基于改进免疫算法的电力系统最优潮流计算

提出了一种改进的人工免疫算法来计算电力系统最优潮流,免疫算法是根据人或其它高等动物免疫系统的机理而设计的,将目标函数和不等式约束条件作为抗原,将搜索空间的解作为抗体,依据抗原与抗体的结合力以及抗体之间的结合力对解进行评价和选择,该算法在保持了基本免疫算法的全面搜索能力基础之上,又通过引入矢量距等概念及使得免疫算法在理论上保证了解的多样性。通过IEEE-30节点系统的计算结果表明该算法是可行的。与遗传算法等模拟进化算法相比,该算法全局搜索能力强,收敛速度快。     

基于改进免疫算法的电力系统最优潮流计算

提出了一种改进的人工免疫算法来计算电力系统最优潮流,免疫算法是根据人或其它高等动物免疫系统的机理而设计的,将目标函数和不等式约束条件作为抗原,将搜索空间的解作为抗体,依据抗原与抗体的结合力以及抗体之间的结合力对解进行评价和选择,该算法在保持了基本免疫算法的全面搜索能力基础之上,又通过引入矢量距等概念及使得免疫算法在理论上保证了解的多样性.通过IEEE-30节点系统的计算结果表明该算法是可行的.与遗传算法等模拟进化算法相比,该算法全局搜索能力强,收敛速度快.     

免疫算法及其在电力系统无功优化中的应用

提出一种用于电力系统无功优化的免疫算法(Immune Algorithm,IA).该算法是根据生物免疫原理提出的,与遗传算法相比,它具有抗原识别、记忆、抗体的抑制和促进等显著特点.IA将目标函数和约束条件比作抗原,将问题的解比作抗体.通过亲和度的计算来评价抗体并促进或抑制抗体的产生,减小了进化过程陷入局部最优解的可能性;通过抗原记忆,提高了局部搜索能力,加快了计算速度.将IA用于69节点实际电力系统的无功优化计算,并与传统遗传算法的计算结果进行了比较.结果表明IA能够以更快的速度得到最优解,其性能明显优于遗传算法.     

基于混沌优化与线性内点法的最优潮流算法

求解最优潮流是一项基本而重要的工作，文中将混沌优化与线性内点法相结合，提出了一种新的混合优化算法，并应用该方法进行电力系统最优潮流的计算。混沌优化方法利用混沌运动特定的内在遍历性、随机性和规律性等特点跳出局部最优点，接近最优点；同时，利用预测-校正原-对偶内点法在最优点的邻域内局部寻优，提高了收敛速度和求解精度。通过对IEEE 14、30和57节点试验电力系统的数值计算，验证了算法的有效性。     

基于免疫算法的电压稳定裕度计算

提出一种求解电压稳定裕度的新算法——免疫算法。该算法模仿人体的免疫系统,将搜索空间的解作为抗体,依据抗原与抗体的亲和性以及抗体之间的亲和性对解进行评价和选择,由于具有多样性记忆单元的存在,有效地克服了确定性算法中解易陷入局部极值的缺点,能快速搜索到全局最优解,并求得电压稳定裕度的最大值。应用该算法对IEEE14节点和IEEE57节点系统进行仿真计算,获得了较原-对偶内点算法至少增加10%的稳定裕度。     

基于混沌优化和BFGS方法的最优潮流算法

将混沌优化与拟牛顿法中的BFGS方法相结合，提出了一种新的混合优化算法，并应用该方法进行电力系统最优潮流的计算。混沌优化方法利用混沌运动内在的遍历性、随机性和规律性等特点，跳出局部最优解，接 近最优点；同时，利用BFGS方法在最优点的邻域内局部寻优，提高了收敛速度和求解精度。 通过对IEEE 14，30和57节点试验电力系统的数值计算，验证了算法的有效性。     

基于聚类的差分进化算法的两阶段最优潮流方法

差分进化算法是一种广泛应用于求解非线性优化问题的全局最优解的元启发式方法,但存在容易找到次优解或近似局部最优解的问题.为此,提出了一种求解高质量局部最优解甚至全局最优解的基于聚类的差分进化算法的两阶段方法,并将该方法应用于电力系统最优潮流问题.所提方法由基于聚类的差分进化算法和局部优化算法组成.第Ⅰ阶段是基于聚类的差分进化算法利用强大的全局搜索能力快速确定包含局部最优解的区域;第Ⅱ阶段是局部优化算法利用局部寻优能力为非线性优化问题高效寻找高质量的局部最优解甚至全局最优解.在一组基准函数上测试了该两阶段优化方法的求解性能,并通过对IEEE 118节点电力系统最优潮流的计算,验证了所提两阶段优化方法的有效性和实用性.     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

基于改进粒子群算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出一种基于(非劣最优)Pareto解集的改进粒子群算法AL iPSO。用最优值评估选取法求取粒子和全局最优位置,解决目标函数间可能存在的冲突。并将关联度自适应学习应用于多目标优化,提出适合Pareto解特点的适应度设计和随机惯性权策略,克服PSO算法容易早熟而陷入局部最优解的缺点。通过对IEEE 6、IEEE 14节点系统多目标最优潮流计算,验证了该算法的有效性。     

