基于RQGA和非支配排序的多目标混沌量子遗传算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,借鉴实数编码遗传算法和多目标优化理论,构建一种多目标混沌量子遗传算法.在分析量子位概率的混沌特性、量子态干涉特性和量子位实数编码的基础上,采用量子位概率交叉和混沌变异的方式进化种群,以提高寻优能力和收敛速度,利用非支配排序、精英保留和分层聚类等多目标优化策略保持种群多样性的同时,保证进化向Pareto全局最优解集方向进行.通过混合算法性能对比测试验证了多算法集成的有效性,并分析关键参数对算法性能的影响.电力系统多目标无功优化的仿真结果验证了该算法的有效性和可行性.     

基于非支配排序遗传算法的无约束多目标优化配煤模型

分析单目标动力配煤模型的缺点,提出多目标优化配煤模型,模型将所有煤质指标都作为优化目标,根据每个指标的特点构建出安全性、经济性和环保性3个目标函数。引入带有精英策略的非支配排序遗传算法(non-dominated sorting genetic algorithm,NSGA-II)作为该模型的寻优算法,并结合配煤问题的特点对原算法进行适当改进和调整,对某电厂的实际配煤问题进行求解,得到分布较好的Pareto最优解集,这些解为电厂配煤人员在多个相互关联的目标之间进行决策时提供了多样的选择,具有很好的指导作用和应用价值。     

基于改进非支配排序遗传算法的电力系统无功–潮流多目标协同优化调度

提出了一种改进非支配排序遗传（Non-dominated sorting genetic algorithms,NSGA）-Ⅱ算法,其种群局部搜索和外部种群的设置有效提高了算法的收敛性和解集的多样性。将该算法应用于电力系统无功–潮流多目标协同优化调度问题的求解。采用IEEE-14和IEEE-30母线系统进行算例分析。算例仿真的结果表明,应用所提方法能够兼顾电力系统运行的无功优化目标和潮流优化目标,实现无功最优和潮流最优的折中;同时,改进NSGA-Ⅱ算法在收敛性和解集多样性上都优于传统NSGA-Ⅱ算法。     

基于并行非支配排序遗传算法的限流措施多目标优化

分析了当前限流措施优化模型和算法存在的缺陷,提出了综合考虑安全性、稳定性、经济性的限流措施多目标优化模型.在潮流约束下,模型以总投资成本最小、故障后功角稳定性最佳、短路电流综合越限最小为优化目标,并且引入带精英策略的改进非支配排序遗传算法,结合基于限流效果灵敏度的支路筛选策略,应用于Pareto最优限流措施的求解.为提升优化速度,在MATLAB计算平台上对改进非支配排序遗传算法进行了主从并行改造.最后,结合改进的新英格兰10机39节点系统优化结果,验证了所提出的多目标优化方法有效、可行.     

基于小波变换和遗传算法优化神经网络负荷预测

提出了采用小波变换和遗传算法优化神经网络的混合模型对电力负荷进行短期预测。首先通过小波变换,将原始负荷序列分解到不同的尺度上,然后根据不同的子负荷序列的特性分别建立相匹配的神经网络模型,采用遗传算法优化各神经网络模型的初始权值,最后对各分量预测结果进行重构得到最终预测值。采用成都某地区2009年的实际负荷对所提方法进行验证,实验结果表明基于该方法的负荷预测系统具有较高的预测精度。     

基于遗传算法优化神经网络的电动汽车负荷短期预测

开展电动汽车(EV)充电负荷预测在一定程度上可以有效缓解EV充电对配电网产生的影响。提出一种用遗传算法(GA)同时优化神经网络权阈值(连接权)和结构即隐含层单元数的EV充电负荷的预测方法,并与BP神经网络预测方法进行对比。实验结果表明所提出的预测方法有较高的预测精度。     

带精英策略的快速非支配排序遗传算法在多目标无功优化中的应用

带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)是一种新型的多目标遗传算法,该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好.本文分析了当前多目标无功优化算法存在的缺陷,提出将NSGA-Ⅱ应用于多目标无功优化,该算法一次运行可以获得多个Pareto最优解,决策者可根据系统的实际要求选择最终的满意解,为各目标函数之间的权衡分析提供了有效的工具.算例结果表明NSGA-Ⅱ算法具有良好的优化效果,是一种求解多目标无功优化问题的新思路.     

