考虑负荷不确定性的变电站选址定容

提出了一种参数自适应微分进化算法(PSADE)来解决配电网变电站选址定容问题.根据算法中变异权重因子和交叉因子对进化过程的影响,经分析认为提高算法性能的关键在于平衡大范围搜索和小范围集中寻优之间的矛盾,通过为种群中个体设置单独的变异权重因子和交叉因子,以进化过程中个体适应度函数值的增量为依据对参数进行动态调整,提高算法的全局寻优能力.在变电站选址定容的数学模型中,考虑负荷预测结果误差对规划的影响,采用三角模糊数描述负荷的不确定性,根据投资费用的模糊期望值构造适应度函数.通过对典型的函数优化问题和实际变电站规划问题的寻优结果分析,验证了所提方法具备更好的全局寻优能力,规划方案经济可行.     

考虑负荷不确定性的变电站选址定容

提出了一种参数自适应微分进化算法（PSADE）来解决配电网变电站选址定容问题。根据算法中变异权重因子和交叉因子对进化过程的影响,经分析认为提高算法性能的关键在于平衡大范围搜索和小范围集中寻优之间的矛盾,通过为种群中个体设置单独的变异权重因子和交叉因子,以进化过程中个体适应度函数值的增量为依据对参数进行动态调整,提高算法的全局寻优能力。在变电站选址定容的数学模型中,考虑负荷预测结果误差对规划的影响,采用三角模糊数描述负荷的不确定性,根据投资费用的模糊期望值构造适应度函数。通过对典型的函数优化问题和实际变电站     

微分进化算法在变电站选址中的应用

简要分析了基本微分进化算法和变电站选址问题,将微分进化算法引入变电站站址选择,建立基于微分进化算法的变电站选址的模型。采用DE进行计算,更加简单、有效,更具全局寻优能力,增加了决策的科学性、规范性。     

优化遗传算法寻优的SVM在短期风速预测中的应用

针对遗传算法存在的早熟和收敛慢的问题,提出一种融合小生境算法、免疫算法的优化遗传算法。一方面通过疫苗因子引导初始种群的生成,使个体具有某些优秀基因,减少寻优时间,并随数据的更新,提出疫苗因子和参数寻优范围的自适应更新机制。另一方面在种群的进化过程中,通过小生境遗传算法维护种群的多样性。实验结果表明,将基于优化遗传算法寻优的SVM应用到短期风速预测中是可行的,具有较高的预测精度和收敛速度。     

基于改进微分进化算法的电力系统无功优化

提出了一种改进的微分进化算法求解电力系统无功优化问题。在进化过程中，该算法根据进化情况采用动态参数调整机制提高算法的搜索效率，并且对种群重叠状况进行实时监视，对重叠个体利用混沌搜索策略来进一步提高算法的全局寻优能力。通过对IEEE 6、IEEE 30、IEEE 118标准测试系统及某地区实际系统的无功优化问题计算及结果分析表明，文中提出的改进微分进化算法高效、且全局寻优能力强。     

基于GIS和改进PSO算法的配电网络变电站选址规划

提出了一种改进的PSO算法,用于解决配电网络变电站选址问题。改进PSO算法是将模拟退火思想和变异算子引入粒子群算法中,在计算初期保证群体的多样性,后期增强了算法的寻优精度。在变电站计算模型中,首次将地理信息作为元数据权重因子引入到选址模型中。通过实例分析,给配电网规划建设提供了参考。     

基于小生境渔夫捕鱼算法的变电站规划

针对渔夫捕鱼算法容易陷入局部最优的不足,提出了一种共享适应度的小生境策略来提高基本渔夫捕鱼算法的全局寻优能力,并应用于解决配电网络变电站规划。由个体之间相互距离进行聚类组成小生境种群,并在生成的不同小生境种群内运用渔夫捕鱼算法进行寻优,在进行目标函数计境种群内利用共享机制改变个体适应度进一步提高群体全局寻优能力。通过实际算例分析,证明了所提方法能较好地解决变电站选址定容问题。     

基于GIS和微分进化算法的变电站选址及定容

将微分进化（DE）算法引入到变电站选址规划优化问题中,并运用参数动态调整策略,在计算初期保证群体的多样性,后期加快算法的寻优速度,从而改善DE算法的性能。在配电网络变电站选址定容过程中,考虑地理信息系统（GIS）对规划站址的影响,将可建站区域图形进行编码处理以数据形式存储,通过判断待选站址和地理因素的网络拓扑关系,确定可行的待选站址。通过对2个算例优化计算表明,以GIS数据库为平台,将该算法和图形问题相结合,在解决实际配电网络变电站规划问题中取得了良好的效果。     

基于Voronoi图和改进差分进化算法的变电站规划优化

针对电网中的变电站选址定容规划问题,提出了一种基于Voronoi图和改进差分进化算法的变电站规划优化方法。首先构建了变电站年费用最小的规划模型,然后针对模型求解,通过Voronoi图划分变电站的供电范围,并对差分进化算法中的变异算子和交叉算子的动态调整方式进行优化以提高其寻优性能,采用改进后的差分进化算法进行站址寻优。最后通过具体算例验证了所提规划方法的有效性和优越性。     

基于差分粒子群算法的变电站选址定容规划

针对标准粒子群算法(particle swarm optimization,PSO)易陷入局部最优,差分进化算法(differential evolution,DE)后期收敛速度慢的缺点,提出差分粒子群算法(differential particle swarm optimization,DEPSO)将二者进行混合优化,提高群体的收敛速度和全局寻优能力,并应用于配电网变电站规划。在变电站选址数学模型中结合Voronoi图来确定变电站供电范围和规划容量,继而校验变电站实际负载率,简化计算过程,提高搜索效率。通过某市城区远期规划实例验证得知该算法正确有效,可以满足城区配电网的规划要求。