一种求解大规模机组组合问题的混合智能遗传算法

针对传统的采用二进制编码的遗传算法在求解大规模机组组合问题时收敛速度慢、易早熟等问题,作者结合机组组合问题的特点,提出了一种混合智能遗传算法.该算法以机组状态作为个体编码,结合启发式方法的自适应智能变异算子求解目标函数,显著缩小了求解问题的规模,保证了群体多样性,提高了算法的搜索效率,改善了算法的收敛性.仿真计算结果表明了该算法的有效性和实用性.     

基于搜索+调整的两阶段萤火虫算法求解机组组合问题

提出了一种新颖的基于搜索+调整的两阶段萤火虫算法求解机组组合问题。算法将机组组合求解流程分解为具有离散变量和连续变量的两个优化问题,通过二进制编码的萤火虫算法求解含离散变量的机组启停主问题,利用改进的实数编码萤火虫算法解决连续变量的负荷经济分配子问题,采用调整策略校核和修复约束,实现主子问题的交替迭代求解。算法通过启发式的约束调整策略,以及两种编码方式实现了离散变量和连续变量的分解优化,提高了机组组合问题求解的效率和精度。通过对6个不同规模算例的计算及与其他经典算法的对比,验证了所提算法的有效性和优越性。     

基于粒子群修正策略的机组组合解耦算法

机组组合问题是电力系统优化运行的一个难点,理论上难以得到最优解。提出了一种基于粒子群修正策略的解耦算法。首先采用集结投影次梯度的拉格朗日松弛算法得到机组组合的对偶解;然后依据对偶信息中的备用乘子及对偶组合状态建立粒子群优化空间;而后利用无约束的标准粒子群优化算法实现拉格朗日乘子的局部更新,通过粒子的调整和粒子间信息的传递改变机组启停,进而修正拉格朗日对偶解,最终得到机组组合问题的近似最优解。6个系统的仿真计算验证了该方法的求解速度及计算精度。     

面向启发式调整策略和粒子群优化的机组组合问题

提出一种启发式调整策略和粒子群优化相结合的新方法求解电力系统中的机组组合(UC)问题.算法将UC问题分解为具有整型变量和连续变量的两个优化子问题,采用离散粒子群优化和等微增率相结合的双层嵌套方法对外层机组启、停状态变量和内层机组功率经济分配子问题进行交替迭代优化求解.同时构造了关机调整和替换调整两个启发式搜索策略对优化结果进行进一步局部微调以提高算法解决UC问题的全局寻优能力和计算效率,从而有效改善解的质量.以10～100台机组组成的5个测试系统为算例,通过与其他算法结果进行比较分析,验证了该方法的可行性和有效性.仿真结果表明该方法解决大规模机组组合问题具有求解精度高和收敛速度快的优势.     

基于改进二进制粒子群算法的电力系统机组组合

提出了1种改进的BPSO(二进制粒子群)方法求解机组组合问题.首先,利用优先顺序法确定初始的机组组合,根据这个结果,确定优化窗口的范围,在此范围内利用BPSO进行求解.在每次迭代过程中,通过启发式的调整策略使每代中的粒子都满足约束条件.在经济负荷分配问题上,采用经典的拉格朗日乘子法结合二分法进行求解,大大提高了求解效率.最后将所得结果与其他算法所得结果进行比较,证明所提方法有较强的优越性和实用性.     

基于遗传算法的随机机组组合问题求解

为考虑不确定性负荷对机组组合问题的影响,通过情景分析法引入一系列的情景对不确定性负荷进行建模,建立了随机机组组合问题的数学模型。采用遗传算法求解该优化问题,可自行满足情景簇约束。通过改进初始种群产生方式和变异算子,引进局部搜索算子对遗传算法进行改进,增强了算法的搜索能力。计算结果显示了随机机组组合问题的数学模型和改进遗传算法求解方法的有效性。     

基于矩阵实数编码遗传算法求解大规模机组组合问题

该文提出了一种采用矩阵实数编码遗传算法(MRCGA)进行机组组合优化的新方法：采用矩阵实数编码方式对整体发电计划进行编码后，可直接运用遗传操作求解机组组合问题，避免将其分解成机组启停安排和经济负荷分配的两层优化问题进行求解；采用多窗口变异技术，增强了算法的搜索能力。此方法提出了一种新的个体调整方法，可以处理各项约束条件，保证了结果的可行性。文中通过2个算例及与其它算法的对比分析，验证了所提出的方法在大规模机组组合问题求解时具有很强的适应性和全局搜索能力。     

