电力系统线损最小网架结构的遗传算法

提出一种基于遗传算法的电力系统线损最小网架结构的优化方法。运用常规的二进制编码法,在算法中引入了保留算子,加快了算法的收敛速度,使其可靠的收敛至全局最优解,有效地解决了网架结构优化过程中的非线性和整数性问题。     

基于遗传位爬山混合算法的电力系统无功优化

针对电力系统无功优化中遗传算法收敛慢、计算效率低且易于陷入局部最优解等问题,提出了将遗传算法与位爬山算法相结合的混合算法,并在遗传算法中采用排序选择方式进行个体选择操作,以更好地保持群体的多样性,避免了陷入局部最优解;通过交叉、变异等遗传操作,在满足终止判定准则的条件下,将遗传算法得到的结果作为位爬山算法的初值进行位爬山操作,改善了遗传算法的计算效率。以IEEE30节点系统为例对该混合算法的性能进行了仿真,仿真结果验证了该混合算法的有效性和可行性。     

无重访单亲遗传算法在配电规划中的应用

在求解配电网优化问题时,普通遗传算法GA(genetic algorithm)不能保证解的可行性,而单亲遗传算法PGA(partheno-genetic algorithm)虽然避免了不可行解,但会产生与已知解重复的新解,所以这两种算法都要增加额外的工作量。为减少类似的计算,提高算法搜索效率,提出无重访单亲遗传算法NRPGA(non-revisit parthenogenetic algorithm),将无重访功能与单亲遗传算法相结合,使用单亲遗传算法确保所有新解符合配电网的相关约束;然后对每一个新解使用无重访算法进行校验,以保证新解的唯一性;最后以配电网网架建设投资、运行费用、停电损失之和为目标函数,通过算例分析验证了NRPGA在空间搜索效率、快速收敛性、最优解命中率等方面的优势。     

基于改进人口迁移算法的输电网扩展规划

输电网扩展规划是一个非常复杂的大规模组合优化问题,对比提出了一种改进人口迁移算法的求解方法.标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等问题,针对以上缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了算法搜索全局最优解的能力与收敛到最优解...     

人口迁移算法在“N-1”安全输电网规划中的应用

提出了一种改进人口迁移算法求解输电网扩展规划的大规模组合优化问题。针对标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了算法搜索全局最优解的能力与收敛到最优解的速度。将改进后的算法应用到满足"N-1"安全准则的输电网扩展规划问题中,建立了输电网扩展规划的数学模型,设计了相应的算法。比较该算法与粒子群算法、标准人口迁移算法对IEEE Garver6节点系统和IEEE Garver18节点系统的仿真计算结果,证明了改进人口迁移算法能有效地解决满足"N-1"安全检验的输电网扩展规划优化问题。     

配电网开关优化配置的改进遗传算法

提出了配电网开关优化配置的改进遗传算法.为提高遗传算法的计算速度和收敛效率,采取了以下改进措施:①给出初始种群的生成模型,提高初始种群的适应值;②对染色体进行分段遗传操作,以保证各类开关设备能同步优化;③提出模糊变异的实现方法,以利于优质基因遗传并避免局部最优化;④提出最优染色体的变异机制,以提高算法局部搜索能力.将该算法应用于RBTS-Bus6和实际系统并与普通遗传算法进行比较,结果表明该算法在收敛速度和全局收敛性上均优于普通遗传算法.     

改进人工鱼群算法在配电网网架规划的应用

针对配电网网架规划组合优化复杂性的问题,在网架规划中以人工鱼群算法的寻优框架为基础进行优化。针对人工鱼群算法自身上的不足,对人工鱼群的行为中觅食、集群和追尾等行为进行改进。以网络年综合费用最小为优化目标建立了配电网网架规划的数学模型,并利用改进后的人工鱼群算法求得该模型的优化解,并与遗传算法及粒子群算法等做对比。实验结果表明了该改进的可行性和有效性。     

基于混沌遗传算法的电力系统无功优化

针对遗传算法在求解大规模电力系统无功优化问题中存在的收敛速度慢、易早熟的缺点,提出了一种新的无功优化算法——混沌遗传算法CGA。该方法结合混沌优化所具有的遍历性、随机性和规律性的特点,在遗传进化过程中引入混沌移民算子,通过混沌移民操作维持群体中染色体的多样性,以克服传统遗传算法中由于近亲繁殖所导致的早熟问题,确保算法的全局收敛性,加快计算速度。通过对某地区42节点系统进行仿真计算,该方法相比于简单遗传算法,计算速度提高了45%,收敛到全局最优的概率提高了1.25倍。     

避免过补偿的改进遗传算法在集中无功补偿优化中的应用

以年运行费用最小为目标函数,建立了配电网集中无功补偿优化数学模型。针对遗传算法的局限性,采用整数编码,调整了适应函数,改进了交叉和变异操作,实施了最优保留策略,并结合了模拟退火算法,该算法能够有效地提高收敛速度,避免早熟收敛。同时在操作过程中,提出了一种通过动态调整补偿容量上限值避免产生过补偿现象的计算方法。优化实例说明,该优化方法有效、实用。     

