基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。     

发电机组组合的混合蚁群优化算法

电力系统中的机组组合作为一个非确定型多项式困难问题,一直难以获得其理论最优解。针对算法的精度和速度这一矛盾,提出了一种结合启发式算法和蚁群算法的混合优化算法。用优先级排序法获得次优解,并在附近形成一个搜索邻域;采用蚁群算法在此邻域内寻优,减小了蚁群算法的空间复杂度。同时,在蚁群算法中引入了人工鱼群算法的拥挤度概念。拥挤度阈值在迭代过程中是自适应变化的,从而增强了算法的遍历寻优能力,也保持了较快的收敛速度。经济负荷分配采用简化梯度法。对一个10机系统算例仿真计算,验证了所提算法对解决机组组合问题具有很强的搜索能力和快速收剑性。     

发电机组组合的混合蚁群优化算法

电力系统中的机组组合作为一个非确定型多项式困难问题,一直难以获得其理论最优解.针对算法的精度和速度这一矛盾,提出了一种结合启发式算法和蚁群算法的混合优化算法.用优先级排序法获得次优解,并在附近形成一个搜索邻域;采用蚁群算法在此邻域内寻优,减小了蚁群算法的空间复杂度.同时,在蚁群算法中引入了人工鱼群算法的拥挤度概念.拥挤度阈值在迭代过程中是自适应变化的,从而增强了算法的遍历寻优能力,也保持了较快的收敛速度.经济负荷分配采用简化梯度法.对一个10机系统算例仿真计算,验证了所提算法对解决机组组合问题具有很强的搜索能力和快速收剑性.     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

求解机组组合问题的次超立方紧混合整数规划广义割平面法

为改进机组组合(unit commitment,UC)问题的求解效率,基于超立方(hyper-cube,HC)投影,构造了计及爬坡约束UC问题的次超立方混合整数规划(sub HC mixed integer programming,SHC-MIP)模型,并基于该模型和广义割平面(extended cutting plane,ECP)技术,提出一种新的求解UC问题的确定性方法(SHC-MIP-ECP)。该方法首先利用超立方投影将UC问题的混合整数规划(mixed integerprogramming,MIP)模型等价投影为具有更紧连续松弛的SHC-MIP模型。然后采用ECP方法产生序列混合整数线性规划来求解SHC-MIP模型。10—100机组24时段等7个算例的仿真结果表明:利用ECP方法求解UC问题的2种模型时,SHC-MIP能比MIP获得质量更好的次优解;此外,所提方法计算速度快,适合求解大规模UC问题。     

电力系统经济负荷分配的人工免疫混沌优化算法

提出了一种用于求解复杂电力系统经济负荷分配问题的新的人工免疫混沌优化算法，该算法融合了人工免疫算法极强的全局搜索能力以及混沌优化方法适合局部搜索的特点。在优化过程中，人工免疫算法通过克隆选择、克隆扩增和高频变异形成记忆细胞，并将其作为最优解的近似解，然后按混沌运动规律在近似解的邻域内进行局部搜索，进而获得精确的最优解。多个算例仿真结果表明，所提出的算法能够有效地解决经济负荷分配问题。     

基于Tabu搜索算法的配电网电容器优化配置

应用Tabu搜索算法来解决配电网电容器优化配置问题，建立了相应的数学模型，目标函数为系统有功损耗费用和补偿电容器费用之和最小。文中在传统Tabu搜索法的基础上，利用灵敏度分析和嵌套Tabu搜索等方法对配电网电容器的安装位置和容量进行了优化配置。利用灵敏度分析可以产生较优的初始解，并在Tabu搜索中定义更好的邻域试验解，这样可以更快速地搜索到邻域内的最优解；嵌套Tabu搜索法对电容器安装位置和容量分别进行优化配置，保证可以搜索到整个可行域，从而能更有效地搜索全局最优解。用测试算例验证了文中算法的有效性和可行性。     

