遗传灾变算法在配电网络重构中的应用

将灾变算法与遗传算法相结合,提出了应用于配电网络重构的遗传灾变算法。针对配电网的结构特征,采用基于邻接矩阵的供电孤岛验算方法,排除遗传操作后产生的不可行解,通过精英保留和动态控制变异算子,有效地解决了传统遗传算法的早熟收敛问题。应用所提出的算法对IEEE33节点系统和69节点系统进行了网络重构,并与传统遗传算法进行了比较,重构结果显示了遗传灾变算法的正确性、可行性和寻优突出性。

灾变遗传算法在配电网开关优化配置中的应用

分析了开关投资、运行维修费用、停电损失和网络损耗的计算方法,基于等年值法建立了开关优化的含约束、非线性的组合优化模型,采用了灾变遗传算法来求解这类优化问题。通过对实例的计算表明:提出的数学模型和算法有较强的工程实用性,灾变遗传算法具有较好的全局收敛性和较快的收敛速度。

基于灾变遗传算法的无功规划优化

提出了应用于电力系统无功规划优化的灾变遗传算法。算法中引入“灾变”的概念来保证解空间的多样性 ;采用了分组整数编码技术和锦标赛选择机制 ;提出采用与十进制整数编码策略相结合的邻近变异操作算子 ,以避免二进制编码中的海明悬崖。将此算法应用在佛山 2 2 6个节点的电力系统中。结果表明它能克服一般遗传算法 ( GA)的早熟收敛倾向和改善 GA的局部搜索能力 ,比常规 GA的寻优效率高得多。

遗传-灾变算法及其在非线性控制系统中的应用

本文提出了遣传一灾变算法。在遗传算法的基础上，提出进一步模拟自然界中的灾变现象，以提高遗传算法的性能，尤其是解决重要的不成熟收敛问题。文中介绍了它的基本原理并将其应用于非线性控制系统的优化设计中。

灾变遗传算法在配电系统最优时变重构中应用

提出一种灾变遗传算法来求解中压配电网最优时变重构问题,以达到网损最小和负荷平衡的目的.首先采用协调方法将多目标规划问题转化为单目标寻优问题,并给出了协调后的数学模型.求解过程采用灾变遗传算法以提高种群个体的多样性,防止局部收敛.通过对南方某城区配电系统的计算,证实该算法在求解速度和全局收敛能力上较普通遗传算法均有较大幅度的改善.

基于灾变遗传算法的超分辨率图像恢复

采用简单遗传算法进行超分辨率图像恢复时,往往由于种群多样性的不足而导致早熟收敛,得到的图像恢复质量不理想。针对该问题,提出了一种基于灾变遗传算法求解高分辨率图像最优估计的方法。在简单遗传算法的基础上,该算法以适应值方差作为灾变的判断条件,将共轭梯度算法作为灾变算子重新构建种群,从而增加了种群多样性。同时对灾变条件和灾变规模进行了分析,并且给出了根据进化代数自适应调节灾变条件的方法。仿真实验表明了该算法的有效性。

基于灾变遗传算法的惯性轮倒立摆LQR控制优化

针对传统LQR控制的加权矩阵选取麻烦和遗传算法未成熟收敛的问题,提出基于灾变遗传算法的LQR控制方法。以惯性轮倒立摆为被控对象,运用拉格朗日方程建立数学模型;基于遗传算法来优化目标函数从而确定加权矩阵,并引进灾变算子解决遗传算法的未成熟收敛问题。仿真结果表明,所设计的基于灾变遗传算法的优化LQR控制器可实现对惯性轮倒立摆的控制,其控制精度和系统性能都优于经普通遗传算法优化的线性二次型控制器。

基于自适应灾变遗传-循环神经网络的锂离子电池SOC估计

锂离子荷电状态(State of charge,SOC)的精准估计是锂离子电池安全稳定运行的基础。传统的误差反向传播(Back propagation,BP)神经网络估计SOC的精度不高,而循环神经网络(Recurrent neural network,RNN)也容易陷入局部最优。针对这些问题,提出了自适应灾变遗传-循环神经网络(ACGA-RNN)联合算法,将自适应灾变遗传算法(Adaptive cataclysm genetic algorithm,ACGA)用于优化RNN的初始权值和阈值,提高了最优权值和阈值的全局搜索能力,从而有效提升锂离子电池SOC的估计精度。基于锂离子电池充放电的试验数据,将所提ACGA-RNN联合算法与RNN、GA-RNN算法分别用于锂离子电池的SOC估计。测试结果显示,相较于传统的RNN算法与GA-RNN算法,提出的ACGA-RNN联合算法获得了最佳的SOC估计精度,在DST工况下的估计平均绝对误差为1.74%,低于传统RNN和GA-RNN的估计精度3.68%和2.49%;另外,在45℃和0℃条件下,ACGA-RNN联合算法估计的平均绝对值误差分别为1.75%和2.05%,符合国家标准要求。因此,提出的ACGA-RNN联合算法在锂电池的SOC估计方面具有良好的应用价值。

