基于变时段设计改进多目标差分进化算法的风/光/火/储日前优化调度

在高比例新能源馈入的新型电力系统中,新能源出力的不确定性导致火电难以满足调度计划的精度需求,风/光/火/储系统的经济调度求解算法面临严峻挑战。为此,提出一种基于变时段设计的多目标差分进化算法。首先按各时段负荷特征构建风/光/火/储系统的变时段日前调度规则。进而以系统运行经济成本与污染排放量为目标,基于多目标差分进化算法求解变时段系统日前调度模型的Pareto解集。最后,用IEEE 39节点系统进行测试。结果表明在风、光、储与火电的约束条件均符合校验的情形下,相较于其他算法,该方法使计算结果更加优化,火电机组出力跟踪调度计划效果显著提高,验证了所提方法的有效性。

基于自适应混沌精英变异差分进化算法的中长期水资源优化调度

中长期水资源优化调度问题是一类具有非线性、多阶段、高维度和多重约束特性的复杂优化问题。针对经典智能算法在求解此类问题时容易陷入局部最优或者收敛效率较低等问题,应用混沌搜索策略增强算法的探索能力,同时改进传统算法的变异方式,向精英个体学习以提升收敛速度,提出自适应混沌精英变异差分进化(ACEDE)算法。将所提出的算法应用于珠江三角洲水资源配置工程中长期调度进行实例研究,并与经典智能算法进行对比分析。结果表明:①ACEDE算法在全局探索能力、收敛精度与速度上实现了全面提升,并且表现出良好的适应性。相较于传统差分进化(DE)算法,2030年水平年6月份和2040年水平年6月份调度中ACEDE算法所计算的电费成本分别节省了74.23万元和23.55万元,降低了6.68%和1.52%。②在珠江三角洲水资源配置工程中长期调度中,充分利用调蓄水库库容满足高分水量需求,同时放缓月末补水充库过程,能够有效控制泵站的平稳运行,达到降低电费成本的目的。

梯级水库联合优化调度的差分演化算法研究

差分演化算法是一种收敛快、控制参数少并且易于实现的演化算法。本文在探讨梯级水库联合优化调度的差分演化算法中,针对传统优化算法在高维梯级水库优化调度时多约束条件难以处理、计算机时长等缺陷,提出了非参数惩罚的约束条件处理机制,并对差分演化算法进行了改进。通过实际算例验证了该方法的可靠性,从而为高维梯级水库的优化调度提供了一种新的求解途径。

基于模拟差分演化算法的梯级水库优化调度图研究

差分演化算法是一种收敛快、控制参数少并且易于实现的演化算法。本文将模拟技术与差分演化算法相结合,提出了基于模拟差分演化算法制定梯级水库优化调度图的方法。通过实际算例验证了该方法的合理性与可靠性,从而为高维梯级水库优化调度图的制定提供了一条新的思路。

基于改进差分进化算法的CCHP型微电网两阶段调度优化方法

由于CCHP型微电网两阶段调度需求的随机性,导致优化难度较大,难以找到有效的解决方案。因此,本文提出基于改进差分进化算法的CCHP型微电网两阶段调度优化策略。将微电网运行状态空间划分,构建CCHP型微电网两阶段调度优化模型,利用改进差分进化算法对微电网两阶段调度优化方案进行求解,实现CCHP型微电网两阶段调度优化。设计对比实验,实验结果证明该方法的调度转化效率最高,能够最大限度地利用。

基于改进多目标差分演化算法求解电力系统清洁经济优化调度问题

利用改进多目标差分演化算法求解考虑安全运行约束的电力系统清洁经济优化调度问题,对相互冲突的发电费用函数和污染气体排放量函数同时进行优化,采用非支配排序和拥挤距离排序对种群进行选择操作,并引入基于平均熵的种群初始化和基于混沌Logistic映射的控制参数调整策略来改善算法收敛性能。在IEEE 30节点6机系统上获得的仿真结果验证了该算法的优越性。

