混合遗传算法在发电厂竞价策略中的应用

电力市场条件下 ,电厂进行投标竞价的目标是在满足相应约束的情况下获得最大的收益。据此建立了电厂报价的数学模型 ,提出了混合遗传算法来求解最优报价方案 ,此模型及算法已在某电厂得到了应用 ,经实践检验 ,效果良好     

混合遗传算法在接地电阻测量中的应用

针对双钳法测量接地电阻时,接地极数量和接地极腐蚀对测量结果造成较大误差的问题,提出了一种基于混合遗传算法(HGA)的接地电阻测量方法。在接地电阻等效模型基础上构建接地方程组,利用遗传算法和梯度下降法优化目标函数,根据测量数据R_m求解接地电阻等效模型,实现对接地电阻的测量。仿真结果表明:所提方法得到的接地电阻最大误差为1.76%,在接地极腐蚀,接地回路不可靠的情况下能够提高接地极电阻的测量精度,基本解决双钳法测量接地电阻受接地极数量影响的问题。     

基于改进混合遗传算法的同步电机参数辨识

针对同步电机参数辨识问题,建立了精确表示非同步采样及高次谐波在内的极值优化模型,利用改进混合遗传算法对该模型进行求解,为提高同步电机瞬态和超瞬态参数的精确辨识打下了良好基础。针对普通遗传算法收敛慢和经典迭代法初始点敏感问题,该改进混合遗传算法结合了全局寻优的遗传算法和局部寻优的模式搜索方法,不需要计算矩阵导数,可实现无需指定初值的电机参数快速求解。理论和仿真实验表明,该方法所需数据窗小,能有效提高参数测量的运行效率和计算精度。     

基于改进混合遗传算法的同步电机参数辨识

针对同步电机参数辨识问题,建立了精确表示非同步采样及高次谐波在内的极值优化模型,利用改进混合遗传算法对该模型进行求解,为提高同步电机瞬态和超瞬态参数的精确辨识打下了良好基础.针对普通遗传算法收敛慢和经典迭代法初始点敏感问题,该改进混合遗传算法结合了全局寻优的遗传算法和局部寻优的模式搜索方法,不需要计算矩阵导数,可实现无需指定初值的电机参数快速求解.理论和仿真实验表明,该方法所需数据窗小,能有效提高参数测量的运行效率和计算精度.     

一种混合遗传算法在HVDC定电流控制器参数优化中的应用

为了改进遗传算法的局部收敛能力,提出了一种新的融合遗传算法和单纯形法的混合遗传算法。该算法兼具遗传算法的全局收敛性和单纯形法良好的局部收敛能力,当遗传算法陷入停滞后,由单纯形法引导进化方向。针对直流输电定电流控制器参数优化的具体问题,设计了一套系统化混合遗传算法寻优方案,并详尽叙述了该方案的流程及具体实现步骤。该方案选取ITAE为目标函数,直流输电准稳态模型为目标函数的计算模型;PI参数的可行域由基于直流输电PSCAD/EMTDC模型仿真的直流电压稳定性计算确定。最后通过CIGRE HVDC Benchmark模型的PSCAD/EMTDC仿真验证所设计参数优化方案的有效性。     

基于改进的混合遗传算法的负荷建模参数辨识

针对传统遗传算法存在早熟及收敛速度慢等问题,采用了改进的遗传算法和局部搜索能力很强的单纯形法相结合的方法进行负荷模型的参数辨识.具体研究了算法的软件实现,包括编码、初始种群形成、适应度函数确定、自适应交叉变异、移民策略、排序选择、单纯形优化及终止条件的实现方法.算例表明了经改进后的混合遗传算法具有辨识精度高、速度快和参数分散性小等优点.     

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。     

GPS在电力测量中的应用

介绍了卫星全球定位系统ＧＰＳ的组成和基本原理，及其在各个领域的应用情况展望了它在应用前景。     

基于ZigBee的电力参数无线测量

介绍了ZigBee无线网络技术在电力参数测量领域内应用所具有的独特优势,全面分析了其基本的协议构架和通信机制。以Freescale公司的ZigBee解决方案为基础,详细阐述了电力参数无线测量的基本原理和设计流程,强调了芯片、天线、软件平台、协议栈和网络拓扑结构的选型及设计原则。     

矩阵束算法在同步电机参数辨识中的应用

同步电机参数的准确性对于电力系统运行和控制具有重要的意义。文中基于矩阵束算法提出一种同步电机参数辨识的新方法,并给出了辨识的基本原理和基本过程。该方法将采集到的三相短路电流构造为2个Hankel矩阵,通过奇异值分解和矩阵的低秩近似等方法抑制了噪声的干扰,同时减少了计算量,从而利用矩阵间的特定关系提取出直流分量和基波分量,实现了同步电机参数的准确辨识。仿真结果表明,该方法具有精度好、运算效率高、抗噪性强等特点。     

基于遗传算法的风光柴蓄复合发电系统优化设计

针对风光柴蓄复合发电系统的非线性特性,采用遗传算法和能量调度策略,以系统初期投资费用和运行费用最优为系统优化目标函数,结合实际工程系统的配置进行了优化设计,并选取与优化方案较接近的三种方案进行全年逐时仿真比较。实验结果表明,在满足用户负载要求的条件下,所采用的优化算法和策略正确,方案配置合理、经济、可行。     

