基于遗传算法的超超临界机组过热器动态模型参数辨识

针对超超临界机组过热器MISO动态模型参数辨识问题,提出了一种基于遗传算法的模型参数辨识方法。将遗传算子改进为排序保优选择、非均匀线性交叉和高斯变异,引入均匀设计方法构造初始种群,采用Sigmoid函数适应性调整交叉和变异概率,以提高遗传算法的收敛精度和运算速度。对海门电厂超超临界机组运行数据进行参数辨识仿真的结果表明,该改进遗传算法具有较好的运算性能,预测的输出变化与主蒸汽温度实际变化基本一致,能够反映高温过热器的动态特性。     

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.     

遗传策略的综合改进及其在负荷建模中的应用

研究了遗传操作和控制参数选择对遗传算法性能的影响,设计了解群选择的随机-精英策略、避免近亲繁殖的双断点交叉策略和交叉与变异概率的自适应调整策略,提出了一种综合改进型遗传算法并成功地应用于基于实测参数的负荷建模。算例表明,该算法改善了进化过程中的种群多样性和早熟现象,对加速收敛、缩短辨识时间、克服模型参数分散性、提高辨识精度均有显著作用,适用于负荷建模。     

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。     

低碳调度下机组组合问题的混沌遗传混合优化方法

提出了一种求解低碳调度下机组组合问题的混沌遗传混合优化方法。采用控制基因与参数基因编码方式对机组发电计划进行编码,通过结合电碳特征优先次序、混沌映射和随机生成3种方法提高初始种群多样性;将混沌迭代搜索引入到遗传算法的进化过程之中,构造新的变异算子,改进遗传算法过早收敛的缺点,并且在变异过程中进行按电碳特征优先权确定的区间偏移,达到了加快算法收敛速度的目的。通过算例验证了混沌遗传混合优化方法具有较好的收敛特性和全局搜索能力。     

一种自适应遗传算法在线性最优励磁控制系统中的应用

针对传统线性最优励磁控制系统的反馈增益不能随运行工况而自适应调整,控制特性达不到最优的问题,提出以反馈增益作为决策向量的自适应遗传算法控制策略。首先通过系统灵敏度分析求出反馈增益初始种群的可行解集;然后以二次型性能指标泛函作为适应度评价函数,在进化过程中自适应调整交叉、变异概率,兼顾了种群的多样性与收敛速度;最后通过模式搜索求出了最优反馈增益。仿真实验表明,提出的自适应遗传算法控制策略具有收敛速度快,系统动态调节性能好的特点。     

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.     

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...     

水电站发电优化调度遗传算法的改进

遗传算法在求解水库优化调度问题时存在两个问题：随机的初始种群生成方式难以保证个体在解空间均匀分布,导致求解结果不稳定;由于水库水量平衡等条件约束,使交叉、变异操作常常导致可行解变成不可行解。针对上述问题,引入了基于均匀设计的初始种群生成方式,保障了初始种群空间分布的均匀性;在交叉、变异操作中建立了个体可行性判断与处理方法,保障了在个体进化过程中的可行性。以三峡发电优化调度为例,验证了改进算法的有效性,与标准遗传算法相比改进遗传算法可以显著提高寻优性能。     

遗传算子自适应设计及其在负荷建模中的应用

针对电力系统综合负荷模型参数辨识的分散性与耗时较长的问题,研究了遗传算子对遗传算法寻优能力的影响,基于算子与适度值本质关系,设计了个体繁殖数量与其适度值成正比的选择/复制算子、交叉概率随适度值自适应调整以及种群规模与交叉步长相协调的交叉算子和变异概率随适度值自适应调整的变异算子,并成功地将其应用于基于总体测辩的电力系统负荷建模。算例表明,该方法在提高辨识精度、缩短辨识时间和提升辨识结果的稳定性等方面有显著的表现,有效提高了建模效率。     

