为提高主动配电网(Active Distribution Network,ADN)重构的经济性和稳定性,以主动配电网有功网络损耗最小和系统电压偏移指数最低作为目标函数,建立了主动配电网优化重构模型,利用目标规划法构建适应度函数,将多目标优化问题转化为单...为提高主动配电网(Active Distribution Network,ADN)重构的经济性和稳定性,以主动配电网有功网络损耗最小和系统电压偏移指数最低作为目标函数,建立了主动配电网优化重构模型,利用目标规划法构建适应度函数,将多目标优化问题转化为单目标进行求解。采用差分进化算法和Tent混沌映射对灰狼优化算法进行改进,以提高算法的优化性能。运用改进差分灰狼优化算法(Improved Differential Grey Wolf Optimization,IDEGWO)对主动配电网优化重构模型进行求解,并与其他算法对比,算例分析结果表明,改进差分灰狼优化算法在迭代次数和收敛精度方面均优于其他算法,按照IDEGWO算法优化方案重构后的有功网络损耗和系统电压偏移指数分别为57.91 kW和0.7856,主动配电网系统重构后的经济性和稳定性均得到了显著提升,验证了模型的正确性及求解方法的优越性。展开更多
灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数...灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。展开更多
文摘为提高主动配电网(Active Distribution Network,ADN)重构的经济性和稳定性,以主动配电网有功网络损耗最小和系统电压偏移指数最低作为目标函数,建立了主动配电网优化重构模型,利用目标规划法构建适应度函数,将多目标优化问题转化为单目标进行求解。采用差分进化算法和Tent混沌映射对灰狼优化算法进行改进,以提高算法的优化性能。运用改进差分灰狼优化算法(Improved Differential Grey Wolf Optimization,IDEGWO)对主动配电网优化重构模型进行求解,并与其他算法对比,算例分析结果表明,改进差分灰狼优化算法在迭代次数和收敛精度方面均优于其他算法,按照IDEGWO算法优化方案重构后的有功网络损耗和系统电压偏移指数分别为57.91 kW和0.7856,主动配电网系统重构后的经济性和稳定性均得到了显著提升,验证了模型的正确性及求解方法的优越性。
文摘灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。