基于改进萤火虫算法的电力系统优化潮流仿真研究

针对标准萤火虫算法(Firefly Algorithm,FA)在求解电力系统优化潮流(OPF)问题上出现的早熟收敛和求解精度不高等问题,引入混沌优化和莱维飞行,形成了混沌莱维萤火虫优化算法(Chaotic Lévy Flightfirely Algorithm,CLFA)。对改进的CLFA算法进行了推导与分析,并将FA和CLFA两种算法对IEEE30节点测试系统进行电力系统优化潮流仿真,用实验证实算法的有效性。仿真结果表明:改进后的CLFA算法避免了早熟收敛,增强了局部搜索能力,提高了求解精度。算法的改进方式具有良好的创新性,学生可以自行开发不同的改进方式,改进后的算法更有利于进行后续的电力系统优化潮流问题研究。

基于改进萤火虫算法的多目标优化潮流仿真研究

针对电力系统多目标优化潮流(MOOPF)问题,结合基于约束优先的帕累托占优关系、非劣排序和拥挤距离计算,提出了约束优先非劣排序的多目标萤火虫算法(CNSFA),并根据模糊数学中的模糊隶属度选取最优折衷解。通过对IEEE30节点测试系统进行电力系统多目标优化潮流仿真测试以及与对比算法的比较可以看出:该算法在求解多目标优化潮流问题时,得到了分布性均匀和收敛性较强的帕累托解。