基于量子粒子群算法的配电网分布式电源选址和定容

分布式电源优化布置与定容是智能电网发展中的重要课题之一,合理地对分布式电源进行选址和定容对于配电网规划非常重要。在研究分布式电源规划的基础上,建立了以有功网损最小为目标函数的优化模型,用罚函数法将分布式电源规划问题转化为无约束问题,并首次将量子粒子群优化算法应用到分布式电源选址和定容问题的求解中。对IEEE 33节点配电测试系统进行仿真计算,将仿真结果与标准粒子群算法进行比较,验证了量子粒子群算法具有一定的收敛性和适应性。     

进化规划算法在分布式电源选址和定容中的应用

在当今电力系统中,越来越多的分布式电源投入使用。分布式电源一般部署在配电系统负荷中心附近,分布式电源并入电网,对降低网损、维持电压稳定、保证供电可靠性、构建坚强智能电网等都具有十分积极的意义。为了达到上述的积极影响,很有必要对分布式电源的选址和定容进行深入研究。本文以降低网损为目标建立了目标函数,为了获取分布式电源的最优位置和容量,采用了进化规划算法,对IEEE69配电测试系统进行了仿真分析,结果表明该方法准确可靠,并将仿真结果和遗传算法进行了比较,验证了进化规划算法在分布式电源选址和定容中的可行性。     

基于改进自适应遗传算法的分布式电源的选址和定容

对分布式电源进行合理的选址和定容对于配电网规划非常重要。考虑了经济性和安全性2个方面的问题,建立了以分布式电源投资成本最小、系统网损最小和静态电压稳定裕度最大为优化子目标的多目标规划模型。用模糊理论制定了总体满意度,将上述3个优化子目标转化为单一目标函数,应用改进自适应遗传算法,对IEEE33节点配电测试系统进行仿真计算,并将仿真结果与遗传算法进行比较,验证了改进的算法具有一定的收敛性和适应性。     

考虑时序特性的多目标分布式电源选址定容规划

配电网负荷及分布式电源出力呈现明显的时序特性,文中对负荷和分布式电源的典型时序特性进行了分析,以配电网损耗、停电损失为目标,考虑时序特性和多场景提出了多目标分布式电源选址定容规划模型,给出了场景和场景权重的确定方法。应用遗传算法进行求解,采用多段染色体编码方式,根据节点视在功率二阶精确矩处理不可行解,有效地提高了优化效率。IEEE 69节点系统仿真结果证实了时序特性对分布式电源的选址定容有很大影响,验证了所提出模型和方法的可行性和有效性。     

配电网规划中分布式电源的选址和定容

分布式电源的选址和定容会对配电网规划产生很大影响,利用Weibull风速概率分布建立了分布式电源的数学模型,并采用基于隐式编码方式与最优保存策略的遗传算法,对IEEE14节点配电测试系统进行仿真,得到了分布式电源选址和定容的最优规划方案。算例结果表明,分布式电源的接入有效提高了系统的经济性,利用所提算法进行不同渗透率下的分析,为实际含分布式电源的配电网规划提供了一种简化思路。     

改进的粒子群优化算法在分布式电源选址和定容中的应用

分析了分布式电源接入配电网前后对网络损耗的影响,在此基础上提出采用混合模拟退火算法的改进粒子群优化算法进行分布式电源选址和定容的计算,其目的是使配电系统网络损耗进一步减少.最后通过两个算例将本文提出的算法与采用遗传算法、模拟退火算法的计算结果进行对比分析,验证了所提出的改进算法在分布式电源选址和定容问题求解中具有很强的全局搜索能力和快速的收敛速度,为进一步开展分布式电源规划拓展思路.     