改进的差分演化算法及其在函数优化中的应用

提出了一种改进的差分演化算法,该算法记录下了差分演化算法在对每个个体进行变异操作时的差向量,然后以被变异的个体作为邻域的中心,以所记录的差向量作为邻域的半径,再在这个邻域内进行一次挖掘式的搜索。这一改进增强了原差分演化算法的局部搜索能力。典型多峰函数优化的仿真结果表明,改进后的算法具有比原差分演化算法更快的收敛速度,同时新算法也保持了原差分演化算法良好的全局搜索能力。

差分进化算法在水电站优化调度中的应用

针对水电站优化调度的特点,以某水电站为例探讨了一种在连续空间中进行并行随机搜索的差分进化算法的应用及效果,结果表明该算法全局搜索能力强、计算精度较高、可靠,为水电站优化调度提供了一种更为有效的新方法。

改进差分进化算法的作业车间调度优化策略

作业车间调度问题是提高企业生产效益的关键技术,为了解决当前作业车间调度问题过程中存在的难题,提出了改进差分进化算法的作业车间调度问题优化算法。首先,将加工最短时间作为评价指标,建立作业车间调度问题优化数学模型;然后,采用差分进化算法对数学模型进行求解,并对差分进化算法进行相应的改进,加快解搜索速度,最后采用实例数据对该算法的性能进行测试和分析。结果表明,所提算法可以得到较好的作业车间调度问题方案,相对于对比算法,搜索结果的评价指标更优,具有更高的实际应用价值。

差分演化算法中变异策略的改进与算法的优化

自然界生物体进化现象可以形式化成一些优化算法,如差分演化算法、粒子群算法等。其中,差分演化算法在数值函数优化方面的性能要优于其它的优化算法。通过对差分演化算法的变异策略改进,使优化后的差分演化算法在函数优化方面性能得到进一步提高。通过十个基准函数的仿真测试可以验证这一结果。

基于差分进化算法的动态环境经济电力系统调度优化

电力系统动态环境经济调度优化隶属于非线性优化问题范畴,并具有多目标、高维、多约束条件等特点。经典的数学规划方法无法处理此类复杂问题。为此,提出了新的方法来解决这个问题。首先,通过代价惩罚因子将双目标优化问题转化为单目标优化问题。然后,设计启发式搜索策略来解决调度问题中的爬坡约束、动态电力平衡约束。采用启发式策略修正解决方案,能够提高群体的多样性,拓展搜索空间。基于优先列表的启发式策略能够使能耗低的火力发电机拥有更高的优先级进行更多的电力输出,以得到更优的调度解决方案。最后,改进差分进化算法,以加快搜索的速度并提高解决方案的质量。

基于协同差分演化算法的梯级水库短期发电优化调度研究

随着我国水电事业不断发展,流域梯级水库群联合调度的新格局已逐渐形成。针对梯级水库发电优化调度问题,在差分演化算法中适应度的进化模式中计及进化成分与外部环境之间的内在联系,借鉴生态学对个体生存环境与种群竞争的关系,提出了协同差分演化算法,并将其引入梯级水库短期发电优化调度中。实例仿真计算结果表明,该算法具有可靠性与合理性,计算速度显著提升,为解决高维复杂、多约束、非线性的梯级水库优化调度问题提供了一条新路径。

基于改进差分进化算法的水火电短期优化调度

在处理具有复杂约束条件的水火电系统短期优化调度问题时,针对差分进化算法(DE)变异率控制难点和"早熟"问题,引入自适应变异算子,以距离方差校验,借正态分布生成种群,提出改进差分进化算法(EDE)。为使可行解在约束范围内收敛,运用双适应度函数对求解过程评价。以国际上通用4个水电站和3个火电站组成的系统仿真分析,EDE使水火电总燃料费用最小,为水火电力系统求解提供了有效手段。

