无重访遗传算法及其在输电网络规划中的应用

将无重访的遗传算法(non-revisiting genetic algorithm,NrGA)应用于求解输电网络规划问题。NrGA通过空间二叉分割(binary space partitioning,BSP)和相应的二叉分割树(BSP tree)数据结构对遗传算法搜索过的历史位置进行记录,能够快速检测遗传操作产生的新解是否在BSP tree的历史存档中,对历史存档中已有的新解使用基于BSP的自适应变异机制进行操作,实现遗传算法的无重访搜索。此外,针对输电网络规划问题的具体特点,从编码、交叉、惩罚方法等方面对算法进行改进。最后通过一个典型算例对所提出的方法进行验证。与普通遗传算法相比,NrGA算法具有参数设定区间宽泛、收敛到最优解的概率高等多方面的优势。     

典型变电站一键顺控技术方案及存在问题

近年来随着电网建设的加快推进,变电站建设取得了长足的进步,然而电网公司倒闸操作面临一系列的挑战,操作环节复杂,效率低下;人工完成,存在误操作风险;往返无人值守变电站,成本高、难度大。变电站数量剧增,导致运行人员减少与运行压力增大之间的矛盾日益突出,顺序控制操作模式在以上背景因素下应运而生,在详解《变电站一键顺控改造技术规范》基础上、结合其他省份在顺控操作实施中的经验,以某500 kV变电站为例提出江西典型变电站一键顺控操作实施方案,可为后续工程一键顺控设计提供借鉴,提升工程设计水平。     

基于无重访NSGA-II算法的配电网多目标重构

将基于空间二叉分割理论的无重访机制与基于多目标Pareto最优化思想的第二代非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-II, NSGA-II)相结合,构建了无重访NSGA-II算法,并应用于求解同时考虑网损降低和供电可靠性提高的多目标配电网络重构问题。所构建的无重访NSGA-II算法实现了严格意义上的不重复搜索,避免了重复方案的潮流及可靠性计算,节约了计算资源。IEEE16、IEEE33测试系统的计算结果表明能够在较少的迭代次数下得到每个目标方向上的最优解以及包含若干非支配解的Pareto最优前沿解集。根据网损与可靠性目标之间的关联关系及相应重构方案的拓扑结构分析表明在解空间的全局范围内网损与可靠性目标具有较明显的一致关联性,不论对于网损还是可靠性的优化,网络拓扑都应该接近广度优先树而规避深度优先树。     

基于全概率公式的含风电配电系统概率潮流计算

针对风电出力不满足正态分布的特点,对风电出力分段离散化,并将多个风电场的离散化结果进行组合得到系统风电出力状态的所有组合,将问题转换为求解风电注入功率确定的多个条件概率分布问题。利用全概率公式整合多个条件事件的原点矩以计算系统状态变量的期望和方差。基于所有条件概率分布满足正态分布的特点,将所得的多个Gauss函数按全概率公式累加的方法得到同时考虑风电随机性和负荷随机性的概率密度函数,摒弃了传统的Gram-Charlier级数拟合概率密度函数的方法。以IEEE 33节点配电网络接入多个风电场为例对所提方法进行验证,并与多个抽样规模的蒙特卡罗模拟法进行对比,结果证明所提方法具有与千万次抽样的蒙特卡罗模拟法等同的精度。     

基于多维高斯混合模型的电力系统不确定性建模方法EI北大核心CSCD

在基于多维高斯混合模型的电力系统多变量概率建模中,针对期望最大化算法参数估计精度较低的问题,该文引入非参数核密度估计和密度保留的分层期望最大化算法,提出一种基于高斯成分数约简的建模方法。以非参数核密度估计结果作为基高斯混合模型,采用密度保留的分层期望最大化算法约简高斯成分数,能够建立任意高斯成分数的高斯混合模型,克服了期望最大化算法在高斯成分数较多时参数估计精度低的问题。为降低大样本下的建模计算负担,提出按时间尺度分层的建模方法。为解决相互独立的多个随机变量出现高斯成分数组合爆炸的问题,提出“组合–约简”分层建模方法。采用具有复杂分布特性的实测多维风速数据和负荷数据对所提方法作了测试,结果表明,所提方法的精度显著优于基于期望最大化算法的高斯混合模型和Copula函数法。     

