基于混合求解算法的智能组卷研究

智能组卷是一个多约束目标的组合优化问题,针对传统算法在组卷方面存在的不足,将遗传算法和模拟退火算法相结合,提出了一种混合求解算法。新算法不仅克服了未成熟收敛,而且速度和性能都有显著提高。实验结果表明,新算法提高了组卷效率。

基于分群结构的有源配电网储能优化配置

随着新型电力系统中源、网、荷、储资源交互程度的提高,考虑储能与源网荷的时序耦合特性在储能规划中显得尤为重要。为减少有源配电网的网损,提升配网的节点电压水平,并实现削峰填谷的功能,该文提出一种基于集群划分的有源配电网分布式储能选址定容方法。首先,根据配电网电气距离模块度、源荷有功匹配度以及集群功率波动度对有源配电网进行集群划分;其次,以集群为单位对储能进行规划,以电网脆弱性指标、有功网损、综合费用最小为目标,通过嵌入潮流的混合智能求解算法求解储能系统的位置和容量;最后,在改进的IEEE-33节点系统中进行仿真测试。结果表明:有源配电网的网损减少19.0%,同时电压波动指标和电网脆弱性指标分别降低15.9%和9.1%,从而提高了系统的节点电压水平。此外,峰谷差减少22%,实现削峰填谷。这证明所提出方法的有效性。

安全距离理论下计及故障恢复的智能配电网随机规划

在智能配电网主变站间充分互联背景下,为提高其供电效率、节省新建投资,提出了一种基于安全距离的配电网随机规划方法。首先,基于安全域理论,介绍了配电网N-1安全性分析方法和指标族。其次,考虑系统故障负荷的转供和分布式电源出力及时变负荷带来的不确定性,以总成本现值最小为目标函数,采用机会约束规划方法建立了配电网规划模型。然后,采用模糊C-means聚类法与动态小生境差分进化算法相结合的策略对模型加以求解。最后,通过算例对比所提规划方法与现有两种规划方法,结果表明,所述模型所得规划方案在保证N-1安全的前提下,实现了系统经济性和安全性的全面优化,充分发挥了配电网的供电潜力,更适用于负荷增长平缓和占地通道资源紧张的城市建成区配电网近期规划。

优化交货可靠性的装配作业车间分批调度

装配作业车间生产多规格小批量装配型产品,通常具有差异BOM结构,主要由客制零件组成,但同规格产品仍然包含一定比例的可互用零件,每类零件具有一定批量。此类车间分批调度需要最优化零件类的批次分割和子批加工序列。考虑客户对高交货可靠性的需求,构建了基于最优化交货可靠性为决策优化目标的分批调度数学模型,建立了基于遗传算法和优先级分派规则的混合求解算法。最后通过仿真实验分析和验证了所提方法的有效性。

提升配电网供电性能的风-光-储两阶段规划与配置

针对配电网中分布式电源(DG)不合理规划引起供电性能下降的问题,提出了一种在风-光-储接入情况下的配电网两阶段规划与配置方法。第一阶段通过计算节点有功网损灵敏度确定风-光电源的接入位置和容量,第二阶段以储能接入容量最小,系统电压稳定指标最大,负荷缺电率最小建立多目标规划模型,同时结合节点平均等效负荷对储能充/放电进行管理。为提高第二阶段多目标问题的求解精度,提出了一种基于多目标粒子群算法的混合智能求解算法用于求解第二阶段模型,利用序数偏好法(TOPSIS)选出储能最优接入方案。文中在IEEE-33节点系统上设置四种场景进行仿真测试,结果表明所提方法可以明显改善配电网的运行情况,给相关规划与配置提供借鉴与参考。

双资源约束的柔性作业车间鲁棒调度方法

针对考虑工人技能水平差异和加工时间随机性的设备、工人双资源约束的柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP),构建双资源约束的柔性作业车间鲁棒调度模型(Dual resource constraint flexible job shop robust scheduling problem,DRC-FJRSP)。将粒子群算法(Particle swarm optimization,PSO)的学习机制引入差分算法(Differential evolution,DE)的交叉部分,设计PSO-DE混合求解算法,实现问题的加速求解并有效避免搜索停滞的窘境。选取DE算法、遗传算法(Genetic algorithm,GA)、PSO算法作为对比算法进行仿真试验,试验结果显示,所提出的PSO-DE混合求解算法平均鲁棒性为5.331,在三个仿真算例调度makespan求解中表现最好。验证了DRC-FJRSP模型的合理性以及PSO-DE混合求解算法的鲁棒性。最后,以一个制造企业的FJSP为例进行求解,给出调度甘特图。研究解决了设备、工人资源不足给FJSP带来的加工冲突,降低了加工时间的随机扰动,优化了调度的makespan。

A scenario relaxation algorithm for finite scenario based robust assembly line balancing

A balancing problem for a mixed model assembly line with uncertain task processmg Ume anO daily model mixed changes is considered, and the objective is to minimize the work variances between stations in the line. For the balancing problem for the scenario-based robust assembly line with a finitely large number of potential scenarios, the direct solution methodology considering all potential scenarios is quite time-consuming. A scenario relaxation algorithm that embeds genetic al- gorithm is developed. This new algorithm guarantees termination at an optimal robust solution with relatively short running time, and makes it possible to solve robust problems with large quantities of potential scenarios. Extensive computational results are reported to show the efficiency and effectiveness of the proposed algorithm.