功网损由6.76%下降到5.16%,电压达标率从70.61%提高到92.86%,表明该方法能够提高全局寻优精度,改善区域网络电压质量,同时也证明了该改进遗传算法用于无功优化的可行性和实用性。     

基于模糊遗传算法的配电网无功补偿

文中首先介绍了通过模糊理论改进的遗传算法,然后建立了多目标配电网无功优化模型。遗传算法[1]的改进具体在选择操作上考虑了个体在种群中的浓度,在变异操作上加入了防止陷入局部最优的检验操作,有效解决了遗传早熟等缺点。用改进遗传算法求得补偿点的最优配置[2],从而在多种负荷[3]下运行的综合满意度达到最大。并将改进后的算法运用在具体的10 kV某一支路上,取得了非常好的实际应用效果。     

基于改进遗传算法的虚拟制造单元继承性重构调度技术

Aiming to the demand for efficiency and flexibility under multi variety and variable batch production and the problem that existing manufacturing units were difficult to support high quality consistency and efficiency of key parts under fragmented orders, a C_max and minimizing the difference of virtual manufacturing cell composition before and after reconfiguration, an improved genetic algorithm based on inherited reconfiguration decoding strategy was proposed, and a similarity calculation method between orders under known cell configuration and the original manufacturing cell was designed. It ensures the maximization of the manufacturing cell and carries out reconstruction by inheriting the configuration of the original manufacturing cell. Finally, the validity and feasibility of the proposed model and algorithm are verified by the actual production data of a photoelectric observation product.     

基于改进BAS算法的配电网多目标优化重构

天牛须搜索（BAS）算法存在早熟收敛、计算效率低下等缺点,文中提出一种改进BAS算法,并应用于解决配电网优化重构问题。首先建立以网络损耗、负荷均衡度、电压偏差以及系统供电可靠性为目标的数学模型;然后针对传统天牛须搜索算法易陷入局部最优,采用模拟退火的蒙特卡洛准则进行改进,提高了算法的稳定性和可重复性,并采用改进后的天牛须搜索算法对数学模型进行迭代求解,给出配电网最优重构方案;最后结合IEEE 69总线系统进行实例仿真分析,与未进行系统重构配置进行对比,所提算法减少了网络损耗,提高了系统运行的经济稳定性。     

配电网重构的背景和意义

本文简单阐述了在当前经济发展形势下配电网络的重要地位以及目前所存在的问题,简述了实现配电网络重构的方法以及优缺点,通过网络重构对配电网实时规划、调整系统结构,使其更经济,具有更优的电能品质,两者都具有极其重要的意义。     

基于遗传蚁群算法配电网重构

为应对分布式电源对配电网带来的变化,寻求更好的电能质量和网络损耗,以网损为目标函数,建立配电网重构数学模型。针对遗传算法的早熟现象和蚁群算法前期寻优速度慢的劣势,将遗传算法和蚁群算法进行融合,利用遗传算法快速全局寻优能力为蚁群算法提供所需的信息素对配电网重构问题进行寻优求解。为了克服二进制编码在处理配电网闭环建造,开环运行时带来维数灾,运用基于环网的自然数编码方式,通过节点度的大小来判断配电网的拓扑可行性。将含分布式电源接入IEEE33节点系统进行仿真,结果表明该算法具有较好的全局寻优能力和快速收敛速度。     

基于改进遗传算法的油田配电网无功优化

遗传算法是一种模拟生物进化过程的优化算法,可用来求解包含离散化变量的复杂优化问题.将遗传算法应用于油田配电网无功优化,并对常规遗传算法的编码方式、遗传算子以及终止判据等方面进行改进,提高了计算效率和全局寻优能力.通过对油田配电网的分析和计算,结果表明该改进遗传算法应用于油田无功优化是合理可行的,其优化效果优于传统遗传算法.     

基于改进遗传算法含风电场的配电网无功优化研究

针对基本遗传算法容易陷入"早熟",编程实现比较复杂,且交叉率与变异率大多依靠经验值等问题,提出了一种基于GA的改进的遗传算法,交叉概率与变异概率采用随个体适应度的值变化而变化的自适应取值方法,并且对控制变量采用随机多点交叉方式.研究了含风电场并网后对配电网网损的影响,分析了双馈风机的无功出力能力,将双馈风机作为控制变量参与到系统的无功优化中.并对风场的随机性与间歇性的特点,引入了风场随机出力的场景模型.以网损最小为目标函数,应用改进的GA算法对含风电场的IEEE33节点配电系统中进行了无功优化计算,并和基本遗传算法进行了对比,结果表明改进的GA有更好的全局寻优能力和搜索性能,证明了该算法的有效性.     