动态输电网络规划的组合编码遗传算法

针对动态输电网络规划过程中需要考虑时间决策量的问题,提出了组合编码方式。组合编码方式将多阶段输电网络规划中的时间决策量隐含在编码中,从而使得多阶段的动态输电网络规划问题能够转换成静态规划问题进行求解。该编码方式满足表现型和基因型的1对1映射,及表现型空间与基因型空间距离上的一致性,从而保证了遗传算法的搜索效率。此外,针对动态输电网络规划的特点,对遗传算法的交叉算子、变异方式、适应度函数、惩罚系数等方面进行了改进,进一步改善了遗传算法求解多阶段输电网络规划问题的性能。以19节点系统为例对算法进行了验证,结果表明能够在较短的进化代数内得到问题的最优解。     

基于生物地理学优化算法的电力系统无功优化

将模拟物种迁移规律的生物地理学优化算法（BBO）应用于求解电力系统无功优化问题。区别于遗传算法中局限于染色体两两之间分享特征信息的模式,BBO独特的迁移模式使得好的栖息地特征信息得以在多个栖息地之间广泛传播,从而加快了优化进程。IEEE14节点和IEEE57节点的测试结果表明：BBO算法在与相关文献中的算法相当的迭代次数内能够得到更优的解,且算法对参数的依赖性不强,适用于求解电力系统无功优化这一类复杂的工程组合优化问题。     

采用最优模糊C均值聚类和改进化学反应算法的配电网络动态重构

针对配电网络动态重构中的开关操作次数约束难以处理的问题,提出采用最优模糊C均值聚类技术对时间区间的配电网络运行状态按其负荷的内在相似性进行聚类,将配电网络动态重构转换为以聚类中心表示负荷状态的多个静态重构问题。从提高寻优效率的角度,对化学反应算法进行了改进,提出了一个更适合求解配电网重构的改进的化学反应算法(improved CRO,ICRO),并将其应用于求解以聚类中心为代表的静态重构问题。每个时间点的优化网络结构由对应的聚类中心的重构结果决定,从而得到配电网络重构操作的时间点和需要操作的开关。以IEEE 33节点配电系统的负荷数据为基础,构建了1周的负荷数据并对IEEE 33节点系统进行了动态重构,验证了方法的有效性。     

能源区块链离散状态事件驱动仿真方法

区块链技术在能源领域具有广阔的应用前景,能源区块链的工程应用正逐步推进。现有能源区块链仿真方法仅能仿真小规模系统,且难以灵活测试能源区块链参数对运行效率的影响,无法分析含大规模节点的能源区块链性能。该文首次引入离散状态事件驱动仿真思想,提出灵活高效的大规模能源区块链仿真方法。首先,构建面向离散状态事件驱动的能源区块链仿真模型,仿真能源区块链节点和网络的核心功能。随后,设计了能源区块链的离散状态事件集和事件调度时序规则,驱动仿真模型动态运行。最后,开发了能源区块链仿真器,选取大规模分布式能源点对点交易场景验证了所提方法的有效性及仿真效率。结果表明,所提方法能够灵活高效地仿真大规模能源区块链,既可以验证智能合约的有效性,同时为能源区块链的参数配置提供仿真数据支撑。     

基于八种智能算法的配电网络重构计算平台及其性能

采用8种基于群体的智能算法构建了一个求解配电网重构问题的计算平台,以期寻求到一个适合于求解该问题的智能算法。平台中不同算法之间仅算法主体部分不同,配电网重构模型和基本环路搜索等模块完全一致,种群规模、精英数量等公共参数也完全相同。文中给出了各种算法的基本原理和求解步骤,以IEEE 33节点系统为例测试了算法参数的敏感性,对比了各种算法的性能差别,并使用IEEE 16节点和PG&E 69节点测试系统对算法的适应性做了进一步比较。测试得到的目标函数平均值、收敛到最优解的比例、计算时间以及对系统规模适应性等方面的结果表明：螺栓遗传算法（Stud GA）性能最优、生物地理学优化算法（BBO）次之、其他算法在不同的测试系统中表现的性能不一致。Stud GA具有操作简单、参数少、收敛到最优解的概率高、计算时间短等优点,适合用于求解配电网重构问题。