基于多目标粒子群算法分布式电源的最优配置策略

随着各种可再生能源发电技术逐渐成熟,将多类型分布式电源(Distributed Generation,DG)接入配电网(Distribution Network,DN)是促进电力系统能源转型的快捷方式。但是,大量的DG接入DN会导致DN运行稳定性下降,迫切寻找到解决方法。为此本文考虑了PV(Photovoltaic,PV)、风力发电(Wind Power Generation,WPG)和燃料电池(Fuel Cell,FC)三种DG,并以DG的经济性指标、电压偏差、电压波动以及网络损耗作为优化目标,采用多目标粒子优化算法(Multi-objective Particle Swarm Optimization,MOPSO)确定了三种DG接入DN的最优位置已经最佳容量,并与多目标蝗虫优化算法(Multi-objective Grasshopper Optimization Algorithm,MOGOA)进行了比较。基于IEEE-33节点仿真测试算例表明与未配置DG相比,通过MOPSO算法配置DG后,平均电压波动降低了0.055 p.u.(5.01%),网络损耗减少了646.65 kW(15.92%),并且,MOPSO配置成本更低,具有更好经济性。     

基于改进粒子群算法的配电网分布式电源规划

合理地对分布式电源进行选址和定容对于实现配电网网损最小是至关重要的.应用改进粒子群优化算法进行配电网分布式电源(DG)规划,并结合罚函数法将DG规划问题转化成无约束求极值问题,从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度.对69节点和33节点配电测试系统进行仿真计算,结果表明了论文采用的DG规划模型和改进粒子群优化算法的正确性和适用性.     

基于自适应变异粒子群算法的分布式电源规划

针对分布式电源(DG)规划问题,建立配电网网损最小、电压偏差最小、静态电压稳定裕度最大的多目标DG规划模型。采用模糊集理论将多目标优化问题单一化,通过使总体满意度最大化,提升整体性能。同时采用自适应变异粒子群算法(AMPSO)对建立的模型进行求解,在一定程度上克服了基本粒子群算法容易早熟收敛的问题。在IEEE 33节点配电网系统上进行仿真计算,验证了模型和算法的有效性。     

基于量子粒子群算法的分布式电源优化规划

针对配电网中分布式电源(distributed generation,DG)的选址和定容问题,在研究标准粒子群优化算法的基础上建立有功网损和DG运行费用最小的目标函数。考虑运行中的约束条件,利用旋转门更新的量子粒子群算法(quantum particle swarm optimization,QPSO)分析DG接入位置、容量不确定的情况下将目标函数和约束条件转换为综合目标函数,并求得最优解。对IEEE14节点配电测试系统进行算例仿真,比较仿真结果与粒子群算法优化结果,验证了QPSO在分布式电源规划上的收敛性和适应性。     

基于改进粒子群算法的分布式电源接入规划

建立了含分布式电源的配电网规划经济性模型,以折算到每年的分布式电源的投资及运行费用和线路有功网损运行费用最小为目标函数,并应用改进粒子群优化算法进行配电网分布式电源(DG)规划,从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度。对69节点和33节点配电测试系统进行仿真计算,结果表明了论文采用的DG规划模型和改进粒子群优化算法的正确性和适用性。     

基于改进粒子群算法的配电网分布式电源规划

合理地对分布式电源进行选址和定容对于实现配电网网损最小是至关重要的。应用改进粒子群优化算法进行配电网分布式电源（DG）规划,并结合罚函数法将DG规划问题转化成无约束求极值问题,从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度。对69节点和33节点配电测试系统进行仿真计算,结果表明了论文采用的DG规划模型和改进粒子群优化算法的正确性和适用性。     

基于改进粒子群优化算法的多目标分布式发电规划

通过归一化处理和权系数选取,将以网络损耗最小、节点电压平均偏差最小、静态电压稳定裕度最大和总投资成本最小为目标的多目标分布式发电（distributedgeneration,DG）规划模型转化为单一目标。采用改进粒子群4~g415（improvedparticleswarmoptimization,IPSO）算法进行DG规划的优化计算,为避免陷入局部最优,对惯性权重进行非线性的自适应调整,并在计算过程中引入速度变异算子和位置交叉算子,较好地克服了计算后期易陷入局部收敛的问题。将IPSO算法应用于69节点配电网测试系统,仿真结果验证了IPSO算法是有效和可行的。     