含分布式电源与充电站的配电网协调规划

分布式电源与电动汽车充电站共同接入配电网,对配电网规划和运行具有重要的影响。提出一种综合协调规划方法,该方法能够实现分布式电源选址定容、充电站位置及容量、配电网架建设和改造的综合优化规划。考虑风光资源和负荷的随机波动性,以配电系统投资、运行维护和环境成本的随机期望值最小为目标,建立了含分布式电源与充电站的配电网协调规划模型,采用改进遗传算法进行求解。以一个待扩展的辐射状配电网络为例,仿真计算结果表明,对含分布式电源与充电站的配电网进行综合协调规划,能够提高电网的经济和环境效益,得到的规划方案更为合理。     

基于多种群免疫算法的分布式电源选址与定容

分布式电源接入配电网时,其接入位置和容量会对电网的运行和规划产生很大影响。在分布式电源个数、位置和单个容量等影响因数下,以配电网网损、电压偏移及静态电压稳定裕度为目标,借鉴遗传算法中采用并行机制避免收敛于局部最优解的思想,建立了多种群免疫算法。并对配电网33节点接入2个DG进行选址和定容优化,结果说明了DG并网使各目标都得到优化。与普通免疫算法相比较,多种群免疫算法具有更好的寻优能力。采用该方法对DG选址定容进行研究,对配电网的经济、安全运行具有重要意义。     

计及保护约束的分布式电源优化配置

分布式电源的配置方案会对配电网的可靠性和经济性产生重要影响。针对该问题,文章建立了以有功网损最小为目标的数学模型,在传统的节点电压、支路电流和容量约束的基础上增加了继电保护的约束,将其以限制短路电流大小而使保护装置不误动的形式呈现出来。同时,采用自适应遗传算法对分布式电源的选址定容进行优化。最后,通过对IEEE33节点模型进行仿真计算验证分布式电源配置过程中计及保护约束的必要性以及自适应遗传算法更好的收敛性和适应性。     

考虑环境成本和时序特性的微网多类型分布式电源选址定容规划

基于不同类型负荷和分布式电源的时序特性以及不同类型分布式电源的环保性能,建立考虑环境成本的微网分布式电源选址定容规划模型,以分布式电源投资费用、燃料费用、网络损耗费用和环境赔偿费用最小为目标函数,采用基于蒙特卡罗模拟的随机潮流计算方法判断规划方案是否满足潮流约束及计算网络损耗。最后采用遗传算法对规划模型进行求解。算例结果验证了模型的合理性。     

基于免疫遗传算法的含分布式电源配网规划

大量分布式电源的接入使配电网规划更加复杂.在限制分布式电源接入总量和考虑多种约束的基础上,建立以配网年费用最小为目标函数的规划模型.针对该模型的特点,采用一种新型免疫遗传算法( IGA)对配电网扩展规划进行优化.该算法综合了免疫系统和遗传算法的优点,可实现群体收敛性和个体多样性间的动态平衡,具有良好的全局收敛能力.分别...     

改进的遗传算法在中期发电规划中的应用

给出了发电扩展规划的基本数学模型。为了满足日益严峻的电网调峰问题,在发电扩展规划模型中引入了峰谷差约束,然后讨论了应用于发电扩展规划的简单遗传算法的交叉和变异因子固定不变和有时进化缓慢的缺点。提出了一种改进的遗传算法。该算法能根据父代群体的进化质量动态地调整交叉和遗传因子,使进化群体始终探测新的超平面并获得新的最优个体,能克服过早收敛,也不易陷入局部最优解,从而有效地改善了算法收敛速度和最好解。最后给出了上海市2000－2007年的中期发电扩展规划的实际算例,分别用简单遗传算法和改进遗传算法进行了计算。计算结果表明,改进的遗传算法由于能自动调整遗传因子,在进化过程中能激励所有个体协作共同度过进化停滞期而能获得较优解。     

基于演化算法和讨价还价博弈的多目标最优潮流研究

针对电力系统的多目标最优潮流问题,首先通过遗传算法取得帕累托解集,从而充分反映出不同优化目标之间相互影响、相互背离的内在关系,在此基础上利用纳什讨价还价博弈方法选取全局最优解。探讨同时考虑发电费用（或发电煤耗）最小和系统网损最小的多目标最优潮流问题,首先验证该问题满足讨价还价博弈公理,再通过强度帕累托演化算法（strong Pareto evolution algorithm 2, SPEA2）求解得到帕累托前沿,保证收敛速度较快且帕累托前沿分布均匀,最后基于纳什讨价还价博弈求得最优解,解决了不同目标函数之间可能存在的矛盾。该文通过对IEEE 14节点系统的算例计算,验证了该方法的有效性。     

基于BAS-IGA的含分布式电源配电网故障定位

针对遗传算法解决含分布式电源配电网故障区段定位易早熟收敛的问题,提出了一种基于天牛须搜索算法和改进遗传算法相结合的故障定位方法.该方法首先利用天牛须搜索算法产生高质量的初始种群,其次通过构造遗传算法数学模型、优化3种遗传算子和调节交叉变异概率对遗传算法进行改进,最终经遗传迭代产生最优解,达到精确定位故障区段的目的.以I...     

