一种适合于解决辐射状配电网电容器最优配置问题的遗传算法

提出了一种可解决辐射状配电网电容器最优配置问题的遗传算法。将电容器看作离散变量 ,对给定的目标函数求最佳的电容器安装位置和容量 ;设计了针对该问题有效的遗传因子 ,并对一个实际的配电网进行了计算 ,得到了较好的结果。

基于改进遗传算法的电容器优化配置

提出一种改进的遗传算法,应用到配电网的固定电容器与可投切电容器最优容量的配置与安装位置的选择中。在算法中将电容器的安装位置与安装容量视为离散变量,将电容器购买费用,安装费用,维护费用与系统有功损耗支出的总和最小作为目标函数。并针对简单遗传算法的一些不足之处(如搜索效率不高和过早收敛),将遗传操作过程中的编码、选择、交叉、变异和中止条件进行了改进。然后将其应用在一个27节点的配电网络中,取得了良好的效果。

基于遗传算法和TS算法的配电网电容器实时优化投切策略

分析比较了遗传算法 (GA)和 Tabu Search(TS)算法的特点 ,针对配电网电容器实时投切的非线性、整数寻优和快速性的特点 ,提出了改进的 GA/TS混合算法并用于配电网电容器的实时投切。该算法用 GA求解 TS的初值 ,然后用 TS求出最优解。算例结果说明了该算法的有效性和可行性 ,它具有在线运行的潜力。

基于动态规划和遗传算法的配电网电容器优化配置

提出了一种将动态规划与遗传算法相结合的求解配电网无功优化配置问题的方法,该方法首先利用动态规划求解速度快的特点,初步计算出一个次优的规划方案,将此方案作为遗传算法的初始值,再从该点出发,应用遗传算法的全局寻优能力,在整个可行的运营空间中搜索出电容器配置的最佳方案。理论分析及仿真结果均表明:该方法计算速度快,规划精度高,对目标函数的限制较少,是一种可行的、有效的配电网电容器优化配置方法。

基于改进遗传算法的馈线电容器动态优化控制

馈线电容器动态优化控制是在负荷随时间不断变化和电容器在一定时间内允许的最大调节次数约束的情况下,求得馈线上已有的电容器最优运行状态。文中根据馈线具有解耦性这一特点,提出馈线电容器动态优化控制的数学模型,目标函数为使馈线上有功损耗最小,约束条件主要强调馈线上可投切电容器的最大允许调节次数的限制。同时应用改进遗传算法对简单遗传算法的适应度函数、遗传算子等进行改进。算例结果表明,该方法不仅取得了较好的优化效果,而且在计算速度上更具优越性。

基于遗传算法的配电网电容器优化投切

电容器优化投切是配电网经济运行的重要措施。本文用遗传算法解决配电网电容器优化投切问题，克服了传统优化方法在处理电容器整数约束问题上的不足，对初始条件无任何要求，具备全局寻优能力。为提高ＧＡ的收敛速度，文中引入屏蔽模版控制交叉和变异的方式，实现了交叉和变异的无优势确定，使子代个体的产生较为合理。算例表明方法的有效性。

基于自适应遗传算法的去耦电容器自动选择

针对在电源分配网络设计过程中,人工选择去耦电容器个数会导致反复设计的问题,提出了基于自适应遗传算法的去耦电容器自动选择的方法。该方法模拟达尔文生物进化论的自然选择过程,在满足目标阻抗的同时,选择出使用去耦电容器总个数最少的方案,以实现自动选择的目的。仿真结果与PCB全波仿真软件结果对比表明,该方法能够满足工程应用的要求,并已被某大型IT企业所采用。