基于塔架主动阻尼控制的风电机组变速控制参数优化策略研究

考虑风电机组控制参数相互耦合,为解决控制参数不精确以及控制目标难以兼顾问题,提出一种基于塔架主动阻尼控制的自适应变速控制参数优化方法。首先,基于转矩-转速系统和塔架侧向主动阻尼控制完成数学和动力学建模,并计算主动阻尼增益初始值。其次,为便于整定PI控制参数和分析计算,针对惯性较大的转矩-转速系统采用Routh法将其辨识为低阶惯性系统,进而采用时间加权绝对误差积分准则整定变速系统PI控制参数初始值。最后,为保持最优控制状态,基于灾变遗传算法优化各风速点变速系统PI控制参数和主动阻尼增益,并将其分别与风速拟合构建自适应控制。算例分析通过比较频域特性、控制精度、塔架振动和载荷情况验证了所提方法的有效性。

带不相关机的可重入柔性流水车间问题的改进灾变遗传算法

针对实际工业生产中存在的带不相关并行机的可重入柔性流水车间问题,以工件的最大完工时间最小化为目标,建立了整数规划模型,并提出了改进灾变遗传算法以求解该模型。在算法中采用了与加工时间相关的机器选择机制以获得初始种群;运用自适应交叉和变异算子改善解的质量;引入灾变算子提高种群的多样性。通过仿真实验说明了改进灾变遗传算法能够在较短的计算时间内获得较高质量的近优解。

配电网节能改造优化建模研究

导线改造和无功补偿是实现配电网节能降耗的两项关键措施。提出了一种导线更换和中低压无功配置协同优化的配电网节能改造优化模型,以年总支出费用最小为目标,以导线更换线径、各种无功补偿组数和容量为控制变量,满足各种运行约束和安装维护约束,并采用分组整数编码的灾变遗传算法进行求解。以某地区实际配电线路改造为例,分别计算仅按经济电流密度进行导线更换、仅进行中低压无功补偿和将导线更换与中低压无功配置协同优化这三种改造方案的效益,结果表明提出的模型具有更好的降损效益和应用价值。

基于三点工况下的无源滤波器组优化设计

无源滤波器组的参数设计通常均针对系统单一工况(通常为最大工况)进行。当系统运行在其他工况时,有可能无论退出哪一组滤波器的运行均无法同时满足系统的无功补偿和谐波治理要求。为此基于系统的3种典型工况(最大、平均和最小工况)对无源滤波器组进行优化设计,确定合理参数,以在最小的投资费用下达到谐波治理与无功补偿的最优匹配。算例结果验证了该方法的可行性。

基于潜力度的分布式电源优化配置

利用传统的灵敏度分析进行分布式电源(DG)优化配置,易造成选点布局不合理及选点失准问题。首先在二阶灵敏度模型的基础上,得到目标函数与DG接入容量的非线性关系。然后提出了一种全新的DG选点方式,用潜力度指标替代传统的一阶灵敏度来指导接入位置的选取。最后采用自适应灾变遗传算法对IEEE15节点系统进行优化计算,比较了各配置方案的优化结果。算例分析表明文章的选点方式能更有效地改善网损、电压综合指标。

基于小波和神经网络的纸机状态监测和故障诊断研究

在采用遗传灾变算法对小波函数进行优化的基础上,由小波变换的方法对大型纸机进行了分析,提取了纸机运行中的奇异和趋势特性方面的故障特征,并由纸机的故障信息形成的典型故障模式对人工神经网络进行了有效的训练和测试,为纸机的故障分析和诊断提供合理的技术支持,使纸机生产运行过程中的亚健康状态和真正故障的有效识别和诊断成为可能.实际应用的结果证明,该方法可以有效地筛选和分离振动信号的局部和趋势特征,并具有很好的信号重构性.