基于模拟退火遗传算法的分散式风电选址定容

分散式电源的优化配置是智能电网发展的重要课题之一。对分散式电源进行合理的选址和定容对于配电网规划非常重要。以分散式风力发电为平台,考虑分散式风力发电机的接入对配电网网损及电压质量的影响,应用计及风力发电机的配电网潮流计算方法获得配电网的相关电气参数,并在此基础上以提高电压质量和网损最小为目标,将模拟退火遗传算法应用到寻优算法中。最后举一算例进行验证。     

DG integrated multistage distribution system expansion planning

In this paper, a framework is presented to solve the problem of multistage distribution system expansion planning in which installation and/or reinforcement of substations, feeders and distributed generation units are taken into consideration as possible solutions for system capacity expansion. The proposed formulation considers investment, operation, and outage costs of the system. The expansion methodology is based on pseudo-dynamic procedure. A combined genetic algorithm (GA) and optimal power flow (OPF) is developed as an optimization tool to solve the problem. The performance of the proposed approach is assessed and illustrated by numerical studies on a typical distribution system.     

基于C-PSO的水火电混合电力系统电源规划

提出了一种粒子群算法与遗传算法结合的组合粒子群算法,并将其用于求解复杂的、非线性的水火电混合电力系统电源规划问题。该结合算法引入的遗传算法成功地提高了基本粒子群算法的全局搜索能力,同时也比基本遗传算法的收敛速度更快。算例结果表明:对于短期规划,该算法能可靠、快速地收敛到全局最优解,对于大型电力系统的中长期电源规划问题也可得到较好解。     

基于内点法的分布式电源选址定容

分布式电源可以改善系统的潮流分布、网络损耗、可靠性等,其效果与分布式电源的位置和容量密切相关。内点法具有收敛快、精度高等优点,在求解电力系统优化问题上可行有效。因此把传统的选址定容模型分成连续和离散,采用内点法进行连续求解。另外,提出一种基于Pareto最优理论引入协调参数w使两个子函数达到优化,进行选址定容。构造有功损耗和节点电压水平多目标函数,结果表明,基于多目标协调内点法是可行有效的,能协调优化多目标函数,同时计算时间短,收敛速度快。     

An improved genetic algorithm for generation expansion planning

This paper presents a development of an improved genetic algorithm (IGA) and its application to a least-cost generation expansion planning (GEP) problem. Least-cost GEP problem is concerned with a highly constrained nonlinear dynamic optimization problem that can only be fully solved by complete enumeration, a process which is computationally impossible in a real-world GEP problem. In this paper, an improved genetic algorithm incorporating a stochastic crossover technique and an artificial initial population scheme is developed to provide a faster search mechanism. The main advantage of the IGA approach is that the “curse of dimensionality” and a local optimal trap inherent in mathematical programming methods can be simultaneously overcome. The IGA approach is applied to two test systems, one with 15 existing power plants, 5 types of candidate plants and a 14-year planning period, and the other, a practical long-term system with a 24-year planning period     

考虑分布式电源的配电网优化规划

分布式电源（DG）的发展给配电网络规划带来了新的挑战。考虑负荷增长,从供电公司的角度,以DG接入投资、线路投资以及电网有功损耗最小为目标函数,建立了配电网节能减损的规划模型,充分利用配电网正常运行呈辐射状网络的特点,采用启发式方法对含DG的配电网进行规划,通过模糊评估算法分析了DG接入对配电网运行带来的影响,进而引入协调系数,对目标函数进行优化。算例计算结果验证了所提出的模型和算法的有效性。