现代重工持续发力中国电气市场

新世纪以来,中国电力市场的高速发展为众多国外电气制造企业创造了机会,他们争先恐后地搭上了中国电力市场＂快车＂。如今,中国发电量更是稳居全球之首,其发展潜力不言而喻。不管是＂先来者＂,还是＂后到者＂,国内外电气企业纷纷凭借日新月异的技术,力争在这场中国电力市场发展大潮中＂分一杯羹＂。现代重工（中国）投资有限公司系韩国现代重工集团在中国的全资子公司,成立于2006年5月,总部位于上海。公司在华业务范围涉及工程机     

改进的遗传算法辨识综合负荷模型

以基于实测数据的电力系统综合负荷建模为目标,研究了遗传操作和控制参数选择对遗传算法性能的影响。针对基本遗传算法的不足,设计了比例选择策略和线性自适应变异策略,对遗传算法的选择算子和变异算子进行改进,使得遗传算法能够根据个体自身的适应度值进行选择和自适应地调整变异概率,实现方式简单有效。选用TVA综合负荷模型,使用改进的遗传算法进行负荷模型参数辨识,同时在不改变负荷模型结构的前提下,通过调整待辨识参数及其取值范围,考虑无功补偿的影响。利用现场实测数据进行建模,结果表明,改进后的遗传算法改善了优化过程,对加速收敛、缩短辨识时间均有显著作用,适用于负荷建模。     

改进量子遗传算法在PID参数整定中应用

参数整定是PID控制器设计的关键,针对PID控制器参数整定问题,提出一种基于改进量子遗传算法的参数整定方法.该算法在基本量子遗传算法的基础上引入了量子交叉、量子变异和群体灾变操作.基于改进量子遗传算法的PID参数整定方法将PID控制器参数整定转化为参数优化问题,通过改进量子遗传算法的进化计算实现参数整定.与其他参数整定优化算法的仿真结果比较表明,该方法能获取更好的控制品质.仿真结果验证了该方法的可行性.     

改进的自适应遗传算法在控制器PID参数优化中的应用

针对遗传算法(GA)中自适应机制存在理论性和可行性之间的矛盾,提出一种行之有效的自适应算法。该算法根据个体和群体的适应度来确定个体的交叉变异概率,并据此采用无放回抽样的方式进行交叉变异。用一个非常复杂的数学函数对新算法进行了测试,结果表明改进算法克服了传统GA难以解决的早熟和局部收敛的问题,并且收敛速度大有提高。在此基础上将其应用于锅炉过热汽温串级控制系统的PID参数优化,仿真结果表明了其优越性,具有很好的应用价值。     

遗传算法优化的RBF神经网络控制器

为了消除神经网络参数初值对控制器性能的影响,提出了一种改进遗传算法优化的RBF神经网络控制器.该方法设计了基于性能指标的适应度函数,自适应的交叉概率、变异概率,引入移民的遗传算法,保证了得到的控制器为最优参数控制器.该方法可用于非线性对象的控制器设计,仿真结果说明了该方法的有效性.     

改进的自适应遗传算法及其在系统参数辨识中的应用

为解决传统自适应遗传算法存在的不足,在实数编码策略和精英保留策略的基础上,提出了一种改进的自适应遗传算法,对遗传操作的交叉概率和变异概率进行了改进。将其应用于系统参数辨识,结果证明该算法具有更高的辨识精度和更强的抗噪声能力。     

遗传算法在过程控制参数拟合中的应用

在简单遗传算法的基础上,对交叉运算和变异运算进行了改进,针对过程控制参数多且要求精确度高的特点,设计了一种快速遗传算法,并在BP神经网络权值训练和热工对象传递函数参数拟合中进行了应用。仿真结果验证了该算法的实用性。     

一种改进遗传算法及其在负荷建模中的应用

在基于量测的电力负荷建模中,模型参数辨识结果的分散性是困扰模型应用的难题,其解决途径之一是在确定合理的模型结构和进行合理的时变性综合前提下,采用具有全局寻优特性的优化算法。遗传算法是一种具有全局寻优能力的随机搜索算法,但其本身存在收敛速度慢和易早熟的缺陷。为此,提出一种改进的遗传算法,它包括精英策略,交叉策略和移民策略,具有克服早熟、避免近亲繁殖和自适应的优良特性。建模实例表明,提出的改进遗传算法在精度、参数稳定性和计算时间上都远远优于基本遗传算法。