基于改进粒子群算法的配电网静态重构

针对配电网静态重构问题,结合配电网的辐射状特点,提出了适应于配电网静态重构的改进二进制粒子群算法,建立以系统网损最小为目标函数的静态重构模型。提出的算法运用破圈法生成和更新粒子群,提高搜索有效解的效率,在迭代过程中采取重新初始化粒子策略避免算法陷入局部最优解,提高粒子群算法得到全局最优解的概率。应用于33节点标准测试系统,验证了算法的可行性。     

基于免疫二进制粒子群优化算法的配电网故障 定位方法研究

针对二进制粒子群算法在复杂规模化配电网故障定位时收敛速度慢、易陷入局部最优解的缺陷,提出一种基于免疫二进制粒子群优化算法的配电网故障定位方法。首先,应用免疫系统信息处理机制对粒子群算法进行改进,在算法进化过程中建立记忆细胞单元存储优质抗体,避免抗体种群更新后的群体退化。其次,引入抗体浓度调节机制与免疫选择操作保持抗体种群多样性,强化算法全局搜索能力,防止算法早熟。在此基础上,构建亲和度评价函数将改进后的算法应用于配电网故障定位。仿真结果表明,基于免疫二进制粒子群优化算法的配电网故障定位方法能够有效提升算法收敛速度与故障定位准确率,且在故障信息畸变情况下具有良好的容错性能。     

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。     

基于二进制量子粒子群算法的含分布式电源配电网重构

配电网重构是一个复杂的非线性组合优化问题。为了克服基本优化算法易陷入局部最优解的问题,提出了一种改进的二进制量子粒子群算法(BQPSO),对含分布式电源(DG)的配电网重构模型进行求解。通过引入遗传算法的交叉操作和变异操作来避免早熟来提高算法的全局搜索能力,改进了算法的性能。并且选择了适当的不可行解处理方式来提高了算法的计算效率。最后通过对IEEE33节点配电系统进行仿真,验证所提算法在求解重构问题时得到的解更好,收敛速度和全局寻优能力都有提升。     

改进离散粒子群算法在冷负荷启动的配电网馈线恢复中的应用

在求解冷负荷启动中的配电网馈线供电恢复问题时引入了离散粒子群优化算法并对该算法进行了改进。改进后的算法考虑了早熟收敛问题并采用自适应变异方法提高了粒子的多样性,从而有效地跳出了局部最优值位置并收敛于全局最优解。算例结果表明,改进后的算法对于制定冷负荷启动中的配电网馈线逐步恢复供电策略是非常有效的。     

基于区间三相潮流的配电网故障恢复优化算法

本文采用区间值来描述负荷并计算三相潮流。由于粒子群算法存在早熟的问题,采取非线性递减惯性权重的策略,使惯性权重随着迭代次数的增加而减小,同时,采用种群适应度方差判断算法是否陷入早熟,以便对早熟的种群进行自适应变异,动态的变异数目先大后小地控制了变异过程,保证了前期粒子的多样性和后期粒子算法的收敛。改进的粒子群算法保证了粒子在迭代初期有较强的全局搜索能力和后期有较高的搜索精度,保证了算法能够得到全局最优解,并提高了搜索速度。算例表明,基于区间三相潮流的改进粒子群算法能够有效地解决配电网故障恢复的问题,具有一定的工程价值。     

基于改进二进制粒子群算法的配电网多目标重构

配电网重构作为配电自动化系统的一个重要组成部分,能够有效提高配电网运行的经济性和可靠性。提出以网络有功网损和网络电压偏移构建配电网重构的多目标数学模型,根据系统初始状态将各指标归一化处理,利用权重系数法将多目标重构问题转化为单目标问题。为克服二进制粒子群算法容易陷入局部最优而难以跳出的问题,将非线性动态调整的惯性权重系数引入到粒子速度更新公式之中,以提高二进制粒子群算法的全局搜索效率和收敛速度。算例结果验证了所提方法的有效性。     

基于MAPSO优化的智能配电网大面积断电供电恢复

当含分布式电源的智能配电网发生大规模停电事故时,必须尽快制定供电恢复计划,减少停电面积。在保证配电网安全运行的前提下,考虑以甩负荷最少及开关操作次数最少两方面因素建立含分布式电源的智能配电网供电恢复模型,提出采用多智能体粒子群优化算法快速恢复孤岛外非故障断电区域负荷供电。该算法在二进制粒子群优化算法基础上引入Multi-Agent概念,每一个Agent相当于一个粒子,通过粒子Agent之间的竞争与合作操作使其快速有效地收敛到全局最优解。算例结果证明了所提算法的可行性和有效性。     

用于配电网开关优化配置问题的二进制PSO算法

提出了1种求解配电网开关优化配置问题的二进制粒子群(PSO)算法。该算法通过对开关设备总投资、年运行费用和年停电损失费用等优化计算,以达到综合年费最少的角度,确定了1种开关配置方案。仿真计算表明,二进制PSO算法相对于遗传算法和免疫算法等搜索方法而言,具有更好的全局收敛性,且算法简单,是求解配电网开关优化配置问题一种有效方法。     

考虑时间尺度的含DG配电网故障动态恢复策略

提出了考虑分布式电源(Distributed generation, DG)随时间变化的动态模型来解决含分布式电源的配电网故障恢复问题。实际情况中不同类型DG的实时输出功率随时间变化,考虑将时间尺度拉长,进行多时段的动态故障恢复。选取故障恢复时段内损失电量之和最小为主要目标函数,开关操作次数最少作为次要目标函数。该算法首先利用改进二进制粒子群算法(Binary Particle Swarm Optimization, BPSO)求得辐射状网络结构,排除大量不可行解,然后利用所提出的基于最优故障恢复路径策略进行切负荷操作。最后通过枚举组合对最小开关次数进行求解,得出最优的开关操作方案。算例结果证明,进行配电网故障恢复时考虑主网和DG的动态配合,能够最大限度恢复供电。     

