基于改进布谷鸟算法的分布式电源优化配置

针对布谷鸟搜索算法在处理多目标优化问题上的不足,基于混沌映射、非支配排序等多目标优化策略,提出一种改进的多目标布谷鸟搜索(improved muti-objective cuckoo search,IMOCS)算法,对分布式电源多目标优化配置问题进行求解。为增加初始种群的多样性,利用logistic混沌映射产生初始解;自适应改变搜索步长,以提高算法的寻优能力和收敛速度。仿真结果表明:IMOCS算法寻优能力强,收敛速度快,能够有效求解分布式电源的多目标优化配置问题。     

基于精英策略布谷鸟算法的主动配电网经济优化调度

为提高主动配电网（Active Distribution Network,ADN）运行过程中的经济性,对ADN运行总成本的组成部分分别进行分析,并以ADN运行总成本最小作为目标函数,综合考虑各类约束条件,建立基于精英策略布谷鸟算法（Elite Strategy Cuckoo Search,ESCS）的ADN经济优化调度模型。采用鸟卵被发现概率动态设置和精英策略对布谷鸟算法（Cuckoo Search,CS）改进,提升算法的优化性能。利用IEEE 33节点配电系统进行仿真分析,结果表明,ESCS算法经过迭代找到的最优解在收敛次数和计算精度方面均优于其他算法,提高ADN优化调度的经济性,验证模型的正确性和实用性。     

基于CSA-IP&O的局部遮阴下光伏最大功率点追踪

局部阴影遮挡(Partial Shading Condition,PSC)使得最大功率点追踪(Maximum Power Point Tracking,MPPT)的追踪速度和精度难以得到保证。对布谷鸟搜索算法(Cuckoo Search Algorithm,CSA)和自适应变步长的改进扰动观察法(Improved Perturbation and Observation,IP&O)进行了研究并应用到光伏的MPPT控制中。利用CSA出色的全局搜索能力快速收敛到全局最大功率点(Maximum Power Point,MPP)附近,然后利用IP&O出色的局部搜索能力快速、准确地收敛到MPP。最后设置了几种光照情况进行仿真,并用扰动观察法和粒子群(Particle Swarm Optimization,PSO)方法进行对比。通过仿真验证了所提出的方法具有更快的追踪速度和更高的精确度。     

求解含风电场机组组合问题的透视割平面邻域搜索算法

提出一种求解含风电场机组组合(Unit Commitment, UC)问题的透视割平面邻域搜索(Perspective Cut Neighborhood Search, PC-NS)算法。基于PC建立了含风电场UC问题的混合整数线性规划模型。以不考虑误差场景UC问题的最优解为中心构造邻域,在此邻域内搜索以获得含风电场UC问题的可行解。以此可行解为中心构造邻域,在此邻域内搜索以获得含风电场UC问题高质量的次优解。最后进行数值仿真,结果表明,所提算法能有效求解含风电场UC问题。和其他方法相比,PC-NS算法获得了更好的次优解,而且用时大大减少。     

含风电场的电力系统多目标优化调度

针对火力发电对环境造成的严重污染问题,建立了含风电场的电力系统多目标优化调度模型。以火电机组燃料费用和污染气体排放量最低为目标,用虚拟解理论将多目标优化问题转化为单目标优化问题,以降低问题的复杂性;用动态搜索步长及动态搜索概率对布谷鸟算法改进,用改进后的算法求解所建立调度模型。仿真结果表明,改进算法在符合有功平衡约束、机组出力约束及机组爬坡约束等同样的前提条件下,具有节约发电成本,减少污染物排放,加快系统运行速度的优点。     

基于混合DE-PSO多目标算法的动态环境经济调度

电力系统中的动态环境经济调度(DEED)是一个多变量、强约束、非凸的多目标优化问题,传统方法很难进行求解。基于微分进化(DE)算法的快速收敛性和粒子群优化(PSO)算法的搜索多样性,提出一种融合2种算法优点的混合DE-PSO多目标优化算法来求解DEED问题,该算法基于外部存档集和Pareto占优原则,采用自适应参数的DE和PSO双种群更新策略以及一种改进的Pareto解集裁剪方法。引入3种指标评价算法的性能,并采用模糊决策技术从Pareto前沿中提取折中解以供决策者进行选择。经典算例的仿真结果表明所提方法能同时优化成本和排放这2个冲突的目标,且获得了比其他算法更为宽广和均匀的Pareto前沿,体现了所提方法的可行性和优越性。     

基于MSI-APSO算法的多目标无功优化

采用多策略融合自适应粒子群优化(MSI-APSO)算法求解电力系统多目标无功优化。该算法采用分阶段调整加速因子,根据适应值自适应调整惯性权重,以平衡算法局部搜索和全局搜索的能力;同时,基于群体信息改善部分性能差的粒子,迭代性能改善后的粒子,并采取速度保持策略,以提高算法的搜索准确度与收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并采用MSI-APSO算法求解该模型。最后对IEEE 14和IEEE 30节点系统进行算例仿真,仿真结果证明了该算法在收敛速度和优化效果上具有比其他几种改进PSO算法更佳的性能,能有效求解电力系统多目标无功优化问题。     