求解环境经济调度问题的多目标差分粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解电力系统环境经济调度问题。算法通过对Pareto最优解集的差分演化来增加Pareto最优解的多样性;通过循环拥挤距离来控制归档集中非劣解的分布,以提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘赌法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。对电力系统环境经济负荷分配模型进行仿真,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持Pareto最优解多样性的同时具有较好的收敛性能。

基于多目标文化差分进化算法的水火电力系统优化调度

为有效求解节能减排背景下水火电力系统的多目标优化调度问题,提出一种多目标文化差分进化算法(Multi-objective cultured differential evolution,MOCDE)。MOCDE以文化算法(Cultural algorithm,CA)为框架,以差分进化算法(Differential evolution,DE)为群体空间演化方法;同时,根据DE算子及多目标优化的特点,在信念空间中设计了三种知识结构,并利用这些知识结构指导种群演化,提高了算法的收敛速度并克服早熟收敛问题。此外,提出一种基于逐步调整策略的约束处理方法,可有效处理等式约束。研究结果表明,MOCDE可快速获得一组分布性好、收敛精度高的非劣调度方案集,是求解水火电力系统多目标优化调度问题的一种有效方法。

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样性;通过循环拥挤距离来控制归档集中非劣解的分布,提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘赌法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度因子的设计增强了算法的全局搜索能力。多个多目标测试函数的仿真结果表明,改进的多目标粒子群算法能够在保持Pareto最优解多样性的同时具有较好的收敛性能。

基于差分量子粒子群优化算法的作业车间调度

针对作业车间调度问题(job-shop scheduling problem, JSP)中存在的求解复杂程度高、动态性强等难题,提出基于差分特性的量子粒子群优化算法。量子粒子群算法引入量子机制克服了粒子群算法在全局收敛性上的不足,并采用差分进化思想对粒子状态进行更新,借助变异操作增大种群多样性,对早熟粒子进行交叉选择操作,防止个体收敛到局部极值,进一步采用多邻域搜索方法以提高算法的寻优速度。对FT、LA两类JSP算例进行求解,将所提算法与离散粒子群算法、遗传算法以及细菌觅食算法进行实验对比。结果表明,4种算法收敛到FL10算例理论最优解的时间分别为127、134.8、143.5以及141.3 s;而LA36算例的理论最优解为1 268,4种算法所得结果分别为1 294.6、1 457.4、1 374.3以及1 398,且所提算法收敛时间最短。仿真结果表明所提算法能以较快的收敛速度得到最优解,相比于其他算法,寻优速度和精度都有了明显提升。

求解约束优化的一个自适应杂交差分演化算法

结合基于可行性规则的约束处理技术,构造了一个求解约束优化问题的自适应杂交差分演化模拟退火算法。该算法以差分演化算法为基础,用模拟退火策略来增强种群的多样性,用一个基于可行性规则的约束处理技术来处理不等式约束,且自适应化关键控制参数,避开人为控制参数的困难。在标准测试集上的实验结果表明该算法的有效性,与同类算法的比较表明了该算法的优越性。

基于差分和声搜索算法的短期电力系统优化调度(英文)

本文提出用多目标优化算法来解决非线性优化控制问题。和声搜索算法是一种新兴的启发式算法。本文将差分和声搜索算法首次应用到解决印度公用电力系统的短期优化当中,以包含9条母线,11条传输线,4个热电厂及3个水电站的局部电力系统为例验证了差分和声搜索算法的可行性和有效性。较之于其它优化算法,差分和声搜索算法的应用能直逼优化问题的期望值。

折衷的差分演化算法在有约束优化中的应用

设计了一种求解有约束优化问题的新方案,该方案以一种折衷的差分演化算法为基础,应用两个简单的基于可行解的规则引导算法向可行域搜索,应用周期模式处理边界约束。并用该方案优化了一个标准测试集上的全部函数,试验结果表明,与同类方法相比而言,该方案在收敛速度和稳定性两方面表现出较强的竞争力。