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...     

局部搜索量子遗传算法及其无功优化应用

针对量子遗传算法局部寻优能力差的不足,提出一种局部搜索量子遗传算法,用于电力系统无功优化.该方法将局部搜索引入到量子遗传算法中,先进行全局寻优,当全局寻优搜索到的最优解经过多次迭代没有变化时,在此解附近产生小的寻优区间,进行局部寻优,以使算法同时具有较强的全局和局部搜索能力.复杂测试函数和IEEE30节点测试系统的仿真实验表明,该方法在寻优能力、收敛速度和稳定性方面优于文献中的新量子遗传算法、进化规划等多种方法.     

改进量子遗传算法在输电网规划中的应用

输电网规划是复杂的多目标非线性组合优化问题。针对传统遗传算法（GA）在求解输电网规划模型中存在收敛速度慢,容易陷入局部最优的不足,提出一种基于改进量子遗传算法（IQGA）的输电网规划方法。该算法在量子遗传算法（QGA）的基础上提出直接将量子染色体与当前最优解相比较来确定旋转门的旋转角策略,保证种群中个体以不同的收敛速度分别进行局部搜索和全局搜索,并同时采用量子全干扰交叉策略和量子非门变异策略有效防止算法陷入局部最优。所提三种改进策略各有针对性,能有效改善量子遗传算法在输电网规划中的收敛性能。分别采用传统遗传算法、量子遗传算法和该方法对Garver-6节点系统进行规划仿真,实验结果表明,该方法全局寻优能力强并且收敛速度得到显著提高。     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群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于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

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。     

改进的遗传算法在电网规划中的研究

遗传算法的主要的特点是:简单、通用、鲁棒性强,能依概率收敛到问题的全局最优解。用遗传算法来求解多目标的电力网络的优化规划,可以避免局部最优的问题。针对现有的遗传算法的不足和对初始种群的依赖,提出了改进的遗传算法,采用贪心法进行种群初始化,从而避免了遗传算法初始种群过于随机,提高了算法的收敛速度和搜索性能。     

序列二次规划-遗传算法及其在变压器局部放电超声定位中的应用

针对基本遗传算法(genetic algorithm,GA)局部寻优能力较差和易出现早熟收敛现象,提出了一种改进的遗传算法,即序列二次规划-遗传算法(sequential quadratic programminggenetic algorithm,SQP-GA)。该混合优化算法SQP-GA在基本GA中引入序列二次规划(sequential quadratic programming,SQP)算法,经典算法SQP作为一个元算子有效地提高了基本GA的局部搜索能力,并克服了早熟收敛现象。函数仿真测试结果表明,SQP-GA混合优化算法在收敛速度和寻优精度上都优于基本GA,表明所提出的算法的有效性。同时,利用提出的SQP-GA求解变压器局部放电超声波定位问题,并将其定位结果与GA和非智能算法的定位结果进行比较;算例结果表明,基于SQP-GA的变压器局部放电超声定位法能有效地防止结果陷入局部最优,该方法的定位效果理想。     

基于混沌遗传算法的舰船电力系统故障恢复

为了解决舰船电力系统故障恢复的问题,根据故障恢复快速性的要求提出了一种新的混沌遗传算法,尝试改进遗传算法,采用遗传算法代替混沌优化算法中的"细搜索";同时用混沌优化算法中的"粗搜索"来初始化遗传算法的种群,以保证初始种群含有较丰富的模式,从而增加搜索快速收敛于全局最优解的可能.对典型的模型仿真结果表明,该算法具有更好的收敛性能,有效提高了故障恢复的速度和精度,避免了陷入局部最优的可能.     

基于混沌遗传算法的舰船电力系统故障恢复

为了解决舰船电力系统故障恢复的问题,根据故障恢复快速性的要求提出了一种新的混沌遗传算法,尝试改进遗传算法,采用遗传算法代替混沌优化算法中的"细搜索";同时用混沌优化算法中的"粗搜索"来初始化遗传算法的种群,以保证初始种群含有较丰富的模式,从而增加搜索快速收敛于全局最优解的可能。对典型的模型仿真结果表明,该算法具有更好的收敛性能,有效提高了故障恢复的速度和精度,避免了陷入局部最优的可能。     

电力系统相量测量装置最优配置混合算法的研究

以电力系统状态完全可观测和相量测量装置(PMU)配置数目最小为目标,形成了PMU最优配置问题。将遗传算法和禁忌算法有效结合形成禁忌遗传算法,该算法在改进交叉和变异算子的基础上,继承和发展了遗传算法基于多点搜索、鲁棒性强等诸多优点,每当群体有出现早熟而陷入局部最优解的趋势时,利用禁忌搜索增强算法的爬山能力,避免算法早熟而陷入局部最优解,增强算法的全局收敛能力和收敛速度。与遗传算法和禁忌搜索方法相比,禁忌遗传算法具有更好的全局收敛能力和收敛速度。最后采用IEEE14,IEEE30和IEEE57节点系统对算法的有效性进行了验证。     

求解车间作业问题的混合遗传算法

针对遗传算法(GA)求解车间作业问题JSP(job shop problems)的早熟和收敛速度慢等问题,基于算法混合的思想,将改进的瓶颈移动算法MSB(modify shifting bottleneck)所求得的调度方案加入遗传算法解空间,参与遗传算法迭代运算,形成高性能的混合遗传算法HGA(hybrid gennetic algorithm).由于MSB所获得解的质量较高,依据遗传算法的精英保留策略,可以加快算法的收敛速度.标准实例上进行的仿真实验表明,调度结果的平均质量、最好调度的获取能力和算法稳定性方面,HGA的性能明显优于GA.     