基于遗传算法优化神经网络的建筑物电力负荷预测

建立BP神经网络模型,解决了建筑物电力负荷预测由于强耦合性、滞后性和非线性而难于建立模型的问题。利用遗传算法的全局搜索能力对网络模型进行权值优化,解决了传统BP神经网络易陷入局部最优的困扰,使预测更为精准。通过MATLAB软件进行仿真试验,验证了此方法的可行性。     

基于BP神经网络和遗传算法的年负荷预测与分析

建立BP（Back Propagation）神经网络与遗传算法相结合的电力负荷预测模型。在该模型中,利用遗传算法具有的全局寻优特点,将BP网络的初始权值优化到一个较小的范围,然后再用BP算法在该范围内继续优化,以便使优化算法既能实现全局最优求解,又能获得较快的求解速度。最后,通过仿真算例,与传统BP网络优化结果、及各种拟合方法获得结果进行比对,验证了计算方法的可行性和优越性。     

基于快速非支配排序遗传算法的船舶电力系统多目标故障重构

为避免已有船舶电力系统故障重构方法中将多目标优化问题通过加权转化为单目标优化问题进行求解而产生的问题,以失电负荷最少、开关操作代价最小为目标函数,利用带精英策略的快速非支配排序遗传算法实现故障重构多目标、多约束问题求解,该算法求得的Pareto最优解分布均匀,得到的最优重构方案集具有稳定性和多样性。得到故障重构方案集后,对系统运行的安全性、可靠性、高效运行性等指标进行归一化处理,得到综合辅助评价函数作为各故障重构方案辅助评价指标。算例测试结果表明,该方法能避免单目标优化算法对权值的过分依赖等缺点,能够兼顾多个指标,得出的最优故障重构方案更加符合实际。     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

基于粒子群模糊神经网络的短期电力负荷预测

为了从根本上提高短期电力负荷预测中神经网络的速度和预测精度,提出了将粒子群算法和BP算法相结合的短期负荷预测方法。用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值进行BP算法,实现短期负荷预测。在构建网络模型时,考虑了气候、温度等因素的影响,并把它们进行模糊化处理后作为网络的输入。仿真结果表明基于这一方法的负荷预测系统具有较高的精度和实时性。     

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。     

基于回归分析与神经网络的短期负荷预测

针对电力系统短期负荷预测中神经网络输入变量选择与网络训练问题,提出了一种基于回归分析与神经网络相结合的短期负荷预测方法,利用回归分析选择神经网络的输入变量,利用遗传算法训练神经网络.实例研究结果表明该方法可以取得较高的预测精度.     

改进遗传算法优选分形插值参数的短期负荷预测

分形插值方法的参数对插值的结果影响很大.在基于分形的电力系统负荷预测中,如果得不到合适的分形插值参数,将会影响到预测的精度.针对传统的分形插值方法很难确定分形参数,文章对基本的遗传算法进行了改进,并将其应用于分形插值的垂直尺度因子的寻优中,实现预测日负荷曲线的最佳拟合.算例结果表明,利用改进的遗传算法进行分形插值参数寻优的方法提高了负荷预测的精度.     

基于CNN-ISSA-GRU模型的短期负荷预测方法

电网的可靠运行及持续发展离不开对短期电力负荷的高效、准确预测。针对表征电网负荷变化的历史数据具有复杂性和时序性等特点,且现有的机器学习预测方法仍存在依据经验选取关键参数的不足,利用卷积神经网络(CNN)提取表征负荷变化的多维特征向量,构造成时间序列输入到门控循环单元(GRU),并使用改进麻雀搜索算法(ISSA)对GRU网络中的超参数进行迭代寻优。预测试验样本来自云南某地区的负荷数据,所提方法的预测精度达到了98.624%,与循环神经网络(RNN)、GRU和长短期记忆(LSTM)等神经网络预测方法进行对比,算例表明,所提方法克服了依据经验选取关键参数难题的同时具有更高的预测精度。     

基于多重局部回归Elman神经网络的短期负荷预测

针对传统静态前馈神经网络动态性能较差的缺点,提出了多重局部回归的Elman神经网络,建立了网络的基本结构,并设计了相应的学习算法和学习过程。通过对负荷原始数据的归一化处理,提出将训练数据分段的思想,并利用分段数据对多重局部回归的Elman网络进行训练,通过对收敛曲线和训练误差的分析,确定合适的网络神经元个数和网络训练步数,最后利用实际负荷数据对网络进行了检验。结果表明,改进多重局部回归Elman神经网络比传统Elman神经网络具有更高的预测精度。     

基于RBF神经网络的短期负荷预测

针对BP网络的缺陷,提出了一种基于RBF神经网络的短期负荷预测方法,利用遗传算法训练神经网络,使神经网络以较快的收敛速度和较大的概率得到了最优解。实例研究结果表明该方法可以取得较高的预测精度。