基于改进多目标粒子群算法的配电网储能选址定容

以系统节点电压波动、负荷波动以及储能系统总容量为目标建立了储能选址定容优化模型.求解过程中提出了一种改进多目标粒子群算法(improved multi-objective particle swarm optimizer,IMOPSO).该算法根据粒子与种群最优粒子的距离来指导惯性权重的取值,使得各粒子的惯性权重可以自适应调整,并在二者距离较小时引入交叉变异操作,避免陷入局部最优解,同时采用动态密集距离排序来更新非劣解集并指导种群全局最优解的选取,在保持解集规模的同时使解的分布更均匀.为避免决策者偏好对最终结果的影响,采用基于信息熵的序数偏好法从最优Pareto解集中选取储能的最优接入方案.以IEEE-33节点配电系统为例进行仿真验证,结果表明该方法在储能选址定容问题求解中具有很好的收敛性以及全局搜索能力.     

考虑环境污染的机组出力经济分配

对传统意义下经济调度模型进行修正,同时考虑最小化燃料费用和污染排放量,提出了多目标环境经济调度模型,并应用多目标蚁群算法(MOACA)加以求解。指出MOACA将信息素交流和基于全局最优经验指导两种寻优方式相结合,以指导蚂蚁向更好解的方向前进,可以获得分布良好的Pareto最优解。利用文内算法对IEEE-30节点系统的机组出力进行环境经济调度,并与现有一些算法进行比较。     

计及电压崩溃风险的风电并网系统多目标无功优化

针对风电出力的随机性及电压崩溃给电力系统带来的影响,分析了风机在潮流计算中的处理方法,以系统网损最小和电压崩溃风险最小为目标函数,建立了含风电场的电力系统多目标无功优化模型.首先采用改进差分进化算法对该模型进行求解,得到Pareto最优集;再利用基于熵权的逼近理想解的排序方法对由Pareto最优集构成的决策矩阵进行多属性决策,挑选出最后的折中解,为决策者做出选择提供指导.最后,以含风电场的IEEE24节点系统为例,验证了模型及算法的有效性.     

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。     

基于小生境多目标粒子群算法的输电网检修计划优化

以检修成本和期望缺供电量最小为目标,建立输电网检修计划多目标优化模型,并提出一种基于小生境的改进多目标粒子群算法对其进行求解。通过得到一组Pareto最优解,全面统筹检修计划优化问题的经济性和可靠性目标。该算法采用小生境共享机制来更新粒子的位置,保持了解的多样性和分布的均匀性;引入混沌变异对部分非支配粒子进行小范围的扰动,提高了算法全局搜索能力,避免陷入局部最优。为使算法能够更好地应用于输电网检修计划优化问题,采用罚函数对约束条件进行处理,并根据模糊隶属度从Pareto最优解集中选取最优折衷解,为检修计划制定人员提供了科学的决策依据。通过IEEE RTS-79节点系统的仿真,验证了该算法在求解输电网检修优化问题时能有效避免早熟收敛,快速地收敛至Pareto最优解集。     

采用基于分解的多目标进化算法的电力环境经济调度

为了准确、快速地求解电力系统环境经济调度(environmental economic dispatching,EED)问题,将基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)应用于电力调度领域,提出了基于MOEA/D的多目标环境经济调度算法。该算法首先采用Tchebycheff法将整个EED Pareto最优前沿的逼近问题分解为一定数量的单目标优化子问题,然后利用差分进化同时求解这些子问题,并在算法中加入约束处理及归一化操作,以获得最优的带约束EED问题的调度方案。最后,应用模糊集理论为决策者提供最优折中解。对IEEE 30节点测试系统进行仿真计算,并与其它智能优化算法的调度方案对比。结果表明,该算法有效可行,且具有很好的收敛速度和求解精度。     

基于免疫进化细菌觅食算法的多目标无功优化

为了更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,提出了一种基于免疫进化的改进多目标细菌觅食优化算法。该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。IEEE14,IEEE30节点测试系统的算例结果表明所提的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。     