混合遗传算法在电力参数测量中的应用

现有电力参数测量方法往往只针对一个误差因素,当系统采样数据同时受多个误差影响时,难以得到准确结果.针对这一问题,建立了电力参数极值优化模型,同时对衰减直流分量、非同步采样及谐波等多个误差参数加以精确表示,利用混合遗传算法(HGA)对该模型进行求解,可得到准确的系统幅值、相位、频率及谐波等电力参数.针对普通遗传算法(GA)收敛慢和经典迭代法初始点敏感问题,HGA将GA算子与混合拟牛顿算子结合起来,由GA算子进行解空间全局搜索,混合算子进行强局部搜索,可实现无需指定初值的电力参数快速求解.仿真实验表明,该方法能有效提高参数测量的运行效率和计算精度.     

基于多种群遗传算法的波浪发电最大功率跟踪控制

波浪发电系统遗传算法最大功率点跟踪过程中,因群体中的所有个体较快趋于单一化而停止进化,导致难以获得最优解,为此引入多种群遗传优化新算法。在初始阶段,新算法引入多个种群同时进行搜索,并对每个种群赋予不同的交叉、变异概率,使算法能够兼顾全局与局部搜索;同时加入用于维持种群间联系的移民算子及可用来建立精华种群的人工选择算子,并以精华种群作为算法收敛的判据。仿真结果表明,与传统遗传算法相比,该算法能够提高波浪发电系统的波浪能捕获率。     

基于混合遗传算法的无功优化

通过混合算法来改进遗传算法是一种可行的方向。在前人研究的基础上进一步提出了一种能够保持遗传算法、模拟退火算法和禁忌搜索算法优点的混合遗传算法。该算法显著改善了遗传算法早熟收敛和局部搜索能力差的不足,具有良好的全局寻优能力和局部搜索能力,并在实际系统应用中验证了它的有效性。     

基于C-PSO的水火电混合电力系统电源规划

提出了一种粒子群算法与遗传算法结合的组合粒子群算法,并将其用于求解复杂的、非线性的水火电混合电力系统电源规划问题。该结合算法引入的遗传算法成功地提高了基本粒子群算法的全局搜索能力,同时也比基本遗传算法的收敛速度更快。算例结果表明:对于短期规划,该算法能可靠、快速地收敛到全局最优解,对于大型电力系统的中长期电源规划问题也可得到较好解。     

Hybrid genetic algorithm for economic dispatch with valve-point effect

This paper presents an efficient method for solving the economic dispatch problem (EDP) through combination of genetic algorithm (GA), the sequential quadratic programming (SQP) technique, uniform design technique, the maximum entropy principle, simplex crossover and non-uniform mutation. The proposed hybrid technique uses GA as the main optimizer, the SQP to fine tune in the solution of the GA run. Based on the maximum entropy principle, the cost function of EDP is approximated by using a smooth and differentiable function to improve the performance of the SQP. An initial population obtained by using uniform design exerts optimal performance of the proposed hybrid algorithm. The effectiveness of the proposed method is validated by carrying out extensive tests on two different EDP with incremental fuel-cost function taking into account the valve-point loadings effects. The result shows that the proposed hybrid genetic algorithm improves the solution accuracy and reliability compared to other techniques for EDP considering valve-point effects.     

基于混合搜索算法的配电网最优无功补偿

针对目前无功优化算法所存在的问题,提出一种综合三种智能优化方法优点于一身的混合搜索算法。该方法在自适应遗传算法基础上,加入二次邻域变异过程,加快遗传进化速度,引导个体向符合无功优化问题的实际方向发展。然后运用模拟退火进行个体更新,以便增加群的多样性;最后将所得最优解作为禁忌搜索的初始解,进行局部寻优求解过程。以IEEE28-bus系统和一实际配电网系统为例进行优化计算,结果表明混合搜索算法具有较优的性能和求解精度。     

基于最优流法和遗传算法的配电网重构

提出了一种基于改进最优流和遗传算法的配电网重构算法.该算法先利用配电网的同胚图将重构问题的全局寻优空间划分为若干子空间,然后利用改进最优流法寻找子空间内的最优解,之后再利用遗传算法搜索全局最优解所在的子空间,从而实现在局部最优解中寻找全局最优解.该算法既通过压缩寻优空间提高了遗传算法的搜索效率,又利用改进最优流法改善了局部寻优能力.算例计算结果表明了文中所提算法的可行性和有效性.     

配电网重构的自适应和声搜索算法

采用和声搜索算法（ＨＳＡ）搜索最优方案进行配电网重构时,会受初始参数值的影响。为此,提出自适应和声搜索算法（ＡＨＳＡ）。在和声搜索算法中加入局部搜索进行改进,增强了算法的寻优性能。建立以降低网络的有功和无功功率损耗为目标的配电网重构的数学模型,采用基于节点分层的前推回代法对网络结构进行潮流计算和分析。对IEEE69节点配电网进行仿真,与和声搜索算法,遗传算法（ＧＡ）的结果进行对比分析,表明该算法的迭代次数少,有较好的收敛效果。在配电网重构的算例应用中,证明了自适应和声搜索算法是可行的。