基于改进粒子群算法的含分布式电源配电网规划

在不考虑网络扩展的情况下,建立了以包含分布式电源建设和维护费用、网损费用以及购电费用在内的配电网年费最小为目标的规划模型,并采用改进的粒子群算法对分布式电源的安装位置和容量进行优化计算,避免了粒子群算法早熟和边界聚集的问题。通过对IEEE33节点配电网系统进行仿真计算,验证了规划模型和算法的正确性和适应性。     

基于改进粒子群算法的配电网分布式电源规划策略

针对既有配电网架结构下的分布式电源选址与定容问题,提出了一种抑制局部最优的带惯性权重的粒子群优化算法(PSO),在算法搜索过程中通过引入变异算子和偏移算子,根据适应度标准差及当前最优适应度值,确定目前部分粒子的畸变程度,摆脱了寻优过程中局部最小点的束缚,改善了多目标优化的非线性准确度。同时改进了PSO中对于速度和位置的更新方法和终止判据,提高了算法的收敛特性。通过IEEE-33节点配电网和延边配电网算例表明,改进的粒子群算法能够有效地寻找到全局最优解并且具有良好的收敛特性。     

基于细胞膜机制改进粒子群算法的分布式电源规划

智能配电网规划中,合理的对分布式电源进行选址定容是至关重要的。在研究分布式电源规划基础上,建立以短路电流指标和电压稳定性指标为基础的目标函数。提出基于细胞膜机理改进粒子群算法,并应用于分布式电源的选址定容,使其在配电系统中达到最好的电压稳定及短路水平指数,并将提出的新算法应用于12节点系统和30节点系统,验证了算法的可行性。     

基于改进粒子群算法的分布式电源经济性最优规划

分布式电源接入运行对系统造成的影响是多方面的。建立了综合系统费用模型,在货币量纲下将DG投资、发电成本、短路电流水平、可靠性水平、网损等因素纳入同一个目标函数进行优化。DG的选址定容是一个复杂的非连续性、非凸、非线性优化问题,引入疫苗接种和稀释等策略,对传统离散粒子群算法（DPSO）进行改进,得到求解效果更佳的改进离散粒子群算法（MDPSO）。应用IPLAN环境下的MDPSO算法对IEEE 43节点系统进行分布式电源优化规划,并与传统DPSO算法优化结果进行比较,说明MDPSO算法可以成功应用于此类问题的求解。     

基于多目标人工搜索群算法的分布式电源优化

分布式电源优化是配电网规划的重要环节,多目标优化算法是该环节的关键因素,目前用于解决这类问题的算法大都将多目标转化为单目标,一定程度上忽略了各目标间的相关性.为解决该问题,提出了一种改进入工搜索群算法,结合Pareto理论,针对每个优化目标并行搜索寻优,配合构建外部存档集,做到对各个目标之间关系的协调,解决了人工搜索群...     

基于人工鱼群算法的多目标分布式光伏电源规划

分布式电源(distributed generation,DG)对智能电网的稳定安全运行至关重要,为了合理地对分布式电源进行选址定容,针对现有算法对初值要求高,收敛慢,容易陷入局部极值等缺点,提出了人工鱼群算法(artificial fish swarm algorithm,AFSA)。首先,确定了DG规划的多目标函数与约束条件;其次,介绍了人工鱼群算法,针对DG规划对AFSA进行的调整;最后,在IEEE-33节点系统中进行仿真验证,并与遗传算法(genetic algorithm,GA)进行对比。结果表明:利用AFSA对DG选址定容进行寻优,可有效地降低电压偏差,降低网损,提高系统稳定性和安全性。AFSA寻优效果较好,效果显著。     

基于改进简化粒子群算法的多目标输电网规划

针对标准粒子群(SPSO)算法在计算过程中容易陷入局部最优的缺点,对SPSO算法做了以下改进:首先,简化粒子群算法,去掉不影响其进化过程的速度矢量,提高收敛精度;其次,将粒子群算法中的惯性权值由线性递减策略改进为非线性递减策略,有效地控制了粒子群优化算法的全局搜索和局部搜索.在输电网扩展规划中的应用结果表明,上述2个操作可以提高PSO算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进简化粒子群算法的有效性.     

