基于遗传和禁忌搜索混合算法的配电网重构

根据遗传和禁忌搜索算法的特点,提出了适用于配电网重构的混合算法.根据电力系统配电网重构的特点就混合算法的具体步骤进行了详细的描述,并提出了混合算法中早熟识别的具体方法、对按环编码变异进行了改进.该算法用于IEEE69节点系统的计算结果表明,混合算法用于配电网重构是可行的、有效的.     

基于混合算法的含分布式电源的配电网重构研究

为解决含有分布式电源的配电网重构问题,建立了以系统网损为最小目标的含分布式电源配电网优化模型。根据遗传算法、模拟退火算法和禁忌搜索算法的特点,提出了适用于含分布式电源的配电网重构的混合算法。将禁忌搜索算法和模拟退火算法的思想引入到遗传算法中,可以避开遗传算法中存在的早熟收敛问题,跳出局部最优解,逐渐收敛到全局最优解,同时减小了迭代次数,提高了算法的效率。该算法用于IEEE 33节点系统的计算结果表明,混合算法用于含分布式电源的配电网重构是可行的、有效的。     

基于类电磁机制算法的配电网重构

针对多目标非线性整数规划的配电网重构问题,提出基于类电磁机制算法（Electromagnetism-like Mechanism,EM)的配电网重构。根据配电网的特点就该算法的具体步骤进行了详细的描述,并设计了电荷量算子、矢量力算子。算法利用吸引、排斥机制来引导粒子更新搜索方向,同时对算法的种群移动模型进行了改进,防止算法的早熟。该算法用于IEEE33节点和IEEE69节点系统的计算结果表明,类磁机制算法用于配电网重构是可行的、有效的。     

混沌遗传混合算法在配电网重构中的应用

指出网络重构是配电系统运行和控制的手段,也是配电管理系统的重要内容。考虑配电网运行特点,建立了以有功网损最小为目标的配电网重构数学模型,并计及潮流、电压、容量及辐射状运行等约束条件。针对该模型的特点,采用一种新型混沌遗传混合算法对配电网进行重构计算,该算法既具有遗传算法的全局性和并行性,又具有混沌搜索的遍历性和快速性。将该算法用于IEEE33节点系统重构计算,并与重构前、单一遗传算法重构结果进行比较,证明了所提出混沌遗传混合算法的有效性和快速性。     

基于混合算法的多目标配电网重构

配电网重构是配电管理系统的重要内容,从本质上讲,它是一个非线性组合优化问题,若采用传统的遗传算法处理,由于其易于陷入局部最优解和随着配电网规模的扩大搜索效率低的问题,难以得到理想结果。提出一种混合算法来处理配电网重构问题,根据遗传算法和粒子群算法各自的原理特点,将遗传算法和粒子群算法相结合,充分地利用粒子群算法的快速性、随机性、全局收敛性,较好地解决了遗传算法用于配电网重构时的缺点和不足。理论分析和算例表明,该方法高效可行,适合配电网自动化的实际应用要求。     

基于BPSO和育种算法的配电网重构

分析了配电网络运行时的特点,在满足运行和安全约束的前提下,将目标函数设定为以系统有功功率损耗最少,并针对二进制粒子群算法的缺点,加入了育种算法,采用育种算法和BPSO算法相结合的混合算法对配电网进行了重构.对IEEE33节点系统进行配电网重构求解的算例表明,提出的混合算法在降低迭代次数地同时,提高了计算效率和速度,对配电网重构是有效的.     

基于差分变异的混合蛙跳算法在配电网重构中的应用

提出了一种基于差分变异的混合蛙跳算法进行配电网重构。采用基于十进制环状编码方法解决了二进制编码产生大量不可行解的问题。给出了十进制环状编码的变异和选择策略,同时结合蛙跳算法的分组更新特点。应用该算法对IEEE33节点和PGE69节点网络进行配电网重构仿真,结果表明,该方法能有效降低配电网损耗。     

基于模拟退火——二进制粒子群优化算法的配电网重构

提出了将模拟退火算法与二进制粒子群算法相结合的用于配电网重构的优化算法。该算法既发挥了粒子群算法收敛速度快的特点,又因为引入的模拟退火算法具有的较强的跳出局部最优解能力,因此有效地避免了粒子群算法易陷入局部极值点的缺点,提高了进化后期算法的收敛速度和精度,并应用IEEE16节点系统的算例,验证了模拟退火-二进制粒子群混合算法在配电网重构中的可行性和有效性。     

基于混合优化算法的配电网动态重构研究

本文提出了一种混合了混沌粒子群与教学优化的算法来解决配电网动态重构问题。建立以网络损耗最小,开关操作次数最少的运行费用模型。将配电网络的损耗和电压偏差这两个指标通过归一化处理形成一个综合指标,并设定最大标准差及系统最大重构次数,确定重构时段。所提出的方法结合了混合粒子群优化算法和教学优化算法的特点成为了一种更有效率的全局优化算法。为了在配电网动态重构中可以动态调整惯性参数,在一般的粒子群算法中引入了混沌理论,同时具有教学优化的混合算法可以保证初始种群的多样性和防止过早收敛,提高了算法寻优的能力。最后使用了IEEE 33节点配电网测试系统证明了所提算法的合理性与有效性。     

基于环网编码和混合智能优化算法的配电网重构

针对配电网重构中基本遗传算法的编码效率低及单一智能算法存在的问题,提出了一种基于环网的编码方案及将克隆遗传和蚊群算法进行融合的混合算法.该方法利用基于环网编码的克隆遗传算法的随机搜索能力强、编码效率高等特点形成蚁群算法的初始信息素分布,依靠蚂蚁算法的并行性、正反馈机制和全局收敛能力进行求解.以含分布式电源的IEEE33节点系统为算例进行验证,实验结果证明了环网编码和混合智能优化算法在配电网重构中的有效性.     