改进的拉格朗日松弛法求解机组组合问题

提出了一种求解机组组合问题的改进拉格朗日松弛算法.与现有此类方法相比,此算法进行了以下三个方面改进:基于启发式排序法得到较优的拉格朗日乘子初值;改进了动态规划求解单机问题时的累计费用以获得更优的机组启停决策;采用自适应性次梯度法结合集结投影次梯度法的联合优化策略加快算法收敛速度.10机到100机的6个算例表明,自适应性次梯度法和集结投影次梯度法的联合优化策略更易跳出其单一策略时的振荡现象,从而加快收敛.     

基于二进制微分进化算法和目标函数分解的大规模机组组合求解

为了避免在机组组合求解过程中将机组启停计划和负荷经济调度两者形成内外双层嵌套求解,从而导致计算比较耗时的问题,引入启运机组的总平均燃料成本和系统旋转备用剩余量这2个可调节的子目标,将传统的机组组合模型分解成2个独立的优化目标,构建了一种基于目标函数分解的二阶段可独立求解的机组组合模型。采用一种改进的二进制微分进化算法对第一阶段的机组启停计划目标进行求解,对每个代表机组启停状态的个体编码采用机组最小启停时间约束、旋转备用约束、机组去组合等处理机制,有效保证了每个解的有效性并缩小了算法的搜索空间。根据求解得到的机组启停状态,采用半定规划法求解第二阶段的负荷经济调度目标。采用经典的测试算例验证了所提方法在大规模机组组合求解中的有效性。     

基于改进飞蛾扑火算法的单时刻参数可变机组组合优化

机组组合属于高维、离散、非凸的混合整数非线性规划问题,具有NPhard特点。提出结合二进制粒子群算法与混沌飞蛾扑火算法的单时刻参数可变机组组合优化方法,将总时刻机组组合问题依次、逐一分解为单时刻启停状态主问题与单时刻经济分配子问题,对主、子问题分别运用二进制粒子群算法与改进飞蛾扑火算法进行交替迭代求解以提升求解速率。运用参数可变策略与优先次序法概率调整策略对算法参数及候选解进行修正,以提升算法运行效率及候选解质量。测试结果表明,本文所提方法具有良好的运算速率及收敛精度,能有效求解大规模机组组合问题。     

电力系统PMU安装地点选择优化算法的研究

将进化衰减因子引入了遗传算法,构造了一种新的自适应遗传算法。新算法在进化过程中能够同时根据个体适应度和进化时间的变化自动调整交叉与变异概率,克服了遗传算法易早熟的缺点,提高了最优解的多样性,加快了算法寻优速度。精英个体保留策略保证了整个算法的全局收敛性。算法约束条件处理采用了不可行解启发性修复方法,保证了全部优化结果都被严格限定在了满足约束条件的解空间内。基于图论的深度优先搜索方法用于系统可观性分析。将新的自适应遗传算法应用于优化PMU安装地点选择,实现了安装地点最少,而整个系统可观的目标。该算法已在某省     

考虑系统阻尼和频率特性的机组参数优化策略

波动性、随机性风电的大规模并网降低了系统的阻尼水平和频率响应性能,制约了风电渗透率的进一步提升。高风电渗透率场景下,火电机组的惯性时间常数对系统动态稳定特性和调频特性有相矛盾的作用。为了实现系统的综合特性最佳,文中提出了一种通过需求层次分析模型确定协调优化目标函数中各指标的权重系数,进而对机组参数进行优化选择的策略。该策略能够实现对系统不同性能进行侧重性优化,可以在不降低系统动态稳定水平的前提下提高系统的调频能力。仿真结果表明该策略能不同程度地提高系统的阻尼和调频能力,并且在不同渗透率水平下优化效果稳固可靠,增强了电网的外送能力和消纳风电的能力。     