改进多目标布谷鸟算法的梯级水电站优化调度

为有效求解梯级水电站多目标联合优化问题,充分发挥水电的发电效益和容量效益,提出一种新型的改进多目标布谷鸟算法(IMOCS)。针对传统布谷鸟算法存在收敛速度慢的问题,将动态发现概率和步长融入到算法中,并结合非支配排序遗传算法(NSGA-II)的非支配排序思想以及拥挤距离维护外部档案集策略,提出IMOCS;通过测试函数验证了所提算法的有效性。将IMOCS应用到乌江梯级水电站多目标优化调度中,得到了分布均匀的非劣调度方案集。最后通过模糊决策模型,主客观确定目标权重法,从非劣解集中选择一个折中方案,得到各水电站发电用水过程。结果表明,调度方案合理、可靠,且均能满足各项约束条件。梯级水电站优化调度采用IMOCS具有较大的实用意义。     

大停电后含分布式电源的电网分区及负荷恢复方案

含有分布式电源(Distributed Generation,DG)的电网在发生大停电事故后,为提高系统恢复效率,一般将电网进行合理分区,并采用分区并行恢复的方案。首先运用灰色决策理论选取了各分区的黑启动电源,结合最短路径快速算法(Shortest Path Faster Algorithm,SPFA)搜索各黑启动电源到待恢复节点的最优恢复路径;然后据此建立了兼顾恢复时间性和安全性的最优分区多目标优化模型,并采用多目标粒子群优化算法(Multi-objective Particle Swarm Optimization,MOPSO)对模型进行了求解。基于所得的最优分区方案,以构建初步网架为目标,结合遗传算法对各分区内的负荷恢复问题进行了优化。IEEE 30节点算例验证了所提方案的有效性。     

基于改进布谷鸟算法的火电厂机组组合优化

电力系统机组组合是一个多维,复杂的整数规划问题,利用传统方法较难求解。在通过研究布谷鸟搜索(cuckoo search)算法的基本原理,分析布谷鸟算法的优缺点基础上,结合粒子群算法,提出一种改进的布谷鸟搜索算法。通过在10机组系统中进行验证,结果表明,算法比粒子群算法、标准布谷鸟算法更好。改进的布谷鸟搜索算法同样也在收敛速度等更具有优势。     

用于多目标无功优化的自适应遗传算法

引入了自适应权重和因子及自适应罚函数的概念,提出了一种自适应遗传算法,将其应用于多目标无功优化问题的求解中。该算法能保证寻优方向的多向性,并能避免模糊隶属度算法耗时过长的缺陷。在寻优过程中,自适应罚函数法能有效利用不可行解的有用信息,对不可行解进行适度惩罚。IEEE14节点系统的算例结果表明所提出的算法是解决多目标无功优化问题的有效方法。     

布谷鸟算法求解组装车间仓储调度优化问

为提高产品组装效率,对影响产品组装效率的因素进行了分析,将仓储作业与组装作业作为组装任务,以其完工时间总和最小为目标,建立了组装车间仓储调度模型,并提出一种改进的布谷鸟算法对其进行求解。该算法通过自适应调整发现概率,避免了在搜索过程中陷入局部最优,通过动态调整步长,提高了收敛速度。为验证该算法的性能,结合工业现场实例与原始布谷鸟算法及遗传算法进行了仿真对比,结果表明本文提出的算法在收敛精度及收敛速度上都取得了较好的效果。     

FS算法在多类型分布式电源规划中的应用

针对多类型分布式电源(DG)接入配电网的合理选择以及配置问题,且充分发挥DG潜在的环境效益,建立了DG总的发电成本,有功损耗和静态电压稳定裕度的多目标规划模型,并提出一种改进的多目标自由搜索算法(IMOFS)。该算法根据进化的时期自适应调整搜索半径和搜索步来提高算法性能,并且基于综合适应度机制更新个体搜索起点,提高搜索速度。为了获取分布更加均匀的Pareto前端,采用自适应网格法对非支配解集进行维护,从而提供良好的候选方案。算例结果表明:算法能够很好地协调各目标之间的相关性,验证了模型的合理性和算法的有效性。     

饱和度自适应微分进化算法在电力经济调度中的应用

建立了电力系统经济调度模型,该模型以发电成本最小为目标,考虑了火电机组阀点效应和系统运行约束,并提出了求解该模型的饱和度自适应微分进化(saturation and adaptive differential evolution,SADE)算法。为避免算法搜索的盲目性,使算法既能集中于局部最优解又能兼顾全局最优解,引入了控制参数自适应调整策略和饱和度概念,该算法可避免"早熟"现象,收敛速度快。3机组、13机组和40机组算例结果验证了SADE算法的有效性。     

