自适应免疫遗传算法及其在区域电力系统最优备用容量计算中的应用

充分利用区域互联电力系统在紧急情况下可以互相支援互为备用的特点,建立了区域电力系统的最优备用容量数学模型,该模型采用基于最小发电成本函数和最小网损函数组成的归一化最小综合经济成本作为目标函数.针对问题的具体特点,运用自适应免疫遗传算法求解最优备用容量,利用图论中的最大支撑树概念,采用自动产生可行解的编码策略对染色体进行编码,以及交叉、变异概率的自适应选取,在IEEE30节点测试系统上的仿真结果验证了所提模型的合理性、所提方法的可行性.     

区域电力系统最优备用容量模型与算法

建立实现备用容量最小的区域互联电力系统最优备用容量数学模型,推算多区域互联电力系统的联络线功率增量方程,以及区域互联电力系统频率偏差与区域备用容量的关系表达式。针对问题的具体特点,运用自适应免疫遗传算法对该模型进行求解,充分考虑频率偏差、负荷的随机波动以及区域互联系统运行的各种可靠安全约束,分别对独立的电力系统以及通过交直流联络线互联组成的区域电力系统进行仿真计算,可得到一天中24个时段的弹性备用容量。独立电力系统的算例表明：随着电力系统规模的扩大以及装机容量的逐步增大,最优备用容量占最大负荷的比例会逐步减小,可以减小0.395%~9.366%。对区域互联系统的算例表明：当区域系统互联时可以在一定程度上减小区域系统的备用容量,互联区域系统比各个独立系统的备用容量要减少1.036%~1.858%,节约了互联区域电力系统的成本,在一定程度上提高了区域互联系统运行的经济性。实例计算结果验证了所提模型的合理性、所提方法的可行性。     

基于Multi-AIGA算法的区域电力系统最优备用模型

在满足系统运行等约束条件下,建立了区域电力系统的最优备用容量数学模型,该模型采用基于最小发电成本函数和最小网损函数组成的综合经济效益最大作为目标函数.针对问题的具体特点,运用多种群自适应免疫遗传(Multi-AIGA) 算法求解最优备用容量,并给出利用该算法解决这一问题的主要步骤,利用图论中的最大支撑树的概念,采用自动产生可行解的编码策略对染色体进行编码,以及交叉、变异概率的自适应选取,在IEEE-新英格兰10机39节点测试系统上的仿真结果验证了所提模型的合理性、所提方法的可行性.     

含风电场的互联电力系统备用容量优化

针对风电并网所带来的电力系统备用容量需求增大的问题,提出了含风电场的互联电力系统备用容量优化模型。在机会约束规划的框架下,以互联系统备用容量最小为目标,综合考虑风电出力和负荷预测偏差、发电机组故障停运等不确定因素,建立了计及各子系统备用资源特点的机会约束模型,并量化了共享备用的容量和调用过程;采用基于Monte-Carlo 随机模拟的遗传算法对模型进行求解。算例分析结果表明,该方法能够在保证系统安全稳定的前提下,有效降低系统备用容量配置。     

基于改进遗传算法的区域旋转备用容量的优化

在改进遗传算法的基础上,提出了区域购买旋转备用成本最小的数学模型和求解方法。模型按照备用交易“协调运作”、备用价格按区域统一边际价格结算并计及了联络线传输容量上下限、备用机组提供容量上下限、旋转备用爬坡率等约束条件。算例表明本算法能更加有效地达到或接近全局最优解,区域备用容量在优化后降低了获取的备用容量,充分体现了区域间的备用支持,优化了各地的电力资源。     

免疫遗传算法在舰船电力系统供电恢复中的应用研究

针对舰船电力系统供电恢复中的问题提出了一种新的免疫遗传算法，引入了新的免疫算子，通过计算基因座信息熵来快速、准确地判断、调整群体多样性，讨论了控制参数在进化过程中的作用以及利用系统信息提取疫苗及接种的方法，将舰船电力系统多目标故障恢复问题简化为单目标计算的免疫选择机制，给出了免疫算子的构造方法及参数选择方案。理论分析及实例表明，该算法改善了遗传算法的性能，提高了收敛速度，避免了不成熟收敛，能有效地提高供电恢复的速度及精度，较好地实现了舰船电力系统的多目标故障恢复。     

遗传算法及其在电力系统中的应用

遗传算法是一种基于达尔文进化论思想和遗传学的新的优化算法，主要应用于优化问题和规则的获取。它也是一种模拟进化的程序设计方法。介绍了遗传算法的基本原理，给出了关键参数的选取准则，简要介绍了它在电力系统和电路理论中的应用，并对这一算法进行了展望。     

改进自适应遗传算法用于电力系统无功优化

为了克服自适应遗传算法早熟现象和改善收敛速度,在自适应遗传算法中引入二次变异操作。考虑到遗传操作后存在大量相同个体,捡出这些重复的个体进行二次变异,产生邻近的个体,这种方法不仅避免了重复计算而且增强了算法局部搜索能力,并且改善了算法的收敛性。通过对IEEE30节点系统进行计算测试,验证了该算法的合理性和可行性。     