基于改进粒子群算法的Pareto多目标输电网规划

针对标准粒子群算法易收敛到局部最优的缺点,本文对粒子群算法做出了以下几点改进:首先,在编码策略上采用一种保证网络连通性的编码方式,有利于保持种群的分散性;其次,采用了一种改进的粒子速度更新公式,即在粒子群算法速度更新公式的基础上,加入一个平均极值项,使得各粒子能参考其它同伴的信息;另外,在算法迭代过程中加入变异操作,是使初始化失活粒子的位置和速度来保持种群多样性。在输电网扩展规划模型中引入了Pareto多目标模型,这种模型相对于单目标和加权多目标模型相比更具实际工程意义。算例结果表明,上述几个操作可以提高粒子群算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进粒子群算法的有效性.     

基于改进粒子群算法的分布式电源优化配置

分布式电源位置和容量的优化配置可确保其发挥更好的技术经济效用。在分析DG特性的基础上,建立了考虑含分布式电源的有功网损费用最小和综合投资成本最小的多目标优化模型;鉴于传统粒子群算法具有容易早熟,易于陷入局部最优值的缺点,将自适应调整和二次项策略融入到粒子群算法,提出了一种改进型粒子群算法;并将其应用在解决含分布式电源的配电网的布局规划问题。通过算例验证所提算法具有良好实用性和适应性,并且也验证所提模型的实际意义。     

基于自适应混沌粒子群算法的分布式电源优化

目前我国是以＂大机组、大电网、高电压＂为主要特征的单一供电系统,这种集中发电、远距离传输、大电网互联的方式虽然有效减少了系统的备用容量以及加强了各网络间的同步,但很难快速追踪远距离的末端负荷变化,负荷峰谷差增大将导致电荒出现,线路距离太远也加大了系统的网损。基于此,本文考虑在配电网中合理接入分布式电源进行优化,为了确定接入位置和容量,本文以分布式电源安装年费用、配电网年有功损耗及分布式电源环境效益为多目标函数;为了避免粒子群算法（PSO）容易陷入局部最优,文中采用计算速度快、收敛可靠的自适应混沌算法（ACPSO）进行计算,设计了基本计算流程;最后采用IEEE14节点系统进行算例分析,接入分布式电源后配电网网损有效降低,且能减少配电网运行总费用,同时证明ACPSO算法在解决分布式电源优化问题上具有一定优越性。     

基于量子微分进化算法的分布式电源多目标优化规划

为了克服再生能源的间歇性、随机性导致的分布式电源优化结果不够准确,提出了一种基于概率特性的电源-负荷综合模型,将分布式电源的随机出力问题转化成确定性问题。考虑分布式电源对配网的影响,建立了包含建设运行费用、网络损耗、可靠性费用和环境因素的多目标优化模型。提出采用量子微分进化算法对分布式电源接入配网进行优化配置,该算法采用量子的概率表达特性和叠加态特性,潜在地提高了算法的寻优效率,同时采用变异和交叉操作,保持了良好的种群多样性。通过对算例的分析,表明所提出的模型和算法合理、可行。     

基于混沌多目标遗传算法的分布式电源规划

针对多目标遗传算法(multi-objective genetic algorithm,MGA)在解决分布式电源(distributed generation,DG)优化问题上存在的不足,加入混沌变量、虚拟适应度、精英保留策略等方法进行多目标改进,提出一种改进混沌多目标遗传算法(improved chaotic optimization multi-objective genetic algorithm,ICMGA),并依据种群进化状态自适应调整搜索精度,提高了算法搜索效率和收敛速度。结果表明:与NSGA_II算法相比,ICMGA算法不但寻优能力更强,收敛速度快,还具有良好的经济性。能够为分布式电源优化问题提供优良的解决方案。     

基于粒子群算法的含分布式发电配电网规划

本文对粒子群算法的基本概念、数学模型以及算法步骤等进行了简单介绍,为解决目标优化问题提供了新的理论依据和高效的解决方案。通过进行粒子群算法在标准14节点配电网规划的仿真计算,在满足配电网辐射性与连通性的要求,以及功率平衡、线路潮流与节点电压不越限等约束条件的基础上,使配电网的网损最小,并针对含有和不含有DG的配电网两种规划的结果进行比较和分析。算例的结果说明,引入DG后可以优化配电网结构,降低网损。