基于布谷鸟搜索算法的变电站选址方法研究

传统变电站选址算法通常搜索时间长,且搜索质量不高。布谷鸟算法(CS)可有效克服传统算法中的"早熟"现象,有更高的全局寻优能力和搜索率。将该算法引入变电站选址模型,在模型中加入地理信息惩罚因子,应用布谷鸟搜索算法进行求解,用实际算例进行有惩罚因子和无惩罚因子模型的对比,证明加入地理信息因素可使变电站选址结果更加切合实际。     

基于自适应布谷鸟搜索和扰动观察法的光伏最大功率点跟踪

当光伏阵列板暴露在不均匀的光线下时,功率电压(P-V)特性曲线会变为多峰,在这种情况下,传统的最大功率点跟踪(MPPT)算法将无法跟踪到正确的全局最大功率点(GMPP),而具有全局搜索能力的人工智能算法通常是高度参数化和复杂的。为了解决上述问题,提出了一种结合自适应布谷鸟搜索算法和扰动观察方法(ACS-P&O)的复合跟踪算法。该方法将布谷鸟搜索(CS)算法中的切换概率和Lévy飞行步长系数通过自适应调整,在跟踪早期,扩大算法的搜索范围。引入边界个体的处理策略,可进一步减少算法的迭代次数。该算法使系统更容易跳出局部最大功率点(LMPP),而在跟踪后期,算法精确运行在小范围内,提高了局部开发能力。扰动观察法(P&O)的加入缓解了系统位于GMPP附近时的功率振荡,稳定了输出。仿真结果表明,ACS-P&O复合算法能够适应环境变化的影响,并快速准确地跟踪GMPP。     

云计算多目标任务调度的优化粒子群算法研究

针对传统粒子群算法求解云计算多目标任务调度的收敛速度慢、精度低的缺陷,提出一种优化多目标任务调度粒子群 算法(MOTS-PSO)。 首先,引入非线性自适应惯性权重,改变粒子的寻优能力,避免算法陷入局部最优;其次引入花朵授粉算法 概率更新机制,平衡粒子的全局搜索和局部寻优,并对粒子的全局搜索位置更新公式进行改进;最后引入萤火虫算法,产生“精 英解”对局部搜索位置更新公式进行改进;同时利用“精英解”对粒子的位置进行扰动,跳出局部最优状态。 实验表明,MOTS-PSO 算法在收敛速度和收敛精度上,比 PSO 算法提高了 27. 1%、19. 9%,比 FA 算法提高了 22. 09%、5. 2%。 进一步实验表明, MOTS-PSO 算法在解决不同规模数量的任务调度时,比 PSO、FA 算法效果更优。     

考虑备用约束和阀点效应的电力系统环境经济优化调度

综合考虑环境经济优化调度(CEED)是一个多目标优化问题,提出改进的平均价格罚因子将环境经济双目标优化调度问题转化为单目标优化问题.考虑发电机的出力限制区、爬坡约束及备用约束.提出局部搜索扰动的混合进化规划(HEP)法求解CEED问题.在保留进化规划(EP)全局寻优能力的同时.引入局部搜索扰动提高计算精度.加快后期收敛速度.在调用局部搜索算子的策略上.采用优胜调用策略调用局部搜索算子,并动态自适应改变扰动次数进行局部寻优.在15机系统中分别采用平均价格罚因子EP、平均价格罚因子HEP和改进的平均价格罚因子HEP算法求解CEED问题.结果验证了所提方法的有效性.     

基于多目标文化差分进化算法的水火电力系统优化调度

为有效求解节能减排背景下水火电力系统的多目标优化调度问题,提出一种多目标文化差分进化算法(Multi-objective cultured differential evolution,MOCDE).MOCDE以文化算法(Cultural algorithm,CA)为框架,以差分进化算法(Differential evolution,DE)为群体空间演化方法;同时,根据DE算子及多目标优化的特点,在信念空间中设计了三种知识结构,并利用这些知识结构指导种群演化,提高了算法的收敛速度并克服早熟收敛问题.此外,提出一种基于逐步调整策略的约束处理方法,可有效处理等式约束.研究结果表明,MOCDE可快速获得一组分布性好、收敛精度高的非劣调度方案集,是求解水火电力系统多目标优化调度问题的一种有效方法.     

基于最小二乘支持向量机和自适应模拟退火算法的电磁场逆问题全局优化方法

分析了目前电磁场逆问题全局优化算法存在的收敛速度慢以及搜索时间长等问题的主要原因,并针对以上问题提出了基于最小二乘支持向量机和自适应模拟退火电磁场逆问题优化新算法,充分利用了自适应模拟退火算法中丢失的已搜索过点的信息,动态地建立和改进待求问题的数值模型,指导最优解的搜索过程,大大减少了求解电磁场正问题的求解次数,缩短了搜索到最优解的时间,通过仿真实验以及实际应用的对比,效果显著,提高了电磁场优化设计的实际应用能力。