一种最优匹配注入流与遗传算法结合的电容器优化规划方法

把电容器配置优化问题分解成主-从两个问题,并采用解析和软优化算法结合的混合方法求解。主问题是优化电容器补偿点的个数和补偿地点;从问题是假定补偿点个数和补偿地点都确定的前提下,计算不同负荷水平下的最优补偿容量,并归整到电容器组的可选容量上。基于最优匹配注入流法实现了一个解析算法,用于计算从问题。而采用自适应参数调整的遗传算法来求解主问题。通过对选择压力、变异和杂交算子的自适应调整,改进后的算法可以明显改善遗传漂移现象和提高收敛速度。该算法以最大经济效益为目标,可以计算出各个补偿点的安装容量、单台容量和各负荷水平下的投运容量。最后的算例结果表明该文的算法是有效的。

人工神经网络和遗传算法在微带交指电容器设计中的应用

将神经网络技术 (ANN)与遗传算法 (GA)相结合对交指电容器 (IDC)进行了分析与设计。采用多层感知器神经网络 (MLPNN)建立了交指电容器的模型 ,并利用遗传算法的全局搜索能力根据实际需要优化设计交指电容器的结构。模型训练样本的S参数由时域有限差分 (FDTD)方法得到。结果证明该方法具有较高的准确性 。

多负荷水平下配电网电容器优化配置算法

提出了多负荷水平下的配电网电容器优化配置算法。首先,在大负荷水平下,根据节点补偿容量上限确定无功补偿初始解;然后,基于各初始解采用解析法求得中小负荷水平下使系统损耗最小的电容器投切容量,实现了各补偿点电容器在不同负荷水平下的有效配置;最后应用遗传算法对无功补偿可行解进行逐代优化,求得最优无功补偿方案。IEEE 33节点系统算例验证了该算法的有效性。

基于Tabu搜索算法的配电网电容器优化配置

应用Tabu搜索算法来解决配电网电容器优化配置问题,建立了相应的数学模型,目标函数为系统有功损耗费用和补偿电容器费用之和最小。文中在传统Tabu搜索法的基础上,利用灵敏度分析和嵌套Tabu搜索等方法对配电网电容器的安装位置和容量进行了优化配置。利用灵敏度分析可以产生较优的初始解,并在Tabu搜索中定义更好的邻域试验解, 这样可以更快速地搜索到邻域内的最优解;嵌套Tabu搜索法对电容器安装位置和容量分别进行优化配置,保证可以搜索到整个可行域,从而能更有效地搜索全局最优解。用测试算例验证了文中算法的有效性和可行性。

运用改进C-SA-PSO算法的电容器优化配置

随着电力电子装置的广泛应用,配电网中非线性负荷占比重越来越大,对配电网进行电容器的优化配置时,谐波谐振和损耗问题已无法忽略。为此,提出了一种基于谐振图限制的配电网电容器优化配置方案。通过对IEEE 33节点系统插入谐波源,建立了非线性负荷模型的配电系统;使用改进的混沌模拟退火粒子群优化算法C-SA-PSO(chaotic simulated annealing particle swarm optimization),对系统节点电压、最大电压总畸变率和谐振图等参数的限制,建立了以年运行费用最小的优化配置模型。仿真结果及模态法分析表明,该方案可以有效地避免因电容器不合理安装引起谐振,导致电网和用电设备的损害。

基于免疫算法的配电网电容器优化配置

将免疫算法应用于辐射型配电网中电容器的合理配置。通过比较遗传算法 ,得出免疫算法在配电网电容器优化配置过程中具有寻优速度快 ,收敛性能好等优点。由于保持了群的多样化 ,所以避免了陷入局部最优。

SOA结合模拟退火算法优化电容器配置研究

为了应对近年来不断增加的电力系统负荷,对配电网的电容器进行配置优化是十分必要和重要的,提出了一种SOA结合模拟退火算法运用到IEEE 33节点配电系统,并对电容器进行优化配置,建立相应的电容器优化配置模型。仿真结果表明,SOA结合模拟退火算法对于此类问题的求解具有一定的可行性及有效性,为电容器的优化配置以及缓解电力负荷提供了理论基础。