基于改进遗传算法的配网无功优化

针对配电网无功优化问题进行研究。以配电网络有功网损最小为优化目标,使用连接权重将配电网中的有功网络损耗、电压稳定性、补偿设备投入容量等多目标优化变为单目标优化。利用具有全局搜索能力的免疫算法与遗传算法相结合,从而提高了遗传算法的稳定性和适应性。最后通过IEEE 14节点的配网无功优化实例对所研究的改进遗传算法的优化模型进行分析。研究结果表明,使用改进遗传算法后的有功损耗相比常规遗传算法下降了0.28 MW,损耗降低率提高了1.37%,并且迭代次数明显降低,提高了优化的速率。     

遗传-蚁群算法的配电网状态估计

针对单一遗传算法或者蚁群算法无法获得理想配电网状态估计结果,根据组合优势互补原理,提出基于遗传-蚁群算法的配电网状态估计方法。首先对当前配电网状态估计现状进行分析,并构建配电网状态数学模型,然后利用全局寻优性能强的遗传算法对配电网状态数学模型进行求解,最后采用局部寻优能力强的蚁群算法对遗传算法的解进行精细搜索,得到配电网状态的最优估计值。实验结果表明,该算法综合利用了遗传算法和蚁群算法的优点,有效避免了两种算法各自存在的不足,获得了更优的配电网状态估计结果。     

一种基于PSO的改进型多智能体遗传算法

通过将多智能体系统加入基本的粒子群算法（PSO）,提出了一种新的函数优化方法——多智能体遗传PSO算法（MAGPA）。该方法将智能体固定在网格上,而每个智能体通过邻域的竞争和合作,随机交叉操作,变异操作,再联合PSO的进化机制,不断地感受局部环境,逐步影响整个智能体网格,以增强对环境的适应度。该算法可以有效地保持智能体的多样性,提高优化的准确性。     

基亏遗传算法的GM（1，1，λ）改进模型

研究表明,灰色GM（1,1）-N测模型中的背景值及建模序列光滑度对于模型的预测精度均有影响。针对这一问题,引入背景值构造参数入和三点平滑法,提出了基于三点平滑的GM（1,1,λ）改进模型,并利用遗传算法对引入的参数入进行了最优值搜索。最后通过实例和仿真证明改进模型优于现有的灰色模型,具有更高的模拟和预测精度。     

改进的遗传算法网络考试系统研究

在线考试系统中题库的智能组卷是考试系统体系质量的核心所在,在网络环境下如何确保试卷能快速、高效、科学的生成也是组卷的关键所在。本文采用遗传算法进行自动组卷,可以有效填补漏洞,极大提高效率,保证网上考试的公平、公正性。     

基于改进遗传算法的无线网络覆盖算法

考虑到传统的遗传算法在对无线传感网络覆盖进行优化时,存在起始阶段计算速度快,后期局部寻找最优解能力弱,不能充分使用系统反馈路径信息,使得算法会因冗余迭代而导致陷入局部最优解,影响优化效率和覆盖率等问题,将蚁群算法融合到遗传算法中,对遗传算法进行改进。通过不同覆盖范围和节点的三个实例进行优化效果分析,可知在小面积的覆盖范围内,以及节点个数较少时,该文研究的改进方法与传统优化方法的覆盖率和完成时间差别不大,但是随着覆盖范围的增大,节点个数的增加,该文研究的改进方法完成时间明显缩短,覆盖率明显增大,相比传统优化方法具有更大的优势。     

自适应双边界约束遗传算法的储位分配研究

在采用精英保留策略改进遗传算法的基础上,创新性地提出一种自适应双边界约束策略来改进遗传算法,使改进后的算法在提升搜索效率上效果显著,收敛性增强。实验数据表明,自适应双边界约束遗传算法应用于仓储管理的储位分配算法的寻优平均效率提升77.8%,寻优平均速度提升62.5%。