基于改进生物地理学算法计及可靠性的配电网重构

配电网重构是一个多目标、多约束条件的非线性优化问题。在重构过程中,文章综合考虑了系统的经济性和可靠性因素。建立了Pareto多目标重构模型,并运用一种改进的生物地理学优化算法来处理配电网重构问题,避免了加权多目标优化算法解决此类问题而过分依赖个人主观经验的情况。另外,Pareto多目标数学模型的引入使算法更具有实际的工程意义。通过IEEE33节点系统的仿真结果验证了算法的可行性。     

考虑电动汽车有序充电的配电网重构

考虑到电动汽车用户会响应峰谷分时电价的政策,做出改变电动汽车充电方案的决定,使电动汽车无序充电变成可规划、可预测的有序充电。在此基础上,用户对峰谷分时电价不同的响应度对配电网重构会产生怎样的影响是文中重点探讨的问题。文中的数学模型式以配电网重构费用损失最低为目标,提出一种混合的粒子群蚁群算法用于求解论文提出的问题。对IEEE33节点系统进行仿真,首先验证了提出方法在配电网重构求解有效性;其次验证了电动汽车有序转移到电价谷时段充电能够有效减少配电网重构费用损失,且用户响应度越高,配电网重构费用损失越少。     

基于改进分层前推回代法的含分布发电单元的配电网重构

在简化配电网拓扑的基础上,应用混合粒子群算法对含分布发电单元的配电网重构问题进行求解。采用10进制编码进行简化求解,提出了基于节点–分层关联矩阵进行智能网络拓扑识别及分层前推回代的潮流计算方法。该方法可适应动态计算配电网潮流的需要,为实时动态重构提供新的思路。在网络重构中引入分布式电源,大幅降低了网损,对节点电压有较好的支撑作用。IEEE 33节点算例验证了该方法的有效性和合理性。     

配电网动态重构算法及时段划分研究综述

配电网重构是配电系统降损最基本、最有效的方法之一,动态重构更是贴近工程实际应用。文章阐述配电网动态重构模型及约束条件,着重描述配电网动态重构算法,对各类算法优缺点进行综述,并得出混合算法可作为配网重构的研究方向;总结了配电网动态重构时段的划分方法,将重构时段按照负荷特性和电价特性两种方式进行划分;指出当前配电网动态重构文献所存在的缺点并对此进行展望。     

基于蚁群禁忌搜索混合算法的配电网重构

介绍了以最小化配电网网损为目标函数,以网络拓扑约束、潮流约束、运行约束以及辐射状约束为约束条件,在基本蚁群算法基础上的改进型蚁群禁忌混合算法在配电网重构中的应用,在IEEE 69节点系统的计算中,蚁群禁忌混合算法与禁忌算法相比提高了优化效果,从而证明了蚁群禁忌混合算法的实用性。     

主动配电网多目标网络重构研究

本文提出了一种适用于主动配电网的多目标网络重构混合进化算法。选择目标函数为网损最小、供电可靠率最高,并在约束条件中考虑了分布式电源(DG)的出力约束,在可靠性计算中考虑了主动配电网中DG的计划孤岛作用;算法首先利用最优流模式算法(OFP)得到接近最优的局部最优解,再利用树形结构编码单亲遗传算法(TSE-PGA)搜索最优解;提出了适用配电网重构的TSE-PGA对应的移位、重分配操作算子;用改进非支配排序遗传算法(NSGA-II)的非支配排序策略对迭代过程的个体进行排序,最终得到Pareto前端解集。选择改进TPC 84节点算例验证所提出的混合进化算法,与其他算法的结果进行比较,证明了该算法的优越性。     

一种混合智能算法在电网优化中的应用

针对配电网络重构多为单一性能最优重构,提出了使配电网线损、负荷均衡、供电电压质量最佳的多目标配网优化模型.结合GA 中的进化思想和粒子群算法(PSO)中的群体智能技术,采用遗传粒子群混合算法寻优,通过随机权重方法来获得目标是Pareto前沿面的可搜索方向,体现出较GA和PSO更好的寻优性能.在此基础上制定的配网优化方案能够在保证配网呈辐射状、满足馈线热容、电压降落要求和变压器容量等的前提下,最大限度提高配电系统安全性和经济性.算例表明,该算法在求解性能和效率两方面都有比较显著的优势.     

基于CNN的配电网快速重构方法

针对现有配电网重构算法求解速度慢的问题,提出基于卷积神经网络(CNN）的配电网快速重构方法。首先,搭建基于配电网环路结构的多分支CNN模型,减少建模过程对配电网具体结构的依赖;其次,利用混合训练方法训练CNN模型,使模型具备对不同负载模式的配网进行快速重构的能力;最后,以IEEE33节点测试系统为例,验证所提方法的有效性。