考虑谐振基于改进PSO算法的电容器优化配置

为了达到电容器的优化配置,避免配电网中电容器与系统、负荷阻抗发生串并联谐振,在考虑谐振的情况下,数学模型上将电容无功功率与串并联谐振频率的关系作为约束条件,采用改进的粒子群优化算法(PSO),提出时变的非线性三角函数方法来控制参数对电容器进行优化配置。最后将优化配置的电容器与优化前的经济费用、网损等进行比较,结果表明优化配置后的电容器具有明显的经济性,且有效地避免了谐振的发生。

基于改进遗传算法的船舶大容量储能容量配置优化

大容量储能配置不当会增加维护成本,缩短电池寿命。因此,设计一种遗传算法,添加模糊数学规划方法,增加算法多目标优化能力,结合燃油经济性、储能装置冷却需求功率、成本等不同指标,得到不同工况下柴油发电机、蓄电池的出力情况以及储能配置容量。以某电力渡轮为例,仿真结果表明:配置优化后的混合动力系统满足船舶航行可靠性要求,柴油发电机能够工作在效率较高的区域,减少了7.5%的燃油消耗。研究成果可为推动电力渡轮绿色化提供参考。

基于改进遗传算法的配电网储能优化配置方法研究

增加储能设备是配电网解决新能源普及所导致的供电负荷剧烈变化的常用方法,需要从定址和定容两方面来优化配置储能设备。通过分析配电系统中馈线负荷的日内变化特性及与阶梯电价的关联关系,以关联关系作为馈线的遗传属性使其成为遗传个体,在对遗传个体进行编码后,找出线路日内负荷变化最小者为遗传个体,该个体将信息遗传给与其日内变化最接近的馈线后死去,由此产生变异并继续遗传下去,直至遗传个体为几条小于最大容量的馈线为止。仿真结果显示,通过对遗传算法中的生物进化机制做相应的改进,可获得配电网储能利用率最高的配置方案。

基于改进粒子群算法的配网电容器优化配置

随着国民经济发展,配电网规模不断扩大。依照经验配置电容器的局限性日益显著,具体表现为电容器容量配置的不足或过剩,部分电容器需要时由于局部电压的限制而不能投入。将模拟退火粒子群算法用于解决配电网电容器优化配置问题,建立了相应的数学模型,目标函数为配电网有功网损费用、电容器的购置及安装总费用最小,该算法将电容器的安装位置及安装容量离散化,采用基于适应度值的动态阈值来控制实施局部搜索的粒子数目,来改善算法摆脱局部极值点的能力,提高算法的收敛速度和精度。对一个33节点配电网的电容器优化配置结果表明了模拟退火粒子群算法的合理性和优越性。

基于GRU神经网络和遗传算法的飞机装配站位物料配置方案优化

装配站位是飞机装配线基础管理单元,由于飞机装配作业过程繁杂并存在大量随机扰动,其管理者需要根据不断变化的工况频繁对在装架次的物料配置方案进行优化。为此,提出一种基于门控循环单元(Gated recurrent unit,GRU)神经网络和遗传算法的优化方法。为了克服离散事件仿真在评估效率方面的局限性,以仿真历史数据为学习样本,采用GRU神经网络构建物料配置方案评估仿真代理模型,模型以物料配置方案为输入,以在装架次预计完工时间和关键物料平均滞留时间为输出。将仿真代理模型作为目标函数评估模型与遗传算法相结合,实现物料配置方案全局优化。仿真验证结果表明,基于GRU神经网络的仿真代理模型能够准确、高效地评估物料配置方案,输出的优化方案能够有效缩短在装架次的预计完工时间和关键物料平均滞留时间。

基于改进蚁群算法的配电网电容器优化配置研究

提出一种改进蚁群算法求解辐射状配电网电容器优化配置问题,以系统的有功功率损耗费用和电容器的购买、安装和维护费用之和最小为目标函数,建立优化模型。以IEEE33节点系统为算例进行仿真分析,验证了算法的可行性和有效性。