基于Pareto协同进化算法的多个FACTS元件协调控制

针对多个FACTS装置的控制器之间存在的负交互影响,提出一种基于Pareto协同进化算法的协调控制方法.利用协同进化算法对控制器参数进行种群划分,对各种群采用遍历组合法构造新的个体并计算目标函数值.采用多种群合作策略进行非支配排序,取排序后的最优个体进行遗传操作,最后得到一组Pareto最优解集.与常规多目标优化算法相比,避免了一般多目标优化进化算法中难以处理的适应度值的分配问题,且利用协同进化算法的并行性大幅提高了收敛速度.利用该方法对静止同步串联补偿器(SSSC)与静止同步补偿器(STATCOM)2种典型FACTS装置的协调控制器进行了设计,并通过仿真验证了设计的协调控制器的控制效果良好.     

基于模糊混合进化算法的多个FACTS元件协调控制

针对多个FACTS装置的控制器之间存在的负交互影响,通过将模糊理论、协同进化算法和免疫算法相结合,提出一种模糊混合多目标进化算法求解FACTS元件的协调控制问题。在求解过程中,利用模糊集理论建立模糊多目标优化模型,确定整体的优化目标。采用协同进化算法对各FACTS元件控制器的参数进行种群划分,以克服常规进化算法在问题规模扩大时易于出现的早收敛现象。在优化过程中,结合多种群合作策略和免疫算法保持解的多样性,最终得到控制参数的Pareto最优解集。对静止同步串联补偿器与静止同步补偿器2种FACTS装置的控制器进行了协调设计,仿真结果表明,与常规进化算法相比,所提方法能同时实现影响分析与参数优化功能,且收敛快速,稳定性好。     

基于多目标粒子群优化算法的UPFC协调控制

针对UPFC多个控制器间的负交互影响,将UPFC的多个功能控制器之间的协调问题转化为多目标优化问题,提出采用一种新颖的多目标粒子群优化算法（MOPSO）进行控制器的参数优化。介绍MOPSO算法的基本原理和实现过程,进行算例计算,并且与多目标进化算法（MOEA）进行比较分析。时域仿真验证了采用所提出的协调控制策略可以得到快速收敛并且良好分布的Pareto解集,从而有效消除控制器间的负交互影响,取得满意的控制性能。     

基于多目标粒子群优化算法的UPFC协调控制

针对UPFC多个控制器间的负交互影响,将UPFC的多个功能控制器之间的协调问题转化为多目标优化问题,提出采用一种新颖的多目标粒子群优化算法(MOPSO)进行控制器的参数优化.介绍MOPSO算法的基本原理和实现过程,进行算例计算,并且与多目标进化算法(MOEA)进行比较分析.时域仿真验证了采用所提出的协调控制策略可以得到快速收敛并且良好分布的Pareto解集,从而有效消除控制器间的负交互影响,取得满意的控制性能.     

基于多目标进化算法的TCSC非线性控制器设计

提出了一种利用多目标进化算法设计可控串联补偿（TCSC）非线性稳定控制器的方案，设计目标是选取合适的控制器参数，达到提高电力系统暂态稳定性的效果。将非线性控制器反馈增益的选择归结为参数优化问题，并且在优化过程中同时考虑电力系统响应的多项性能指标。采用该方法优化的非线性控制器参数可以较有效地阻尼电力系统振荡。     

基于多目标进化算法的TCSC非线性控制器设计

提出了一种利用多目标进化算法设计可控串联补偿(TCSC)非线性稳定控制器的方案，设计目标是选取合适的控制器参数，达到提高电力系统暂态稳定性的效果。将非线性控制器反馈增益的选择归结为参数优化问题，并且在优化过程中同时考虑电力系统响应的多项性能指标。采用该方法优化的非线性控制器参数可以较有效地阻尼电力系统振荡。     

基于多目标进化算法的TCSC与SVC控制器协调设计

以可控串补(TCSC)与静止无功补偿器(SVC)两种FACTS装置为研究对象,通过理论分析 指出了TCSC与SVC联合运行时不同控制目标间的矛盾,并通过一多机系统时域仿真实例,介绍 了TCSC与SVC控制器之间存在的交互影响。仿真表明:单独设计且运行良好的SVC与TCSC 控制器,并不能保证两者同时投运工况下控制器的性能。将FACTS功能控制器的协调问题转化 为一多目标优化问题,采用多目标进化算法(MOEA)优化控制器参数,得到一组Pareto优化解集, 时域仿真验证了协调控制器的控制效果良好。     

基于NSGA-Ⅱ算法的PSS多目标优化设计

电力系统稳定器(PSS)能够很好地抑制电力系统低频振荡,其参数的整定尤为重要。一般处理方法是将系统状态矩阵特征值实部和阻尼比分别加权转换成单目标问题,进而用优化算法对PSS控制器参数进行优化,而权重的选取对参数影响极大。以特征值实部和阻尼比作为两个目标,用NSGA-Ⅱ多目标进化算法优化处理,最后与传统的遗传算法相比较。仿真结果表明,采用NSGA-Ⅱ算法设计的PSS控制器,可以有效地阻尼电力系统低频振荡。     

快速多目标无功优化方法在实际系统中的应用

多目标进化算法（MOEA）已经被应用到电力系统无功优化这一问题的求解,但是由于MOEA算法需要相当长的寻优时间,同时其优化结果针对性不强,因此难以用于电网的无功电压自动实时控制。将以ε-支配域为基础的多目标优化方法应用到实际系统的无功电压自动实时控制中,该方法包括多目标模糊评价函数、自适应ε-MOEA优化算法以及后评价模糊控制器。通过在一个实际35节点系统上的应用,验证了所提方法的有效性与实用性。     

基于进化算法的鲁棒控制研究进展

进化算法是增减自然遗传学机理基础上的参数搜索方法,本文综述了近年来基于进化算法的鲁棒控制系统设计方面的研究情况。首先简单介绍了进化算法及其改进,讨论了进化算法以及传统优化方法的优点和不足;然后阐述了如何将进化算法应用到不同的鲁棒方法当中,论述了进化算法在控制系统鲁棒性设计,同时镇定控制、Ｈ＾∞次优控制器设计、Ｈ＾∞权函数选择、特征结构配置、μ综合理论以及定量反馈理论中的应用成果;最后指出今后进一步