基于Pareto最优的电力系统多目标优化研究

针对基于Pareto最优的电力系统多目标优化问题研究进行了综述。首先对Pareto多目标优化问题进行概述,其次对基于Pareto最优的电力系统多目标优化问题的处理方法进行分析,并归纳了目前求解该领域Pareto最优的MOEA、ε-MOEA、SPEA、NSGA-II、NPGA和MOPSO智能优化算法的特点。最后对基于Pareto最优的电力系统多目标优化的研究趋势和发展方向进行了展望。     

基于CAMOCS算法的多目标无功优化

针对传统算法在求解多目标函数上存在局限性问题,在标准多目标布谷鸟搜索(Multi-objective Cuckoo Search,MOCS)算法的基础上,采用Kent混沌映射生成多样性初始解,并自适应改变算法的搜索步长,结合多目标Pareto最优解概念,提出一种混沌自适应多目标布谷鸟搜索(Chaotic Adaptive Multi-objective Cuckoo Search,CAMOCS)算法,并利用该算法对所建立的多目标无功优化模型进行求解,最后在IEEE 14节点系统算例仿真验证了所提方法的有效性和可行性。     

基于多目标进化算法的PMU的优化配置

研究了配置相量测量单元(PMU)后电力系统可观测性的判断方法,以保证电力系统完全可观测为约束条件,以配置PMU数目最小和保证测量量具有最大量测冗余度为目标,建立了PMU最优配置问题的数学模型。这是一个多目标优化问题,需要寻求一组Pareto最优解,应用多目标进化算法求解该问题可以得到多种满足条件的PMU配置可行方案。最后,以IEEE39节点系统为例验证了该方法的合理性。     

多目标无功优化的向量评价自适应粒子群算法

为了克服粒子群算法在高维复杂问题寻优时有相当可能陷入局部极优的现象,提出了一种自适应粒子群算法。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。对基于向量评价的粒子群算法进行了扩展,提出了基于向量评价的自适应粒子群算法(vector evaluated particle adaptive swarm optimization,VEAPSO)来解决多目标无功优化问题,求解出问题的Pareto最优解集。为帮助决策者从Pareto最优解集中选取合适的最优解,该文提出一种基于决策者偏好及投影寻踪模型的多属性决策法,使决策结果更加真实可靠。将该算法应用于多目标无功优化问题中,IEEE 30和IEEE 118节点系统算例仿真表明该方法用于解决多目标无功优化问题是有效可行的。     

多目标无功优化的向量评价自适应免疫粒子群算法

为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。     

改进PSO算法用于电力系统无功优化的研究

由于电力系统无功优化为一有多变量、多约束、非线性的组合优化问题,针对传统粒子群算法收敛精度不高、易陷入局部最优的缺点,提出了一种改进的算法:分别赋予传统算法中的粒子以不同的初始惯性权重,权重较大的粒子拓展搜索空间,惯性权重较小的粒子完成局部强化寻优的工作。用改进的PSO算法无功优化计算IEEE-14节点系统的结果表明:新算法不仅避免了惯性因子权重调整的困难,而且较好地协调了算法的局部与全局搜索能力,可较好地解决电力系统的无功优化问题。     

Reactive Power Optimization Using Hybrid CABC-DE Algorithm

Reactive power optimization is closely related to voltage quality and network loss, and it has great significance for the safety, reliability, and economical operation of the power system. Differential evolution (DE) algorithm has been currently applied to reactive power optimization. In order to mitigate the shortcomings of poor local search ability and premature convergence in DE, this paper presents a novel hybrid algorithm–chaotic artificial bee colony differential evolution (CABC-DE) algorithm, which improves the DE algorithm based on artificial bee colony algorithm and ideas of chaotic search. It introduces the observation bees' acceleration operation and the detective bees' chaotic search operation into CABC-DE. The validity of the proposed method is examined using IEEE-14 and IEEE-30 bus system. The experimental results show that CABC-DE algorithm is more effective than regular DE algorithm for reactive power optimization. The algorithm can save the search time greatly and get a better solution for optimization, thus making it suitable for solving reactive power optimization problems.     

