基于人工蜂群算法的多目标最优潮流问题的研究

以污染气体排放量、网损最小为目标,建立多目标电力系统最优潮流数学模型,并提出一种基于人工蜂群的多目标算法对其进行求解。该算法利用外部存档技术来保存进化过程中已经找到的Pareto最优解,并在每次迭代后更新。最后根据模糊集理论从Pareto最优解集中选取最优折衷解,为决策者提供科学的决策依据。通过IEEE-30节点系统及IEEE-57节点系统的仿真,验证了该算法在求解大规模电力系统多目标问题上的有效性,相比其他多目标算法能有效避免局部收敛。     

改进教与学方法在电力系统无功优化中的应用研究

以多负荷水平的全年能量损失最小为目标函数,提出一种改进教与学优化方法求解电力系统无功优化问题。教与学方法是一种新颖的无控制参数的群智能算法,包括教阶段和学阶段。为了克服局部收敛,改进教与学方法在此基础上提出一种基于自适应小波变异策略的改进阶段改善算法的性能并在IEEE-30节点系统进行仿真。结果与其他算法进行比较,验证了该算法的优越性。表明该方法是大规模电力系统可推广使用的有效方法。     

基于反向学习的人工蜂群算法的电力系统最优潮流

以发电机大气污染物排放量最小为目标函数,建立一种电力系统最优潮流模型,并提出一种基于反向学习的人工蜂群算法进行求解。IEEE一30节点系统仿真分析结果表明,与其它算法进行相比,提出的算法能够有效降低发电机大气污染物排放量,算法简单,具有更好的寻优能力和收敛特性。     

基于引力搜索算法的含分布式电源配电网重构

分布式电源接入配电网将直接改变潮流分布,而网络重构通过改变开关的开合状态以提高供电的可靠性和经济性。以降低网损和缺供电量为目标,以可调度DG的有功输出和开关状态为优化变量,建立多目标协调优化的配电网络重构的数学模型。将引力搜索算法、Pareto最优解理论和模糊决策理论相结合,提出了求解上述模型的多目标混合优化方法,以实现配电网结构和DG出力的协同优化。通过对IEEE33节点测试系统的仿真结果,表明所提出方法能够实现DG出力和网络重构的综合优化和多目标优化,并且在全局寻优能力和收敛速度上表现出色。