二进制纵横交叉算法在配电网重构中的应用

针对配电网重构问题,提出了一种以有功损耗最小为优化目标的、全新的二进制纵横交叉算法(binary crisscross optimization,BCSO)。该算法在纵横交叉算法(crisscross optimization,CSO)的基础上进行了二进制化研究,解决了二进制优化的难题;同时继承了纵横交叉算法的双交叉机制,其中横向交叉机制增强了全局搜索能力,提高了全局收敛速度,纵向交叉机制保持了种群的多样性,避免陷入局部最优;通过横、纵交叉机制的配合能够快速寻找到全局最优解。最后,在IEEE 33节点和美国PG&E69节点系统上对二进制纵横交叉算法进行仿真试验,试验结果分析表明:BCSO对解决配电网重构具有可行性,同时具有收敛速度快、全局寻优能力强以及良好稳定性的优点。

基于改进纵横交叉算法的高速铁路牵引供电动态潮流计算

传统高速铁路牵引供电动态潮流计算方法标准差值偏移较大。本文提出基于改进纵横交叉算法的高速铁路牵引供电动态潮流计算。首先对牵引供电装置输出特性进行提取,随后对高速铁路牵引供电进行建模,基于高速铁路牵引供电建模,以列车牵引计算结果及行车计划为输入。最后基于改进纵横交叉算法对高速铁路牵引供电系统求解,实现高速铁路牵引供电动态潮流计算,实验结果表明该研究方法计算结果标准差值偏移量更小。

改进二进制粒子群算法在配电网重构中的应用

将混合蛙跳思想引入粒子群算法,并结合遗传算法中的选择交叉操作,提出一种改进二进制粒子群算法,来解决配电网重构中的问题。并且动态调整粒子速度更新公式中的惯性系数,使粒子能够随更新次数的变化动态改变全局和局部搜索能力,防止算法早熟,以找到全局最优解。文章最后对典型IEEE33节点算例进行仿真,并与遗传算法进行对比分析,结果表明该方法不仅能有效避免算法早熟、快速收敛,而且稳定性好。

一种改进的二进制编码遗传算法研究

针对普通遗传算法(CGA)易陷入早熟,局部搜索能力较差,全局优化速度缓慢等问题,提出了一种改进的遗传算法(IM_GA),该算法融合了由进化代数或适应度分布调节变异交叉率的思想,从这两个方面共同改进了变异交叉率,仿真结果证明了该改进遗传算法的优越性.与普通标准遗传算法比较,该算法不仅收敛性较好,且能迅速找到全局最优解.

基于强化学习及纵横交叉粒子群算法的电网最优潮流计算

针对电力系统最优潮流计算问题,提出了一种新的基于Q学习和纵横交叉搜索的粒子群算法。改进的算法在粒子群的寻优模式中引入纵横交叉算子进行优化,加强了全局收敛能力。同时,该改进算法引入Q学习的探索模式,使其在已知的解空间内进行发掘,从而更好地平衡探索与利用之间的关系。为解决Q学习算法的维度灾难问题,使用了状态-组合动作链的方法。IEEE57和IEEE118节点系统的仿真结果表明,所提算法可以增强传统粒子群算法的全局收敛性,有效求解大规模的最优潮流问题。

基于小波包和改进纵横交叉法的风电预测模型

针对风电出力的随机性、季节性和波动性及一般方法预测精度不高的问题,采用改进纵横交叉(improved crisscross optimization,ICSO)算法,建立了一种基于小波包变换与改进纵横交叉算法优化Elman神经网络的风电预测模型。仿真结果表明:改进的纵横交叉算法不但克服了一般算法早熟收敛的缺陷,有效提高神经网络的泛化能力和预测精度,而且表现出良好的稳定性,适用于风电的预测。

适应多负载电池储能系统的拓扑结构优化重构方法

可重构技术应用于电池储能系统是退役电池回收再利用的有效方法之一。然而,由于储能系统供给侧和需求侧的多样性、退役电池包的拆解成本高且易引发环境和安全问题等问题,退役电池重组再利用构成储能系统非常困难。为了解决这一问题,本文采用电池重构对电压不一致的电池包进行重组再利用,以满足多负载需求为目标,在保证能源效率和系统安全的前提下,提出了一种面向多负载需求的低拓扑复杂交换度的退役电池组拓扑重构优化设计方法。通过构建多目标优化模型,并采用改进的二进制纵横交叉算法求解模型,获得了满足多负载需求的最优拓扑结构,并通过案例分析验证了本文所提方法的有效性。研究表明,通过调整多目标间的权重,可提高可重构电池储能系统拓扑结构的设计弹性。

基于相似日理论和CSO-WGPR的短期光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种结合纵横交叉算法与改进的高斯过程回归算法(crisscross optimization algorithm and weighted Gaussian process regression,CSO-WGPR)的预测模型。首先,通过加权模糊聚类对天气类型进行划分,选出与预测日相同类型的相似日样本;其次,采用单类支持向量机(One-Class supportvectormachine,One-ClassSVM)算法结合传统高斯过程回归算法,建立改进后的高斯过程回归模型(weighted Gaussianprocess regression,WGPR),减小异常值数据对预测结果的不良影响;然后,采用纵横交叉算法(crisscross optimization algorithm,CSO)优化WGPR的超参数,进一步提高模型的预测精度。以澳洲爱丽丝泉光伏系统为例进行建模预测,真实数据仿真和实验结果表明,所提预测模型在晴天、阴天、雨天类型下具有更高的预测精度,验证了该方法的有效性。

基于CSO优化深度信念网络的园区能源需求预测方法

针对目前能源需求预测影响因素繁多、构建模型复杂、预测精度不足的问题,提出了一种改进关联分析和纵横交叉优化深度信念网络的多能互补系统能源需求预测方法。首先,分析了园区多能互补系统冷热电能源需求的影响因素,并采用互信息和误差最小的方法对其进行确定。其次,基于传统灰色关联分析的不足,建立了距离相似度和趋势相似度的综合相似度的相似日选取方法。囿于深度信念网络初始权重的随机化,采用纵横交叉优化深度信念网络对园区冷热电负荷进行预测。以园区为仿真计算实例,分析冷热电负荷变化对能源需求预测的影响,验证了所提预测方法有效地提高了预测精度,具有较高的准确性和实用性。

基于ICSO-SOM-ELM的电力业扩项目工期预测

针对电力业扩项目时长的不确定性,提出一种自组织映射网络聚类、改进纵横交叉算法优化极限学习机权值阈值的ICSO-SOM-ELM电力业扩项目工期预测模型。首先基于项目预算费用与节点数,采用自组织映射网络对电力业扩项目数据进行二次聚类,初步降低原始数据集的混乱性。其次,提出基于邻域种群交叉变异机制的改进纵横交叉算法,并将其用于优化极限学习机模型的权值阈值,得到最优ELM预测模型。最后,针对电力业扩项目二次聚类数据,分别采用ICSO-ELM预测模型对项目时长进行预测。以某供电局业扩数据进行实验,验证所提模型的有效性,所提出的ICSO-SOM-ELM预测模型优于其他预测模型,可为供电公司的业扩项目工期计划制定提供科学性的建议。