基于粒子群和克隆选择算法的局部放电超声波定位方法

针对粒子群算法在变压器局部放电超声波定位中存在定位精度不高、易陷入局部最优等问题,文中提出一种基于粒子群和克隆选择混合的优化方法.首先,根据电声法定位原理建立优化模型;然后,由粒子的适应度对粒子进行按比例克隆复制、高频变异和消亡补充处理,有效维持种群的多样性,避免算法早熟收敛,同时,利用粒子群算法指导变异抗体通过更新速度和位置来加速最优解的寻找,提高收敛速度;最后,将所提方法与粒子群算法和遗传算法的优化结果进行比较,仿真结果表明该算法具有较高的收敛速度和计算精度,提高了定位的准确度.     

基于单亲遗传算法的配电网络规划

配电网络规划属于非线性混合整数规划问题，应用传统数学优化算法往往难以直接求解，文章针对目前应用广泛的常规遗传算法在求解该问题时存在的难以保证方案连通性和辐射性的缺陷，提出了基于单亲遗传算法的配电网络优化规划算法，于整数编码策略，给出了配电网络规划中变量编码的具体方法和迭代求解程序，该算法具有进化操作成功率高，求解配电网络优化规划问题的效率高等优点，同时可将简化网架结构和选取导线截面结合在一起，既可确保解的最优性，又可减少工作量，仿真算例验证了该方法的快速性和有效性，该算法还适用于辐射型配电网络的扩展规划和配电网络的重构。     

遗传算法在水轮发电机模糊神经网络励磁控制器设计中的应用研究

本文在分析了模糊神经网络(FNN)控制器的工作原理及设计方法的基础上,提出了一种采用遗传算法优化设计水轮发电机模糊神经网络励磁控制器的方法。其基本过程是利用遗传算法得到初始模糊控制规则,并对初始规则进行过滤,在此基础上利用遗传算法结合模拟退火对得到的模糊神经网络进行训练。仿真结果表明与根据专家经验获得模糊规则和BP算法进行学习的常规FNN比较,采用遗传算法优化设计的模糊神经网络励磁控制器所构成的励磁系统具有更好的动态性能。     

基于改进遗传算法的配电网无功优化

针对传统遗传算法在电网无功优化领域应用中存在的不足,结合配电网的特征,建立了综合考虑全年网损、电压品质和补偿设备投资的无功优化数学模型。同时应用自适应遗传算法对传统遗传算法的遗传算子和终止判据等进行了改进,提出了一种配电网无功优化的改进遗传算法,使其计算效率和全局寻优能力均有提高。实例计算表明,其优化效果优于传统遗传算法。     

遗传禁忌混合算法及其在电网规划中的应用

电网规划是一个较难解决的NP难问题。文中首先就遗传算法、禁忌搜索算法(TS)及其两者的混合算法在旅行商问题(TSP)中的应用来比较它们之间的优缺点,认为采用了TS变异算子的改进遗传算法将大大提高其优化能力;然后通过该混合算法在典型电网扩展规划算例中的应用来看,认为该混合算法适用于求解复杂的电网规划问题;最后通过对该混合算法在求解实际的城市中压配电网络规划问题时与其他两种单一算法的结果比较来看,其搜索效率相比单一算法得到了很大程度的提高,体现了很好的应用前景。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

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...     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

电力变压器的智能故障诊断研究

将基于改进遗传算法（IGA）和误差反向传播（BP）算法相结合构成的IGA-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和传统GA算法独立训练神经网络的缺陷,并应用于电力变压器溶解气体分析的智能故障诊断。实验诊断结果表明,IGA-BP混合算法的收敛速度快于BP及GA算法,并且具有较高的诊断准确率。     

基于改进禁忌搜索的配电网重构

为解决配电网的重构问题,提出了一种改进的禁忌搜索(Tabu search)方法.该方法结合配电网络的闭环设计和开环运行的特点,将遗传算法中的优化编码技术引入到Tabu搜索算法中,并以有功网损最小为目标函数对配电网络进行优化.对3个典型IEEE测试系统进行了优化计算,将其结果与模拟退火算法和遗传算法的计算结果进行比较证实,改进的Tabu搜索算法比模拟退火算法和遗传算法具有更高的搜索效率.     

遗传算法在前向神经网络参数估计中的应用

人工神经网络在很多领域有着成功的应用,神经网络参数估计有许多训练算法,BP算法是前向多层神经网络的典型算法,但BP算法有时会陷入局部最小解,遗传算法是一种随机优化技术,它可以发现全局优解。本文介绍了遗传算法在前向多层神经网络参数估计中的应用,并对标准遗传算法进行了适当的改进。结合具体例子给出了算法实现的操作步骤和实验结果。实验数据表明采用遗传算法得到的神经网络参数是最优的,神经网络的性能优于基于BP算法的神经网络性能。