遗传算法在电力系统无功优化中的应用综述

遗传算法是一种通过在整个解空间多渠道同时搜索以找到全局最优解的寻优方法，已经在许多复杂优化问题上被证明是一种相当有效的方法。为此，就遗传算法在电力系统无功优化中的应用进行了介绍，并提出了遗传算法在大规模电力系统无功优化计算中的改进措施。     

遗传算法及其在电力系统中的应用

遗传算法是一种基于达尔文进化论思想和遗传学的新的优化算法，主要应用于优化问题和规则的获取。它也是一种模拟进化的程序设计方法。介绍了遗传算法的基本原理，给出了关键参数的选取准则，简要介绍了它在电力系统和电路理论中的应用，并对这一算法进行了展望。     

基于改进免疫遗传算法的电力系统无功优化

针对无功优化问题的特点,在现有免疫遗传算法基础之上,提出一系列改进措施,形成了一种新的解决无功优化问题的改进免疫遗传算法。该算法将免疫遗传算法中常用的二进制编码改进为整、实数混合编码,提高了计算速度与精度;将通常的选择、变异操作与进化代数相联系,形成具有动态调整功能的改进Boltzmann退火选择、非均匀变异算子,提高了算法的全局收敛性,加快了计算速度;引入疫苗接种概念,有效地抑制了算法在进化过程中出现的退化现象,进一步加快了算法的收敛速度。以IEEE30节点系统为例对该改进算法的性能进行了测试,结果表明了该算法的有效性和可行性。     

基于改进遗传算法的电力系统无功优化

将遗传算法应用于电力系统无功优化。针对传统遗传算法中存在的易陷入局部最优解和后期收敛速度慢的问题,在简单遗传算法（SGA）的基础上,提出更加有效的算法即改进遗传算法（IGA）。新算法结合灵敏度分析产生原始个体替代SGA。SGA 的交叉和变异被改进,改进的交叉操作拥有快速局部调节能力,改进的变异操作引入灵敏度分析产生新的个体。所提算法在一个算例上进行了分析验证。     

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。     

求解动态无功优化问题的混合免疫遗传算法

无功优化是电力系统运行中提高经济性和电压安全性的重要措施,为防止静态无功优化可能导致无功控制设备的频繁操作,考虑并联电容器投切组数和有载调压变压器变比档位的调节次数约束,建立了电力系统动态无功优化模型。提出免疫遗传算法与非线性内点法相结合的混合算法进行求解,其中免疫遗传算法处理离散变量,非线性内点法处理连续变量,并在免疫遗传算法中设计独特的编码方式,使抗体能够自动满足动态约束。采用IEEE14系统的24时段无功优化问题进行仿真计算,动态无功优化后离散控制设备的调节次数很少,有功损耗比静态优化结果仅有轻微增加,算例结果验证了混合免疫算法的有效性。     

基于改进遗传算法的CPS任务分配方法

信息物理系统(CPS)已经成为近年来计算机、传感器等科学研究的热点.由于任务分配的优化程度直接影响到整个系统的性能,该研究已成为CPS系统研究过程中的关键问题.针对这一问题并考虑到传统方法在任务优化性能及效率上的不足,引入并改进遗传算法,提出了一种基于改进遗传算法的CPS任务分配方法.通过动态的变异算子及变异操作保持群体的进化特性,克服了标准遗传算法(SGA)交叉操作中较大的盲目性与随机性.实验结果表明,改进的遗传算法在任务分配的收敛速度和效率上都比标准遗传算法有较大程度的提高,平均收敛速率提高了20%.     

基于多线程遗传算法的目标分级地区电网电压无功优化控制

地区电网的无功优化控制要求实时的准确性,方案的准确性、计算及时性以及控制的快速性必须要满足电网的需求。针对以上要求提出了适合地区电网的多线程遗传算法的目标分级地区电网无功优化控制。采用多线程灵敏度计算、定空间灵敏度选择遗传算法的初始种群,交叉概率采用模糊自调整,变异概率采用相似度。分关口多线程的改进遗传算法优化计算,提高收敛速度,分级考虑控制目标,分关口并行遥控,结合某地区电网实例进行分析表明方法可行,所提方法满足当前地区电网无功优化控制的实时需求。     

基于加权半方差的含风电电力系统旋转备用效益研究

在考虑系统旋转备用的容量成本和能量成本、因购买旋转备用而减少的停电损失,以及旋转备用效益的离散程度的基础上,引入风险偏好系数,并采用证券投资组合中的加权半方差度量风险。以期望旋转备用效益最大和风险最小为优化目标,建立基于加权半方差的含风电电力系统旋转备用效益-风险模型。采用蒙特卡洛模拟法模拟实际负荷功率偏差和风电出力预测偏差,并通过多目标纵横交叉算法求得期望旋转备用效益-风险有效前沿和日前旋转备用计划,以及风险偏好系数、可靠性水平、预测偏差、失负荷损失价格、旋转备用价格对期望旋转备用效益和风险的影响。算例验证了所提模型的合理性。