采用Pareto人工鱼群算法的结构健康监测传感器位置多目标优化

发展基于Pareto多目标人工鱼群算法(Multi⁃Objective Artificial Fish Swarm Algorithm,MO⁃AFSA),解决结构健康监测中传感器位置多目标优化的问题。构建与观测模态线性独立性、结构损伤灵敏度和损伤信息冗余性有关的传感器位置多目标优化目标函数;改进人工鱼群算法的追尾和觅食行为,并引入外部档案集以处理寻优过程中的互不支配解,结合Pareto概念选取与理想点欧式距离最近的Pareto解为最优解;以三层平面钢框架结构为数值算例,用基于Pareto人工鱼群算法求解传感器位置多目标优化方案,并进行结构损伤识别。研究结果表明:用所提方法得到的传感器测点在结构中均匀分布,获取的结构损伤信息更为全面,冗余性低,振型独立性好,能够较精确地识别损伤位置和损伤程度,并且抗噪性能好。

计及“源-荷”不确定性的增量配电网多目标优化模型及算法

针对可再生分布式电源(RDG)和需求响应负荷(DR)的不确定性增加了增量配电网中“源-网-荷”多利益主体协调运行难度问题,提出了计及“源-荷”不确定性的增量配电网多目标优化模型及算法。首先,采用基于拉丁超立方采样的蒙特卡洛模拟方法和同步回代缩减法,产生关于RDG可发电功率和DR负荷电价弹性系数的典型场景集合,简化描述RDG和DR负荷的不确定性特征;在此基础上,分别以RDG运营商、配电网运营商和DR负荷用户的收益或成本最优为目标,建立“源-荷”不确定性场景集下的增量配电网多目标优化模型;然后,采用基于Pareto熵的多目标差分进化算法对模型进行求解,并利用模糊隶属度函数从Pareto最优解集选取最优折衷解;最后,以IEEE30节点配电网为例,证明了所建模型的合理性和所提算法有效性。