地区电网日有功调度模型探讨

厂网分开后,电网公司有功调度已由单纯的电能供需平衡,过渡到以追求全网总购电成本最小为目标。这里提出一种以电网在购买机组有功出力时,单位时间内花费最小为目标函数,加上各种物理和安全约束的有功调度模型。通过灾变遗传算法进行求解算例,证明模型具有简明、合理的特点,对电网有功优化经济调度具有参考意义。

长江集装箱多商品流多式联运路径优化

为了更好地保障长江集装箱多式联运经济性和实现绿色发展,以长江集装箱多式联运为场景,从承运人的角度出发,研究集装箱多商品流多式联运路径优化问题。通过碳交易机制将碳排放成本化,建立以运输总成本最小为目标的数学模型并采用改进的自适应灾变遗传算法对模型进行求解。通过算例分析发现,改进后的遗传算法在收敛速度和求解精度上更具优势,可实现集装箱多商品流多式联运路径优化问题的有效求解。同时,适当缩短铁路和水路的发车班次、调整碳交易价格均能显著降低集装箱多式联运成本,减少碳排放。

模糊时间窗多目标冷链物流路径规划

针对近几年冷链物流行业高额的配送成本和能源消耗等问题,以冷链物流配送路径为研究对象,建立基于碳排放量、配送总成本和客户满意度的多目标配送路径优化模型。采用贴近实际的模糊时间窗配送方式和自适应灾变遗传算法,对冷链物流运输车辆路径规划和在实际配送中复杂路径问题下的多目标路径优化进行研究。算例分析表明:1)在冷链物流路径配送中,目标函数考虑碳排放时的碳排放量相比不考虑碳排放降低了56%;2)该模型能够在考虑碳排放量和客户满意度的基础上有效地降低配送成本,使多个目标进行有机统一,全局优化;3)该算法对于多目标冷链物流路径优化问题在寻优效率和计算时间上均优于标准遗传算法。

低碳政策下基于区间的模糊多式联运路径鲁棒优化研究

针对不同碳排放政策下模糊需求的路径优化问题,在综合考虑运输成本、转运成本、时间成本及碳排放成本的基础上,建立基于区间的鲁棒优化模型,并在强制碳排放、碳税、碳交易以及碳补偿政策下对模型进行低碳转换,采用基于蒙特卡洛采样的灾变自适应遗传算法求解。以具有15个节点的多式联运网络进行算例研究,比较不同低碳政策下多式联运总成本和碳排放量,并分析不确定参数的影响。结果表明:对于需求鲁棒性的最大保守值的合理设置有助于引导企业运输决策;碳补偿、碳税、碳交易和强制碳排放政策的减排力度逐步减弱;选择不同的碳排放政策并调节最大保守值可以达到控制碳排放且降低总成本的目的。

需求不确定下低碳多式联运路径优化

如何在碳减排政策和动态变化的内外部条件下优化运输路径,是降低多式联运运输成本,满足运输低碳化、动态化和个性化要求的关键问题。针对需求不确定的情形,综合考虑运输成本、转运成本、时间成本以及基于分段累进碳税的碳排放成本,建立基于情景的具有遗憾值约束的低碳多式联运路径鲁棒优化模型,设计改进的灾变自适应遗传算法对模型进行计算求解。构建具有15个节点的多式联运网络验证模型和算法的可行性与有效性。最后,分别探讨遗憾值和碳税率与运输路径、方式以及总成本之间的关系,为提升多式联运运行效率和减排效果提供决策依据与参考。

需求与碳交易价格不确定下多式联运路径优化

考虑不确定性的模糊路径优化研究能够满足高质量发展形势下市场、经济和环保等多方面的现实需要.针对需求与碳交易价格双重不确定下的多式联运路径优化问题,建立混合鲁棒随机优化模型,设计基于蒙特卡罗采样的灾变自适应遗传算法并进行有效性检验.以具有15个节点的多式联运网络为对象开展算例研究,比较不同模式下多式联运的运输方案及成本并分析不确定参数的影响.结果表明:受遗憾值约束的影响,需求不确定的鲁棒优化会增加多式联运总成本,而碳交易价格随机性的提高并不一定意味着成本的增加.合理设置碳交易价格的随机性,综合考量需求不确定的最大遗憾值与成本之间的关系等是提升双重不确定下多式联运运输效率与环保效益的有效方式.