基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性.同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法.应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性.     

基于改进非线性预报-校正内点法的最优潮流

提出一种改进的非线性预报-校正内点法，该方法在校正阶段应用了多中心校正的超立体空间映射技术，经过合理配置一些关键参数改善了映射空间的结构，使算法在每次迭代时只需1次校正计算就能获得较大的迭代步长，从而快速收敛至最优解。通过IEEE 14，IEEE 30，IEEE 57，IEEE 118这4个测试系统的仿真计算表明，该算法收敛快，其迭代次数基本与每次迭代进行4次中心校正计算的多中心校正内点法相当，而且鲁棒性好，未出现数值稳定问题。     

基于改进多中心-校正内点法的最优潮流

提出了一种改进的多中心-校正内点法,该方法采用超立体空间映射技术,通过合理配置一些关键映射参数改善映射空间的数值结构,使算法在每次迭代时能获得较大的迭代步长和较好的中心方向,从而加快算法的收敛.通过IEEE14、30、57、118节点4个测试系统的仿真计算表明,该算法收敛快,其迭代次数与每次迭代进行4次中心-校正计算的多中心-校正内点法基本相当,而且鲁棒性好,未出现数值稳定问题.文章还对算法收敛判据的设置和初值的选取作了较详细的讨论.     

基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性。同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法。应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性。     

基于改进非线性预报-校正内点法的最优潮流

提出一种改进的非线性预报-校正内点法,该方法在校正阶段应用了多中心校正的超立体空间映射技术,经过合理配置一些关键参数改善了映射空间的结构,使算法在每次迭代时只需1次校正计算就能获得较大的迭代步长,从而快速收敛至最优解.通过IEEE 14,IEEE 30,IEEE 57,IEEE 118这4个测试系统的仿真计算表明,该算法收敛快,其迭代次数基本与每次迭代进行4次中心校正计算的多中心校正内点法相当,而且鲁棒性好,未出现数值稳定问题.     

基于非线性预报-校正内点法的电力系统无功优化研究

在非线性原-对偶内点法的基础上引入了预报-校正技术,使改进后的非线性预报-校正内点法获得了较纯原-对偶内点法更大的迭代步长,从而加速了算法的收敛.应用该方法求解电力系统无功优化问题时能有效处理目标函数中的大量不等式约束.IEEE 14节点、IEEE 30节点、IEEE 57节点和IEEE 118节点系统的仿真结果表明,该算法收敛快、鲁棒性好.