基于蚁群算法的配电网故障恢复重构

研究了故障后输电线路的重构优化问题,提出了一种求解目标最优的故障恢复重构算法。该算法基于蚁群算法,以电压稳定为前提,建立了以降低网损和操作开关数目最少为目标的数学模型。该算法不依赖初始参数的设置,具有全局搜索的能力,可通过改变权重系数将网损、开关操作数目等多目标优化问题转化为单目标优化,提高算法效率。实例证明该算法可以准确得到配电网故障后电网重构的最佳方案。     

基于蚁群算法的配电网故障后恢复重构

蚁群算法是一种求解组合优化问题的新型通用启发式方法,具有正反馈、并行计算和鲁棒性强等优点.将蚁群算法应用于配电网故障后恢复重构,提出了综合考虑切负荷最小和开关操作次数最少的恢复重构模型,并详细介绍了其求解过程.算例证明该算法在配电网故障后恢复重构中应用的可行性和有效性.     

基于免疫原理的蚁群算法在配电网恢复中的应用

对配电网的故障恢复问题进行了描述,提出了结合实际的配电网故障恢复目标函数,并将蚁群优化算法引入其中,用来解决这个复杂的、多目标、多约束的组合优化问题。针对蚁群算法存在的易陷入局部最优和收敛难的问题,引入免疫机制,通过基于抗体浓度的选择机制和多样性策略来提高蚁群的全局搜索能力和停滞现象,并通过配电网恢复的具体实例验证该算法的快速有效性。     

基于免疫原理的蚁群算法在配电网恢复中的应用

对配电网的故障恢复问题进行了描述,提出了结合实际的配电网故障恢复目标函数,并将蚁群优化算法引入其中,用来解决这个复杂的、多目标、多约束的组合优化问题.针对蚁群算法存在的易陷入局部最优和收敛难的问题,引入免疫机制,通过基于抗体浓度的选择机制和多样性策略来提高蚁群的全局搜索能力和停滞现象,并通过配电网恢复的具体实例验证该算法的快速有效性.     

蚁群算法在配电网冷负荷恢复中的应用

配电网长时间停电后,负荷会失去多样性,引起冷负荷故障恢复问题。为防止变压器过热,通过隔离开关实现配电网负荷的逐步恢复。在电力市场新规则下,电力公司将会因为供电质量不符合要求,而受到严重的惩罚。该文的目标函数考虑了电力市场的影响,采用蚁群算法,选取最优的负荷恢复次序,实现对顾客的公平和供电公司的经济利益。实例计算表明该方法可行、有效。     

基于蚁群算法的配电网网架优化规划方法

蚁群算法是一种求解组合优化问题的新型通用启发式方法，该方法的主要特点是正反馈、分布式计算和富于建设性的贪婪启发式搜索。配电网网架优化规划是一个复杂的非线性组合优化问题。本文将蚁群算法用于配电网网架优化规划问题的研究，建立了网架规划的数学模型，该模型以线路的年综合费用和过负荷征罚费用之和最小为目标函数，并在此基础上设计了相应的算法。算例证明了该算法在配电网网架优化规划中应用的可行性和有效性。     

蚁群算法在配电网冷负荷恢复中的应用

配电网长时间停电后,负荷会失去多样性,引起冷负荷故障恢复问题.为防止变压器过热,通过隔离开关实现配电网负荷的逐步恢复.在电力市场新规则下,电力公司将会因为供电质量不符合要求,而受到严重的惩罚.该文的目标函数考虑了电力市场的影响,采用蚁群算法,选取最优的负荷恢复次序,实现对顾客的公平和供电公司的经济利益.实例计算表明该方法可行、有效.     

基于蚁群算法的配电网故障检测定位与恢复研究

根据当前配电网故障检测定位与恢复的实际需求,介绍一种基于蚁群算法的配电网故障检测定位方法,该方法可实现多电源条件下配电网故障检测定位,并具有较高精准性。另外,将蚁群算法与启发式规则相结合,共同实现配电网故障恢复和供电恢复,达成配电网故障自动恢复效果。     

基于蚁群算法的配电网检修计划优化

从配电网检修计划编制的实际情况出发,同时考虑了线路故障等级的检修时间优化和和设备检修时最优负荷转移路径。针对多种约束条件,对经济性最优为目标的检修计划,通过小生境遗传算法和蚁群算法优化的方法得到配电网检修计划时间优化方案。     

基于遗传-蚁群算法的交直流配电网分布式电源优化配置

随着分布式电源（distributed generation，DG）受到广泛的关注与研究，分布式电源接入交直流配电网的规划问题日益突出。该文在分布式电源选址定容阶段充分考虑不同类型DG和负荷的时序特性，以DG运维费用、DG投资年等效费用、系统网络损耗费用、燃料费用、污染赔偿费用、环保补贴综合最小作为目标函数，同时加入电压、功率等约束条件，建立了DG的选址定容模型。根据遗传、蚁群算法各自的优劣势，提出了运用遗传-蚁群复合算法求解该优化模型。最后以改进的IEEE-33节点配电网作为算例，验证了所提模型的合理性及算法的有效性。     

