一种求解电力经济负荷分配问题的改进微分进化算法

针对电力系统经济负荷分配(economic dispatch,ED)这一典型的非凸、非线性、组合优化问题,提出一种改进的微分进化(improved differential evolution,IDE)算法。微分进化(differential evolution,DE)算法虽有简单、搜索效率高的优点,但是仍然有局部最优的问题。该文在对DE算法搜索机理进行分析的基础上,针对DE算法参数难于动态调整的问题,提出不依赖于优化问题的控制参数自适应调整机制,并根据动态监视群体适应度方差的变化,增加个体迁移策略,进一步提高DE算法的全局寻优能力和鲁棒性。运用该算法对IEEE3机、40机及69机300节点标准测试用例进行计算,并考虑机组的爬坡约束、出力限制区约束、非光滑费用函数曲线等非线性特性,将其计算结果与遗传算法(genetic algorithm,GA)及粒子群算法(particle swarm optimization,PSO)进行比较,分析表明该方法是可行的、有效的。     

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。     

基于并行混合差分进化算法的梯级水库群优化调度研究

以差分进化算法(DE)为基本框架,结合混沌算法(CA)和蛙跳算法(SLFA)各自局部搜索优势以及多核并行计算技术(PC),提出一种新的并行混合差分进化算法(PHDE),即将DE与CA、SLFA进行有机融合,分别对精英个体进行混沌局部搜索和对较差个体进行蛙跳局部更新,且差分进化运算、混沌局部搜索和蛙跳局部更新均采用PC,以有效缩短计算时间。PHDE具有三点优势:一是保留了DE简单易行、收敛迅速的特点;二是继承了CA、SLFA的遍历性,能够避免早熟收敛现象;三是通过合理的并行模式,有效降低了计算时间。典型测试函数表明了PHDE的可行性、高效性和鲁棒性。实例研究表明,PHDE具有较好的优化性能和计算效率,为高效求解水库群优化调度问题提供了一种可行途径。     

基于混合微分演化算法的配电网架结构智能规划

应用地理信息系统(GIS)和改进的微分演化(DE)算法组成混合微分演化(GDE)算法来进行配电网架结构的智能规划.该算法首先利用配电网络的地理特征,分阶段过滤明显不适合的线路,得到初步规划网络,随后利用DE算法收敛快速、鲁棒性强的特点,将其应用到优化计算中.为避免早熟,对传统DE算法进行了改进,利用解群转移策略在给定的条件下对解群进行分散处理,以跳出局部最优点,得到全局最优解.并给出了某省会城市的城区高压配电网规划算例.     

利用微分进化优化神经网络的变压器故障诊断

该文提出一种微分进化DE(differential evolution)与误差反向传播神经网络BP(error back propagation)相结合的变压器故障诊断新方法.DE算法是采用不同的策略产生变异算子,并在进化过程中采取父代和子代交叉处理的方式来提高进化速度,具有强劲的全局搜索能力,能很快寻找到全局最优点....     

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。     

基于改进差分进化-生物地理学优化算法的最优潮流问题

生物地理学优化算法(biogeography-based optimization,BBO)是一种新提出的全局智能优化算法,但是其应用于最优潮流计算时,具有早熟和收敛不稳定的问题。将BBO与差分进化(differential evolution,DE)算法相结合,并对差分进化部分的改进策略稍做修改,形成改进DE-BBO算法。应用所提方法对IEEE 30节点系统进行了有功优化的计算,并和GA、PSO、BBO和DE 4种方法进行了分析和比较,结果表明所提方法具有良好的收敛稳定性,可以有效缩短迭代时间。     

改进DE与广义神经网络在变压器故障诊断中的仿真研究

针对微分进化DE(differential evolution)算法存在的过早出现收敛而易陷入局部最优值的不足,提出了改进DE算法与模糊聚类相结合的广义神经网络的变压器故障诊断新方法.该方法根据变压器油中的5种特征气体含量,利用自适应调整策略改进微分进化参数而进行优化模糊聚类目标函数,同时广义神经神经网络又可以发挥其训练速度快和逼近效果好等方面的优势,得出故障类型.从仿真实验结果来看,将该混合算法进行变压器故障诊断其准确率和收敛速度快都有了很好的改善,相比改进DE神经网络和FCM神经网络其逼近效果也是最好的,有利于更好的诊断故障,并通过样本验证结果进行比较.该模型简单易于实现,具有很强的实用性和泛化性.     

