基于改进MOBPSO算法的含分布式电源的多目标配电网重构

提出一种含多类分布式电源的多目标配电网重构模型。在重构时采用Pareto准则的多目标二进制粒子群优化(Multi-Objective Binary Particle Swarm Optimization,MOBPSO)算法,对算法进行了3点改进:基于环的编码方式用以降低不可行解的产生概率;动态变化的惯性因子和异步变化的学习因子用以提高算法的调节适应能力;在最优粒子的更新方式上提出小生境共享机制和比例选择算子相结合的策略。最后还给出了一种根据决策者偏好信息,从优化解集中选择相应重构方案的评价机制。算例结果表明:改进的MOBPSO算法在寻优效率和稳定性上均有提升;所提模型、改进算法以及评价机制互相配合,能够为决策者提供一种有效的配电网重构方案。

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。

基于AMOPSO考虑分布式电源的配电网重构

基于Pareto准则的多目标配电网重构方法利用自适应多目标粒子群优化(AMOPSO)算法进行优化,采用基于图论的拓扑修正策略来避免迭代过程中的不可行解,保证网络的辐射性约束,提高配电网重构效率;线性变化的惯性权重和学习因子可提高算法的寻优能力,保证Pareto解集的多样性。以含分布式电源(DG)的IEEE33节点系统为算例得到具有多样性的高质量Pareto解集,该结果不仅可验证所提出的多目标重构方法在解决配电网重构问题的有效性,也可证明DG的接入可减小配电网的网损、电压偏移量等。最后采用模糊决策法从Pareto解集中选出最佳调和解。

采用特性指标聚类和改进萤火虫算法的配电网动态重构

为更好处理考虑负荷变化的配电网动态重构问题,将一种基于负荷特性指标降维的聚类方法应用于配电网负荷聚类,根据负荷特性相似性进行重构时段的划分,有效解决开关操作次数对实际配电网调度的不良影响。将最小生成树思想与改进的萤火虫算法相结合,以有功网损和负荷均衡指数最小构造目标函数,对负荷聚类后的配电网动态重构问题进行仿真验证。研究结果表明:改进的聚类算法可精确地对配电网负荷进行分类,为配电网重构提供了良好的基础,改进重构算法可快速有效地对配电网进行动态重构。

高渗透率可再生能源接入的配电网重构优化

考虑可再生分布式电源(Renewable Distributed Generation,RDG)和负荷的不确定性,建立了以系统有功网损、负荷均衡指标和节点电压偏移指数期望值均为最小的多目标配电网重构模型。采用基于Pareto准则的二进制量子粒子群算法,并对其进行双变异优化改进。对Pareto最优解集进行满意度评估以供决策者选择最佳方案。对简化后的IEEE33节点系统进行仿真测试,结果验证了该方法的有效性和可行性。