基于空间自适应收缩策略的混合遗传算法及其应用

将简单遗传算法与单纯形法相杂合,设计了一种实数编码的混合遗传算法(HGA),用于求解无约束优化问题。算法采用了最优保留策略,同时在变异操作中采用了搜索空间的自适应收缩策略,以提高全局和局部搜索能力,加快收敛速度,避免退化。在求解约束优化问题时,利用罚函数处理约束条件,由HGA对增广目标函数寻优。HGA的有效性通过3个典型测试函数得到验证,并应用于拍合式继电器电磁系统的体积优化。     

基于SIMULINK和GA的电力系统智能辨识法

电力系统4大参数辨识是国内各电网公司正积极开展的一项工作,遗传算法(GA)在电力系统参数辨识中得到了成功的应用,但与其他辨识方法相比,GA辨识法所需时间长,效率低。针对该问题,提出了一种新的基于SIMULINK和遗传算法的辨识法——智能辨识法,其基本思想是:通过直接设置系统SIMULINK模型状态变量的初始值,使系统在零时刻即达到初始稳态,减少GA辨识法建立初始稳态所需时间,提高辨识效率。智能辨识法已用于福建电网主要机组励磁系统和调速器系统的参数辨识,辨识结果证明了其有效性和实用性。该辨识法同样适用于电力系统其他参数辨识。     

遗传算法在电力系统无功优化中的应用

遗传算法(GA)是近10年来发展的基于自然选择规律的一种优化方法,算法能成功的解决无功变量中的离散问题,避免常规数学优化方法的局部最优现象。根据众多参考文献,阐述了简单遗传算法(SGA)以及GA与其他算法相结合的算法在电力系统无功优化中的应用和今后的发展方向。     

电力系统负荷恢复问题的混合遗传算法求解

对电力恢复过程中最后一个阶段的负荷恢复问题进行了研究,把电力系统的负荷恢复问题建模为带众多约束条件的0?1背包问题,并设计了一种将贪心算法与改进遗传算法相结合的改进混合遗传算法来对问题进行求解.在遗传算法之前,先用贪心算法生成该问题的贪心解,然后让每一代中有着最差适应度的个体无条件的变为此贪心解,使最终结果至少不会比贪心法差.解决了系统在负荷恢复过程中的潮流计算问题,采用先求系统的频率变化,然后再计算潮流分布的方法,将约束条件和目标函数融合在一起,通过建立一种偏序关系,避免了罚函数选择参数的困难.利用贪心算法求解背包问题的快速性和多父体杂交的非凸组合技术,使算法具有求解的快速性和在解空间内搜索的遍历性.算例求解结果表明了该算法在负荷恢复问题中的有效性.     

Prony算法在电力系统参数辨识中的应用

电力系统安全稳定计算的关键之一是建立准确的系统数学模型以及获取符合实际的系统动态参数。系统辨识技术在电力系统中有着重要的应用价值。提出了一种基于Prony算法的参数辨识方法,首先验证了其在电力系统传递函数辨识方面的有效性,再将其进行拓展,对汽轮机调节系统参数辨识进行了研究。该方法能准确辨识出系统传递函数和模型参数,计算速度快,辨识精度高,具备在线应用的潜力。仿真结果表明,该算法在电力系统参数辨识方面是有效可行的。     

分布式并行混合遗传算法在无功优化中的应用

将模拟退火算法与普通遗传算法结合,同时引入分布式MPI技术,实现了分布式的多种群算法.该算法用个体迁移策略来协调优化各个种群,用最优值恢复策略来稳定优化方向,并通过分布式计算的应用,有效地缩短了计算时间.通过运用IEEE14节点标准数据运算,证明了这种算法在电力系统无功优化计算中具有很高的稳定性和快速求解能力.     

小生境遗传算法在状态估计中的应用

提出了一种基于小生境遗传算法的求解状态估计问题的新方法,根据加权最小二乘法原理导出状态估计模型可计及各种伪量测。采用小生境遗传算法可提高计算速度,并改善收敛性。仿真计算表明,该方法是有效的,而且精度高、数值稳定性好。     

基于遗传算法的电力系统稳定器参数优化

采用所设计的遗传算法,对同时以ΔPe和Δω为输入信号、没有超前滞后环节的电力系统稳定器的Kp与Kω两个参数进行寻优,并通过仿真检验了PSS采用经遗传算法优化过的参数时的作用效果。仿真结果表明,无论是针对小干扰还是大干扰,该PSS都表现出了良好的性能。     

改进遗传算法的无功优化规划在伊盟电网中的实现

电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划。用常规的线性和非线性等方法进行优化计算,存在离散变量的近似处理问题,不符合无功规划的实际。而遗传算法由于自身特点,特别适合于解决多目标混合优化方面的问题,具有稳定的收敛特性,是一种先进的全局优化方法。基不足之外在于计算时间长,在种群和遗传代数不是足够大的情况下,易于收敛于局部极值点。为些提出了改进遗传算法,在计算速度和计算精度方面较传统遗传算法均有明显提高。