求解机组组合问题的领域搜索法

机组组合问题是电力系统优化运行的一个难点,理论上难以得到其最优解。该文提出用邻域搜索(local search,LS)和内点(interior point,IP)法相结合的算法(LS-IP)解决机组组合(unit commitment,UC)非确定多项式时间(nondeterministic polynomial,NP)难问题。定义邻域的结构,并提出一种邻域的调整方法,可处理各项约束条件,保证结果的可行性。用非常小的解邻域空间代替原来庞大复杂甚至难以求解的离散空间。充分利用内点法收敛性好、精度高的优势,提高其计算速度。对100台机组24时段仿真结果表明,CPU计算时间仅为原来的4 s,所耗费用却大大降低;同时该方法收敛速度快、精度高,尤其适合于求解大规模机组的组合问题。     

改进拟态物理学算法在交直流系统无功优化中的应用

拟态物理学算法(APO)具有较好的全局搜索能力,且能避免粒子群等算法常出现的易早熟收敛现象,具有较好的稳定性、快速收敛和鲁棒性。针对交直流混联系统无功优化问题,在矢量模型的拟态物理学算法的基础上,提出了一种基于改进拟态物理学算法的无功优化算法。为便于处理约束问题,算法中通过定义不可行度函数判断不可行解,并采用收缩因子将不可行解拉回可行域内,再通过多维搜索方法寻求最优解。通过IEEE30节点系统仿真测试,并与其他优化算法进行比较,结果表明该算法具有较好的求解效率和准确性。     

含风电场的电力系统机组组合问题随机模拟粒子群算法

由于风电具有随机性,含有风电场的机组组合问题不再是一个常规意义下的确定性问题。利用传统的方法也难获得既经济又有较高可靠性的解。本文建立了基于机会约束规划的含风电场的电力系统机组组合的数学模型,以概率的形式描述相关约束条件,并把组合问题分为内外两层优化子问题求解。外层为机组的启停状态优化,用离散粒子群算法求解,并引入启发式搜索策略,有效提高了机组状态优化效率;内层为负荷经济分配,考虑到风电的不可靠性,利用随机模拟的改进粒子群算法求解,防止种群过早收敛于局部最优解,并确保发电计划的可行性。通过10机系统的算例计算,并与其他文献方法比较,结果表明该算法对解决含有风电场的电力系统机组组合的问题是行之有效的。     

基于局部极差变化率的风电功率波动定量刻画

针对目前风电功率波动性研究中缺乏对其时序演进特征定量刻画的问题,对风电场实测功率数据样本进行分析,提出一种基于局部极差变化率的风电功率持续波动状态的识别方法,提取风电若干个持续出力状态以描述风电功率的持续波动特征。以用来衡量局部极差变化率的幅值和相角为模型输入量,建立灰色多目标决策模型,通过兼顾幅值的变化和相角的变化以寻找模型次优解的方法挖掘出具有代表性的幅值和相角,进而定义表征波动的量即波动系数,并以此来量化风电功率在某一时间段内的波动。给出了使用波动系数修正现行风电场预测预报考核指标的方法。     

Unit commitment by an enhanced simulated annealing algorithm

A new simulated annealing (SA) algorithm combined with a dynamic economic dispatch method has been developed for solving the short-term unit commitment (UC) problem. SA is used for the scheduling of the generating units, while a dynamic economic dispatch method is applied incorporating the ramp rate constraints in the solution of the UC problem. New rules concerning the tuning of the control parameters of the SA algorithm are proposed. Three alternative mechanisms for generating feasible trial solutions in the neighborhood of the current one, contributing to the reduction of the required CPU time, are also presented. The ramp rates are taken into account by performing either a backward or a forward sequence of conventional economic dispatches with modified limits on the generating units. The proposed algorithm is considerably fast and provides feasible near-optimal solutions. Numerical simulations have proved the effectiveness of the proposed algorithm in solving large UC problems within a reasonable execution time.     