基于机会约束规划的广义电源多目标优化配置

针对配电网间歇性电源渗透水平逐渐增大、分布式电源和电容器组分开规划的现状,将能提供有功功率和无功功率的电源统称为广义电源。考虑风电、光伏出力的随机性,以投资效益、污染气体排放和反映系统供电可靠性的支路电压稳定裕度为优化目标,建立基于机会约束规划的配电网广义电源多目标配置模型,采用内嵌蒙特卡洛模拟的改进多目标粒子群算法对模型求解。IEEE-33节点系统的仿真结果表明,协调优化配置配电网有功无功资源,在提高资源利用率的同时也降低了污染气体排放量,并且从概率的角度对电压质量进行评估,辅助规划人员进行科学决策。     

一种改进的Tabu Search算法及其在区域电网无功优化中的应用

提出将改进的Tabu(禁忌)搜索算法用于区域电网无功电压优化控制问题的求解.首先根据已知的实际电网的历史数据获得可行的初始解,然后对区域电网采用改进的禁忌搜索方法进行无功优化.在求解的过程中,由于对Tabu表中所记录的"移动"采取"有条件地释放Tabu表中的记录"这一策略,可以使搜索有效地跳出局部极小值点,更好地找到最优解.通过IEEE-14节点算例验证了该算法的有效性.     

考虑换流站损耗特性的交直流系统多目标无功优化控制

交直流互联系统中各个直流输电通道在输送大量电能的同时,也会产生很大的电能损耗。通过协调优化多回超/特高压直流输电系统的电压无功控制措施,能够有效地降低整个交直流系统运行的损耗电量。提出一种考虑换流站详细损耗特性的交直流系统多目标无功优化控制方法,以包括换流站内部各主要设备损耗的整个交直流输电系统总网损和所有关键节点电压偏差平方和的最小化为目标,建立交直流互联系统的多目标无功优化控制模型。提出一种自适应加权和算法,结合GAMS/CONOPT解法器求解得到多目标优化问题的均匀分布的帕累托最优解集。并根据各个最优解的模糊隶属度和熵权信息从帕累托前沿曲线中确定出折中最优解,作为多目标无功优化控制方案。通过对某个6056节点交直流互联系统的计算表明,所提出的算法求得的帕累托最优解集分布均匀,且所获得的多目标无功优化控制方案能够有效降低换流站运行损耗,提高关键节点的电压质量。     

基于免疫禁忌混合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,提出了一种基于免疫禁忌混合算法的多目标模糊优化潮流计算的新方法。该方法运用模糊集理论来构造评价函数,实现了多目标优化问题向单目标优化问题的转化,兼顾了各子目标,保证了较高的整体优化水平;采用求解精度高、使用灵活的免疫禁忌混合算法来进行单目标寻优,准确地获取了符合实际的全局最优解。通过对IEEE 30节点系统进行多次多目标最优潮流仿真计算,并将计算结果分别与单目标最优潮流计算及采用粒子群算法、免疫算法等其它算法的结果进行比较和分析,验证了该方法是解决电力系统多目标最优潮流问题的一种有效方法。     

基于改进蚁狮优化算法的可再生能源分布式电源优化配置

分布式电源的合理规划能够降低配电网的功率损耗,针对可再生能源分布式电源规划配置问题,提出了一种基于改进蚁狮优化算法的可再生能源分布式电源优化配置方法。所提方法建立了以最小化实际功率损耗和改善配电网电压分布与电压稳定性为目标的多目标函数;利用改进蚁狮优化算法,通过模仿自然界中蚁狮的狩猎行为,统筹考虑损耗敏感系数和电压敏感系数,推导出不同类型的分布式电源单元的最佳总线位置和容量;以IEEE-33总线径向分布系统进行了仿真实验。实验结果表明,与其他算法相比,所提算法在降低功率损耗和电压分布方面更优,从而验证了所提算法的适应性和有效性。     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)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。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,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。