改进的混合蛙跳算法性能分析及其在电力系统经济调度中的应用

针对基本混合蛙跳算法收敛速度慢,优化精度低的问题,提出了改进的混合蛙跳算法:通过引入自适应因子,保持了算法开发与探索的平衡,维持了种群的多样性,提高了个体向局部最优或全局最优个体学习的能力,加快了算法的收敛速度。通过对4个测试函数和电力系统中经济调度问题进行优化实验,并与基本混合蛙跳算法和相关文献中的改进算法进行比较,实验结果表明所提出的改进算法取得了更加理想的运算结果,具有更好的优化性能。     

200 MW机组汽包水位保护系统改造

针对大庆油田热电厂200MW机组汽包水位保护系统长期无法投入运行的问题,对汽包就地取样装置和水位保护系统进行了改造,解决了水位保护一次测量系统优化配置问题,消除了锅炉汽包水位计测量误差,为运行人员提供准确的水位指示,有效地防止锅炉汽包满水和缺水事故发生。     

改进差分进化算法优化多值属性系统诊断策略

测试序列优化问题是故障诊断过程中的关键性问题;针对多值属性系统的测试序列优化问题,采用自适应差分进化算法,结合多值属性系统的特点,分析变异算子在算法中的作用,并设计了个体的编码策略以及两种不同的诊断方式,提出一种将高斯,柯西变异算子与多差分策略进行融合的差分进化算法;通过实验对比分析,结果表明该算法不仅可以很好的应用于多值属性系统,而且在处理二值属性系统的测试序列优化问题时,与已有算法相比,该算法得到的测试点数目更少,期望测试代价更低,可用于多值属性系统求解诊断策略问题。     

小生境遗传算法在无功优化中的应用研究

在基本遗传算法（SGA）的基础上,引入生物学中小生境的概念,制定了初始种群生成方法,以保证个体的多样性,从而形成可用于电力系统无功优化的小生境遗传算法.应用此算法时,可用共享度改变个体的适应值,同时加速淘汰适应值低的个体,提高每一代个体的平均适应值水平,以减少迭代的次数.运用IEEE6节点系统和168节点实际电网进行计算的结果表明：在优化条件相同时,该算法的迭代次数明显少于基本遗传算法,提高了无功优化的收敛速度.     

电力系统无功优化的二次变异遗传算法

在自适应遗传算法的基础上引入优良个体池和二次变异操作,提出了用于电力系统无功优化和电压控制的二次变异遗传算法。该方法建立一个与群体规模等大的优良个体池,用于保存个体编码、适应度等详细数据。每计算完一代,将该代的个体与优良个体池中的个体进行生存竞争,因此优良个体池中保留了历代计算的优良个体,下一代的群体从优良个体池中选择。考虑到遗传操作后存在大量相同个体,检出重复个体进行二次变异,产生邻近的个体,避免了重复计算而且增强了算法的局部搜索能力,加快了算法的收敛速度。该方法和自适应遗传方法用IEEE30节点系统为例计算,结果表明:使用二次变异自适应遗传算法优化的网损平均值更低,寻优性能更好,优化的网损值集中在小的区间。     

多目标无功优化的向量评价自适应免疫粒子群算法

为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。     

基于自适应进化规划的电力系统负荷预测综合模型

电力系统负荷预测受很多不确定因素的影响,往往单一预测模型反映的只是某一个或某几个不确定因素,在几个单一模型的基础上建立综合预测模型是降低这些影响、提高预测精度的有效途径。提出了运用自适应进化规划方法建立电力系统负荷预测综合模型,并对进化规划的变异操作、适应度计算及竞争选择方案进行了研究。通过对某地的年用电量进行预测分析,并与传统的基于“直接搜索寻优”法建立的综合预测模型进行比较、分析。结果表明,该方法具有全局寻优、自适应性强、通用笥好等优点,预测精度也有了很大提高。     

基于自适应模型预测控制的区域能源互联网两阶段协同调度

为解决系统内风光可再生能源及冷热电负荷的不确定性造成的运行困难,实现机组出力的精确化和平滑控制,提出一种基于自适应模型预测控制的两阶段区域能源互联网协同优化策略,将优化调度分为日前和日内两个阶段。在日前调度阶段,以总运行成本最小为目标建立系统经济调度机组组合模型;在日内优化阶段,采用自适应的模型预测控制方法,基于各机组的实际运行状态,以前一阶段优化调度出力为参考,对未来有限时域内系统各机组运行状态进行实时滚动修正,消除不确定性的影响,确保系统的稳定运行。算例分析验证了所提出模型及方法的有效性和可行性。