基于改进微分进化算法的负荷模型参数辨识

为了提高电力系统中负荷模型的精确度,提出了一种改进的微分进化算法(IDE)以辨识负荷模型参数。采用不依赖于优化问题的控制参数自适应调整机制,同时考虑搜索速度和搜索精度,使算法摆脱后期易于陷入局部极值点的束缚,克服了微分进化算法参数调整困难的不足,提高了算法的寻优能力。将改进算法应用于静态负荷模型参数辨识的工程实例并与其他算法对比的结果表明,改进DE算法的全局搜索能力强,搜索精度高。     

基于改进微分进化算法的可用输电能力研究

微分进化算法具有控制参数少、鲁棒性强、易于使用等优点,并具有不同的变异策略。通过对微分进化算法各变异策略的研究,提出了基于混合变异策略的改进微分进化算法,并结合可用输电能力问题的特点,构造了适合于ATC计算的改进微分进化算法优化模型,提高了ATC计算的准确性和有效性。改进算法的主要思想是将寻优过程分为两个阶段,每个阶段采用不同的变异策略,使计算初期种群的多样性得到维持、后期算法的收敛速度加快,从而提高了算法的全局搜索能力和收敛速度;对控制参数进行动态调整,增强了算法的适应性。IEEE-30节点系统仿真结果验证了所改进算法的可行性和有效性。     

一种基于混沌序列的动态差分进化算法在电力系统动态经济调度中的应用

针对电力系统动态经济调度(DED)问题,引入差分进化算法,提出一种基于混沌序列的动态差分进化算法(ＡＤＤＥＣＳ)。该算法采用混沌序列动态调整差分进化算法的参数设置,保持种群的多样性。动态搜索策略被用于提高算法的整体搜索性能,它由全局搜索策略和局部搜索策略2部分组成。为了加速收敛和解决DED复杂的约束处理问题,采用基于多目标概念的约束处理机制,并提出一种根据机组调节能力来按比例分摊不可行解约束违反量的新方法。同时在搜索过程中,通过采用不同的变异策略结合改进的随机搜索策略来避免算法早熟,增强全局最优解的搜索能力。提出的方法的可行性和有效性由10机测试系统来证明,和其他方法相比,ADDECS方法计算速度快,计算精度高且鲁棒性强。     

Active power based distance protectionscheme in the presence of seriescompensators

This paper presents opposition-based differential evolution to determine the optimal hourly schedule of power generation in a hydrothermal system. Differential evolution (DE) is a population-based stochastic parallel search evolutionary algorithm. Opposition-based differential evolution has been used here to improve the effectiveness and quality of the solution. The proposed opposition-based differential evolution (ODE) employs opposition-based learning (OBL) for population initialization and also for generation jumping. The effectiveness of the proposed method has been verified on two test problems, two fixed head hydrothermal test systems and three hydrothermal multi-reservoir cascaded hydroelectric test systems having prohibited operating zones and thermal units with valve point loading. The results of the proposed approach are compared with those obtained by other evolutionary methods. It is found that the proposed opposition-based differential evolution based approach is able to provide better solution.     

计及过负荷风险的风电并网电力系统动态经济调度

建立了综合考虑系统发电成本、过负荷风险的风电并网系统多目标动态经济调度模型：在优化过程中计及机组出力爬坡约束、系统旋转备用约束;采用自适应DEM0算法对模型进行求解;得到Pateto最优集后采用协调性最优的准则选取折中解。最后在RTS-79系统上对所提模型和算法的有效性进行验证。     

Opposition-based differential evolution for hydrothermal power system

This paper presents opposition-based differential evolution to determine the optimal hourly schedule of power generation in a hydrothermal system. Differential evolution (DE) is a population-based stochastic parallel search evolutionary algorithm. Opposition-based differential evolution has been used here to improve the effectiveness and quality of the solution. The proposed opposition-based differential evolution (ODE) employs opposition-based learning (OBL) for population initialization and also for generation jumping. The effectiveness of the proposed method has been verified on two test problems, two fixed head hydrothermal test systems and three hydrothermal multi-reservoir cascaded hydroelectric test systems having prohibited operating zones and thermal units with valve point loading. The results of the proposed approach are compared with those obtained by other evolutionary methods. It is found that the proposed opposition-based differential evolution based approach is able to provide better solution     

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.     

随机差分变异粒子群混合优化算法

针对传统粒子群优化算法与差分进化算法都易出现早熟等问题,提出了一种随机差分变异粒子群混合优化算法。算法结合粒子群与差分算法的各自特点,首先采用差分变异方法产生试探性候选个体,再将其代入到粒子群速度更新公式,引导粒子飞行方向,从而扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解,采用随机差分变异方式对当前最优粒子进行扰动,使算法在有效提高局部开采能力的同时,有效避免停滞现象的发生。算法分别在单峰及多峰等8个测试函数上与3个相关算法进行对比实验,实验结果表明,新的混合算法优于其他对比算法,有效提高了算法的性能。     

基于差异进化和PC集群的并行无功优化

提出了一种在线求解电力系统无功优化问题的方法。该方法基于新的差异进化（DE）算法和并行计算技术,在PC集群上实现优化。IEEE118节点系统的算例表明：DE算法尽管简单,但可快速收敛到近似最优解;采用并行差异进化和适当规模的PC集群,可大大缩短电力系统无功优化的计算时间,使之满足在线应用的需要。