定制化求解机组组合混合整数线性规划模型的固定—推断法

为了突破机组组合算法的自主可控问题,基于开源混合整数线性规划求解器CBC,提出一种快速获取机组组合问题可行解的固定—推断法。首先将机组组合模型转换为推断标准模型,然后按重要性对所有整数变量进行排序。并利用约束违反函数依次确定整数变量的值,实现整数变量的固定,利用约束关系推断出与其相关的整数变量值。最后经过多轮的固定—推断可以实现所有整数变量的取值,从而求解一个线性规划问题即可得到各机组的出力。仿真结果表明,所述算法能有效求解大规模机组组合问题,可在更短时间内获取质量较好的可行解。与CBC求解器结合,能显著提升CBC求解器对于机组组合问题的求解效率。此外,所述算法还具备在其他求解器上进行定制的潜力。     

荷源联合调峰运行方案的电力节能评估研究

针对当前大规模风电远距离外送造成输电网网损激增和调峰能力不足的矛盾,提出将高载能负荷参与常规电源调峰,在风电就地消纳的同时实现电力节能。在深入分析高载能负荷的调节特性和对电网调峰影响的基础上,从电网、电源和高载能负荷三个方面提出了表征电力节能的指标并进行量化。最后基于综合模糊评价法对荷源联合调峰运行方案进行电力节能综合评估。仿真结果表明,该指标体系及方法在荷源联合调峰运行方案电力节能评估方面是有效可行的。     

考虑自组织临界条件的区域电网风电极限渗透功率评估方法

随着电力系统中风电装机容量的不断增长,如何评估已有区域电网的最大风电极限渗透功率成为了一个重要问题。通过分析复杂电力系统的自组织临界性,提出了基于区间最优潮流的连锁故障模型来评估系统风电极限接入容量的新方法。该方法将风电出力的波动性建模为区间数,通过区间连锁故障模型模拟在风电比例不断增长情况下的电网连锁故障概率与连锁故障规模的规律,获得电网出现自组织临界特性时的风电渗透平均功率,并以此作为电网的最大风电渗透容量。通过在IEEE30节点系统和IEEE118节点系统上的仿真实验,验证了该方法可合理地测量电力系统的极限风电接入容量。     

基于多重离群点平滑转换自回归模型的短期风电功率预测

基于对风电功率时间序列波动性多重机制的研究,提出一种基于多重离群点平滑转换自回归模型(M-OSTAR)的风电功率预测方法。运用一种改进条件极大似然估计方法,获得M-OSTAR模型的参数估计。考虑风电波动性的厚尾效应,将M-OSTAR模型推广为厚尾形式。进一步借助所提模型的机制转换参数,描述了风电时间序列的多重离群点效应。此外,给出了一种新型的波动性分析工具——标准信息冲击曲面,分析了风电时间序列条件方差的动态变化特征。基于实际风电数据的算例验证了基于M-OSTAR族模型预测方法的可行性与有效性。     

基于多目标粒子群算法的电力系统环境经济调度研究

提出了一种新的多目标粒子群优化(Multi-Objective Particle Swarm Optimization, MOPSO )算法,用于求解电力系统的环境/经济调度问题。通过设计特定的约束修正因子,将不可行解修正成可行解,并在此基础上用惩罚函数法构建了新的适用于多目标粒子群的适应度函数模型。根据帕累托占优条件形成历史帕累托最优解集和全局帕累托最优解集,引入稀疏度排序法选择全局最优解,基于帕累托最优前沿的斜率特性,提出用斜率法筛选非劣解,采用基于模糊数学的满意度评价模型选择POF的折衷最优解。最后,用IEEE-30节点标准测试系统对所提算法进行了仿真测试,并与其他算法进行了对比。仿真结果表明所提算法可行、有效。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。