基于偏好知识的多目标优化算法求解计及电源侧的 配电网故障恢复

针对传统故障恢复在处理电源侧问题上的不足,基于变电站主变在实际运行时要尽量满足N-1准则的要求,提出了变压器越限个数和变压器平均负载率两个目标函数。在求解故障恢复的算法上,针对基于传统占优机制的经典多目标智能算法在迭代过程中没有考虑决策者的偏好知识,从而导致算法收敛缓慢和无法得到最优解的问题,将g占优机制和TOPSIS方法引入多目标智能算法。g占优机制中的参考点可以根据故障恢复问题的特殊要求进行灵活设计,TOPSIS方法可将决策者的偏好知识融入算法的迭代过程中。这些措施可以有效地提高解的质量和算法的收敛性能。最后,通过算例验证了该算法的可行性和有效性。     

基于改进二进制粒子群优化算法的负荷均衡化配电网重构

提出了基于改进的二进制粒子群优化算法、以均衡负荷为目标的配电网重构方法。将配电网重构问题表示为以负荷均衡指标最小为目标函数的非线性优化问题,针对配电网开环运行的结构特点对配电网拓扑结构模型进行了简化,并对二进制粒子群优化算法加以改进,以保证配电网的辐射状结构,同时大大减少迭代次数。算例分析结果表明,该方法能够有效解决负荷均衡化的配电网重构问题,计算速度快,收敛性好。     

基于变权Voronoi图和混合粒子群算法的电动汽车充电站规划

针对城市电动汽车充电站规划布局及服务范围划分的问题,提出一种基于变权Voronoi图和混合离散粒子群算法的优化算法。为解决离散粒子群算法在达到最优解时容易发生变异的问题,改进了离散粒子群算法中的概率映射函数,提高算法迭代中后期的全局搜索能力;引入加权Voronoi图生成过程中可随充电站的服务能力和最大服务半径约束动态调整的变权重系数,使充电站服务范围的划分可控且更为合理;利用最短路径法求得用户充电行驶过程中的交通路径距离来取代传统的欧式距离,提高算法的准确性。运用改进后的混合离散粒子群-变权Voronoi图算法求解算例模型,通过算例结果验证了所提算法用于电动汽车充电站规划的有效性。     

基于改进粒子群算法的移动机器人路径规划

由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。     

基于协同进化算法的配电网故障阶段式恢复策略

传统的配电网故障恢复算法难于同时兼顾恢复过程的快速性和恢复策略的最优化。文章提出一种将启发式搜索算法与优化算法相结合的配电网故障阶段式恢复策略：第一阶段采用启发式搜索方法恢复负荷供电;第二阶段利用优化算法处理过载的负荷转移;第三阶段按启发式搜索方法处理过载负荷的切除。为实现快速的网络拓扑分析,采用家族树结构表征配电网,并对传统的粒子群优化(particle swarm optimization,PSO)算法与模拟退火(simulated annealing,SA)优化算法进行改进,提出了协同进化算法(co-evolutionary algorithm of PSO and SA,CPSOSA),CPSOSA算法在求解故障恢复数学模型时具有较高的全局寻优能力。算例分析证明了本文所提恢复策略及算法的可行性和高效性。     

基于改进哈里斯鹰优化算法的有源配电网故障定位

针对改进的遗传算法、二进制粒子群算法等智能优化算法在复杂的有源配电网中故障定位的准确率不高、易于陷入局部最优、收敛速度慢以及定位时间长等问题,提出一种基于改进哈里斯鹰优化算法的有源配电网故障区段定位方法。首先,通过Tent混沌映射改善初始种群和将逃逸能量非线性化,以加快哈里斯鹰优化算法的收敛速度。其次,通过结合黄金正弦算法跳出局部最优。最后,所提方法在IEEE33节点有源配电网模型上进行了仿真测试验证,表明改进后的哈里斯鹰优化算法能很大程度地加快收敛速率,故障定位方法具有很高的容错率。     

基于免疫BPSO算法与拓扑可观性的PMU最优配置

以电力系统状态完全可观测和相量测量单元PMU配置数目最小为优化目标,基于PMU的功能特点和电力网络的拓扑结构信息,形成快速且通用的电网拓扑可观测性判别方法,并设计了一种结合免疫系统信息处理机制的二进制粒子群优化算法对目标函数进行求解,该算法综合了粒子群优化算法简单快速和免疫系统种群多样性的优点,明显改善了进化后期算法的收敛性能和全局寻优能力.最后通过对IEEE14和新英格兰39母线系统进行PMU优化配置仿真及量测冗余性分析,验证了本文方法的有效性和优越性.     

基于数学形态学和遗传算法的配电网动态无功优化方法

提出了一种基于数学形态学和遗传算法的配电网动态无功优化方法,通过构造数学形态学滤波器对由染色体的等位基因构成的二值图像进行滤波,将对补偿调压设备动作次数的处理问题转化为离散二值图像的滤波问题。为提高遗传算法的计算速度,对交叉和变异操作进行了改进：基于遗传性状的思想,防止了交叉操作中对优良基因组合的破坏;借鉴粒子群算法中根据个体极值和全局极值修正个体速度和位置的思想,提出了根据基因性状进行进化变异的方法。分别采用改进遗传算法、简单遗传算法和该动态无功优化方法对某区域配电系统进行无功优化,结果验证了该优化方法的正确性和有效性。