含分布式电源的配电网多故障抢修与恢复协调优化策略

针对含分布式电源(DG)的配电网发生多故障时的快速故障抢修和供电恢复问题,根据动态规划原理,建立了含DG的配电网多故障分阶段、分层的抢修与恢复协调优化模型。在紧急抢修与恢复阶段,以负荷恢复价值最大和综合经济损失最小分别作为内、外层优化目标;在抢修与恢复网架阶段,以网损最小和抢修时间最短分别作为内、外层优化目标,得到最优抢修顺序和供电恢复方案。针对内、外层模型的不同特点,分别采用了改进蚁群算法和离散化处理的细菌群体趋药性(DBCC)算法进行模型求解。同时,在抢修与恢复过程中,利用DG孤岛、可控负荷联盟及应急发电车的动态调度优先恢复重要负荷的供电,并采用馈线等效法及故障等效法来简化求解流程。以改进的IEEE 69节点系统为例,验证了所述策略的可行性和有效性。     

基于预演算法的灾后配电网应急抢修决策优化

为应对极端灾害导致的停电损失,需合理构建灾后恢复模型,探索有效的灾后应急决策方法。构建了考虑关键负荷失效事件的灾后应急抢修马尔科夫决策过程模型,在计算损失时考虑了停电时长对不同类型关键负荷功能性的影响;对于灾后应急决策,提出了基于预演算法的在线决策方法,通过多场景仿真的方式快速评估动作-状态价值函数(即Q函数),进而生成在线优化策略,算例证明了基于预演仿真生成Q函数的决策方案优于基础策略提供的方案。所提方法不依赖精确的数学模型和参数,可以根据系统状态实时更新策略,比传统离线优化模型更具实用性。     

基于混沌蚁群算法的配电网重构

配电网重构是电力系统为了降低网损而采取的主要措施之一。主要在基本蚁群算法的基础上,通过加入了混沌初始化和混沌扰动对基本蚁群算法做了改进,并应用到配电网重构问题上。通过加入混沌初始化,加快了算法的搜索速度;通过加入混沌扰动,使算法本身有效的避免了陷入局部最优解的问题,从而使算法快速、准确的找到最优解。最后通过对IEEE69节点系统算例的仿真,取得了较好的效果,证明了算法的有效性、可行性。     

基于蚁群算法的神经网络配电网故障选线方法

为了克服基于神经网络的故障选线方法收敛速度慢、易于陷入局部极小点的缺点,提出了蚁群算法和神经网络相结合的故障选线方法。利用ATP-EMTP做单相接地仿真试验,得到各线路的零序电流信号,通过小波变换和傅里叶变换提取其中的故障特征作为神经网络的输入。利用蚁群算法对神经网络进行训练,完成训练的神经网络模型即可实现故障选线。仿真结果表明,该方法训练速度快、误判率低。     

基于改进蚁群算法的配电网重构

配电网重构可以提高配电网运行的安全性、经济性和供电质量,对于当前国内配电自动化系统的建设和应用具有重要意义。以网络损耗最小为目标,提出了一种改进的蚁群算法来求解正常运行条件下配电网络的重构问题。针对基于蚁群算法在求解过程中存在搜索易陷入局部最优解和收敛到全局最优解的时间较长的缺点,从蚁群算法的转移概率和信息素动态更新2方面进行了改进,提高了蚁群算法全局搜索能力与收敛到最优解的速度。最后通过对69节点配电系统算例的仿真,取得了较好的效果,证明了该算法的有效性和可行性。     

基于蚁群算法的配电网故障定位与隔离

蚁群算法是一种求解组合最优化问题的新型通用启发式方法,该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点.通过建立适当的数学模型,基于故障过电流的配电网故障定位变为一种非线性全局寻优问题.该文将蚁群算法用于配电网故障定位方面的研究,并通过实例证明了该算法的可行性和高效性.     

基于蚁群算法的配电网故障定位与隔离

蚁群算法是一种求解组合最优化问题的新型通用启发式方法,该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。通过建立适当的数学模型,基于故障过电流的配电网故障定位变为一种非线性全局寻优问题。该文将蚁群算法用于配电网故障定位方面的研究,并通过实例证明了该算法的可行性和高效性。     

基于自适应NSGA-Ⅱ算法的配电网多故障抢修优化决策

传统配电网多故障抢修依赖决策人员的主观判断,缺少科学依据,容易出现判断失误,造成抢修资源无法得到合理应用或者不能第一时间恢复供电。为解决该问题,建立了考虑任务分配和抢修顺序的配电网多故障抢修多目标优化模型,设计了自适应参数的非支配排序遗传算法(NSGA)-Ⅱ,得到Pareto前沿后利用基于角度选择的拐点决策算法,在无决策人员参与的情况下能够直接求解出一个相对理想的抢修方案。最后使用Matlab对某镇实际的配电线路进行仿真,仿真分析表明自适应参数的调整策略可以提高种群进化前期的全局搜索能力及进化后期的局部搜索能力,基于角度选择的拐点决策算法可从多个可行方案中直接选择最终的决策方案,减轻决策人员的负担,且适用于实际抢修工作。     

基于遗传拓扑混合算法的配电网多故障抢修策略

从中国配电网的实际情况出发,建立了电力系统在多故障情况下的多目标抢修策略优化模型。针对配电网接线呈辐射状的特点,提出了一种遗传拓扑混合算法作为寻优策略。该算法通过遗传算法寻优,通过拓扑分析算法判断出失电区域、待修复设备以及负荷情况,综合进行适应度评价,反复迭代得到最佳抢修方案。在寻优计算过程中,针对遗传算法在复杂配电网计算中易产生大量不可行解的问题,引入了智能选择的混合交叉因子进行改进。算例结果证明了该混合智能算法的有效性和鲁棒性。