基于图论和改进模糊遗传算法的配电网转供方法

针对复杂配电网的故障恢复问题,提出一种基于图论和改进模糊遗传算法的配电网负荷转供判断方法.首先基于图形库JGraphT进行配电网数据建模,将馈线拓扑结构和元件参数整合在一起,显式地利用配电网拓扑结构,避免了繁琐的节点编码规则和冗杂的邻接表、矩阵存储模式;基于JGraphT集成的图论算法实现快速的故障区域类型区分、网络拓扑约束判断,开发出基于图论递归运算的前推回代潮流算法;然后结合配电网特点提出改进的模糊遗传算法,动态调整遗传算法的初始解和遗传算子以提高算法寻优性能,通过对模糊输入量和模糊规则进行完善,提高遗传算法的收敛速度,避免不成熟收敛的发生;算例结果表明,文中算法在潮流计算效率和寻优效率方面均具有更好的效果.     

基于改进遗传算法的四旋翼无人机参数辨识

为克服传统遗传算法在参数辨识过程中收敛速度慢的问题,提出了一种基于改进遗传算法的四悬翼无人机参数辨识方法。该方法引入梯度算子为遗传进化提供指示性的方向,利用遗传算法的全局搜索性保证算法的全局收敛,并根据简化四旋翼无人机数学模型设计了优化函数。利用四悬翼无人机实飞数据进行了实验测试,实验结果验证了本文方法的有效性和快速收敛性。     

改进的等值电力系统综合负荷模型研究

在分析了以往负荷模型的基础上,采用了一种新的电力系统等值综合负荷模型。在对等值综合负荷模型参数进行辨识时,采用了“改进的自适应遗传算法”,该算法有效地改善了“自适应遗传算法”中高适应值和高适应值个体、高适应值和低适应值个体之间的交叉概率降低,以及进化中后期群体突变概率显著降低的缺陷。实例分析表明,该负荷模型可以较好地反映实际负荷在小干扰情况下的暂态效应,可以应用于电压稳定性暂态分析。     

基于改进粒子群算法的轮胎模型参数两级辨识

为提高PAC89(Pacejka'89 tyre model)轮胎模型的辨识速度和辨识精度,采用加入自适应权重和自然选择性的粒子群算法,并将PAC89轮胎模型参数分为两级,依次进行辨识.以轮胎模型侧偏力曲线的辨识为例,轮胎模型中的刚度因子、形状因子、峰值因子、曲率因子、垂直和水平偏移率为一级参数,通过改进粒子群算法进行一级辨识得到;组成上述因子的特性参数为二级参数,通过改进粒子群算法进行二级辨识得到.一级辨识收敛时的迭代次数小于40,二级辨识收敛时的、迭代次数在100左右,通过实验数据与辨识模型的对比得出平均相对残差为1.6961％.辨识结果表明,采用改进粒子群算法分两级对PAC89轮胎模型进行辨识的方法,能够在保证模型精度的同时提高辨识速度,是一种有效的多参数辨识方法.     

改进的量子遗传算法在冷连轧机负荷分配中的应用研究

量子遗传算法可以克服常规遗传算法迭代次数多、易陷入局部极值的缺点,本文研究并改进了量子遗传算法的量子门旋转角度更新策略,提高了量子遗传算法的性能.应用标准函数测试表明,改进后的量子遗传算法收敛速度快,全局寻优能力更强.将改进的量子遗传算法应用于冷连轧机的负荷分配优化过程,根据Bland-Ford轧制理论以功率和轧制力均衡分配为目标建立综合目标函数,试验数据对比证明,量子遗传算法优化所得的轧制参数比经验分配和常规遗传算法优化所得结果更为合理,符合轧制工艺要求.因此,利用量子遗传算法对冷连轧机进行负荷分配优化是一种有效可行的新方法.     

遗传算法与传统优化方法应用于电力负荷建模的比较研究

将遗传算法应用于电力系统综合负荷建模．以三阶感应电动机为综合负荷模型,以待辨识参数为未知向量,以系统实测与模型响应误差平方和为目标函数;以随机初始种群为基础进行交叉一变异一选择运算并产生下一代种群;通过若干代进化即可获得具有足够精度的辨识结果．通过实验数据将遗传算法与传统模式搜索算法的建模结果比较,表明遗传算法所得模型的描述精度比模式搜索法高10倍,其模型参数呈现很好的稳健性,从而有效地克服了传统优化方法的模型参数分散性。     

简单遗传算法的一种改进算法

针对简单遗传算法收敛速度慢的问题,结合复合形法,提出了一种改进算法并将其应用于系统辨识,仿真结果表明,改进后的算法具有收敛快,精度高的优点。     

基于模拟退火遗传算法的GMDH网络模型

针对传统GMDH网络建模用最小二乘法辨识参数时容易陷入局部极小导致模型预测效果不理想的问题,提出将模拟退火算法与遗传算法结合起来,并引入到GMDH网络,用模拟退火遗传算法来辨识其部分描述式系数.描述了模拟退火遗传算法,构建了基于该算法的GMDH网络模型,并将该模型应用于泥石流预测的仿真研究,预测平均相对误差达到3.54%.结果表明,该算法既保证了全局寻优又防止了过早收敛,进一步提高了GMDH网络模型的全局与局部寻优能力.     