智能新算法在无功优化中的应用

动态无功优化是个十分复杂的时空分布非线性优化问题,全局寻优十分困难。为了解决电力系统无功优化的求解问题,提出了一种新的智能算法,即把蚁群算法和免疫算法相结合,利用两种算法优点的互补,以解决约束优化问题。该算法将免疫算法和蚁群算法相结合,把用蚁群算法解决的问题看作抗原,通过免疫算法产生抗体给参数赋值,并应用于具体问题的求解,将得到的结果作为当前抗体的适应度值,然后通过免疫算法的交叉、变异、亲和度选择等操作,将适应度好的抗体保留,淘汰适应度差的抗体,经过多次迭代,最终得到较优的抗体,改善了单一搜索机制易陷入局部最小的不足,克服了处理复杂边界问题的多种不足之处。通过算例比较了遗传算法、简单蚁群算法以及改进算法的结果,验证了改进算法的正确性和有效性。     

抗体克隆算法在配电网络重构中的应用

在人工免疫系统的克隆选择原理基础上,提出了一种抗体克隆算法。该算法先克隆亲和度高的抗体,然后利用小范围变异和大范围变异操作,从而寻找全局最优解。小范围变异能在较优解的基础上找到更优的解,增加找到全局最优解的机会。大范围变异能够防止抗体种群过早饱和,确保抗体种群的多样性。该算法应用于配电网络季节性产生的过负荷以及故障后恢复供电产生的过负荷,通过优化开关操作使得配电网络达到负荷均衡。算例表明本算法具有很高的搜索效率和寻优性能,可有效地应用于以负荷均衡为目标的配电网络重构。     

基于AER模型的配电网大面积断电供电恢复算法

针对现有的配电网供电恢复算法普遍存在计算速度慢或难以搜索到全局最优解的问题,提出了基于约束满足问题的主体–环境–规则(agent-environment-rules,AER)模型对配电网大面积断电情况下的供电恢复问题进行求解。配电网供电恢复中的各种因素被表示为AER模型中的Agent、环境和环境更新规则。该模型结合多主体系统(MAS),构造了一个格子环境,所有Agent均可感知局部环境并在环境中进行移动。文章提出的算法在离线状态下计算与故障形式无关的基础数据,并使用异步回溯算法通过Agent间的交互和Agent与环境间的相互影响来不断地更新每个Agent在解空间的位置,使其能够快速地搜索到最优解。算例结果表明了该算法的有效性和优越性。     

基于免疫算法的机组负荷优化分配研究

文章提出应用新的智能算法一免疫算法解决负荷优化分配问题。在分析负荷分配的数学模型和免疫算法特点的基础上，详细研究了基于免疫算法的负荷优化分配方法。优化问题的解对应于免疫算法中的抗体，解的优劣通过结合力的计算来评价，具有最大结合力的抗体就是问题的优化解。文中还提出应用机组持续状态时间进行编码改进，可明显加快算法的搜索速度，免疫算法中特有的基于抗体浓度更新和抗体多样性也使得算法具有很好的收敛性和搜索性能。该算法通过10台机系统进行了验证，计算结果证明免疫算法与其它优化算法相比，能更快搜索到较优解，从而为机组负荷优化分配的求解提供新的有效算法。     

配电网络重构中的智能优化算法

详细介绍了配网重构问题中的各种智能优化算法,分析了各种算法的优缺点：SA算法一般可以得到与初始解基本无关的全局最优解或次最优解,但收敛速度较慢,其收敛性依赖于退火方案的选取;GA不受目标函数连续性、可导性等约束条件的限制,在解的空间多点并行搜索,有较高的搜索效率,但收敛性能较差,容易出现早熟收敛;TS算法灵活的记忆功能,避免了搜索时陷入局部最优,但对初始值有较强的依赖性,搜索过程是单对单的串行操作,而非并行操作;ANN优化算法不需要复杂的潮流计算,大大节省了配网重构的时间,但优化结果依赖于提供的训练样本。     

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。     

基于变尺度混沌理论与免疫遗传算法的电力系统无功优化

提出一种基于变尺度混沌理论与免疫遗传算法的混合智能无功优化算法。该算法利用混沌变量的遍历性、随机性和规律性特点,将混沌运动自身的遍历区域变换成优化变量的取值范围,通过对整个解空间进行考察实现了可行域内的全局优化搜索。同时通过变尺度方法不断缩小优化变量的搜索范围来实现局部细化搜索,从而增强混沌局部搜索能力,加快解的收敛速度,提高解的精度。文章最后以某地区实际电网为例,分别采用免疫遗传算法和混合智能算法对其进行无功优化计算,结果表明本文提出的混合智能算法在计算速度和全局收敛性方面有很大的提高。     

矢量距浓度免疫算法在配电网重构中的应用

针对免疫算法在配电网重构中收敛速度慢,易收敛到局部最优解等问题,提出矢量距浓度免疫算法.抗体的亲和度决定它的矢量距,并由矢量距得出抗体的浓度、选择概率和期望繁殖率,根据选择概率自适应调整抗体的变异率,根据期望繁殖率进行克隆操作以保证抗体的多样性和全局最优解的生成,最后结合疫苗接种和免疫记忆机制促进全局最优解的生成.算例...     

基于纵横交叉算法的波浪发电装置最大功率跟踪控制

针对波浪能最大功率点跟踪控制中,浮子水动力模型的非线性,使传统群智能算法存在局部最优问题,提出纵横交叉算法(CSO)控制方案。CSO的纵向交叉算子,在纵向交叉概率判定下进行个体维变量间的算术交叉,保证种群能够脱离局部最优状态; CSO的横向交叉算子完成个体间的随机配对与算术交叉,并将解空间全体分割成若干个子空间,每个子空间以配对个体为对角顶点,搜索子空间内部及邻域,实现精细的局部搜索能力。通过纵、横交叉算子的交替作用,任何有益于实现全局最优的信息,都将被迅速地分发到种群的各变量中,用以改变搜索路径。仿真表明,在波浪周期发生变化时,纵横交叉算法能够实现最大功率点跟踪,并提高收敛速度。