基于改进差分进化算法的估计等值法

为解决现有的用于电力系统在线安全分析的估计等值法精度低、收敛性弱的问题,给出了较精细的等值发电机加综合负荷的等值系统模型,以提高等值精度,并提出了基于差分进化(DE)算法的等值系统参数辨识策略.为解决DE存在的早熟收敛问题,构造变异方式不同的两个差分进化群,两群并行进化且定时交换信息,以增加种群的多样性,改善算法的收敛性.仿真结果表明:改进的双群体DE算法有效解决了等值系统的参数辨识问题,算法简单、收敛快,辨识的参数精度高、鲁棒性好;所建立的等值系统模型更符合电网实际,等值后外部系统的动态特性基本被保留;所提基于改进DE的估计等值法可用于在线大规模外部系统的等值化简.     

基于改进遗传算法的系统参数辨识

传统的遗传算法在解决具体优化问题时存在着收敛速度慢和容易早熟的缺点。针对系统参数辨识,提出了一种改进的遗传算法。通过合理选择复制策略、改进适应度函数计算方法,克服了早熟现象,保证了种群的多样性,避免了后期适应值接近而导致收敛速度过慢。通过该算法对典型二阶系统的传递函数进行参数求解,在信噪比较大的情况下,得到几乎无偏的估计。实验结果证明了该方法的有效性。     

免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚊群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的"早熟".将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

利用“栈”原理计算地区开式电网的潮流分布和短路电流

目前普遍采用的潮流算法是从牛顿—拉夫逊法派生的-_Q分解法,该算法对于处理结线较简单的地区开式电网显得程序复杂,而且收敛时间较长,甚至于可能出现不收敛的情况。本文提出一种十分筒单的算法,理论清晰、程序简练、保证精度,快速收敛,易于广大地区电网运行技术人员掌握使用。     

基于自适应遗传算法的网格任务调度优化

针对传统任务调度算法效率较低、资源负载不平衡等缺点,基于遗传算法,考虑现代网格系统异构性和动态性的特点,提出一种有效的交叉概率和变异概率自适应更新方法,提高遗传算法的全局搜索能力和收敛速度.仿真实验表明,改进后的遗传算法在进化速度上有明显提升,可较好地处理网格任务调度问题,提高任务调度效率,降低资源负载的不平衡性.     

优化搜索空间划分的遗传算法的研究与实现

针对遗传算法中早熟收敛和容易陷入局部收敛的问题,提出优化搜索空间、遗传算法算子的一些改进策略,即利用搜索空间划分实现优良等位基因单元稳定遗传到下一代中,利用禁忌域和有效域快速提高算法的实现性能.改进的算法能有效减少搜索空间、避免算法早熟,使得算法的全局搜索能力和局部搜索能力比其他遗传算法均得到了较大的提高.函数求最优解和服装设计算法的实现,证明了改进算法的平均收敛速度和收敛到最优解的效率都优于其他遗传算法,实验验证了所提出的算法思想的可行性和有效性.     

Adaptive Immune Evolutionary Algorithms Based on Immune Network Regulatory Mechanism

Based on immune network regulatory mechanism, a new adaptive immune evolutionary algorithm （AIEA） is proposed to improve the performance of genetic algorithms （GA） in this paper. AIEA adopts novel selection operation according to the stimulation level of each antibody. A memory base for good antibodies is devised simultaneously to raise the convergent rapidity of the algorithm and adaptive adjusting strategy of antibody population is used for preventing the loss of the population adversity. The experiments show AIEA has better convergence performance than standard genetic algorithm and is capable of maintaining the adversity of the population and solving function optimization problems in an efficient and reliable way.     

一种基于总量风险函数的改进BP算法

为了能设计出一个优良的神经网络结构使得网络在保持良好性能的同时使规模最小化,作者引入了一种新的目标函数,希望能在模型的可靠性和规模之间找到一个适当的折中.基于此新的目标函数提出一种改进的BP算法,同时在改进的算法中采用自适应调整动量和学习率的方法以加快收敛速度和避免误差陷入局部极小值.将改进BP算法用于手写数字识别实验,结果表明,新算法有很好的实用价值.     

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.     

基于遗传算法的潮流多根求解方法

在计及功率平衡和电压幅值约束的基础上提出约束遗传算法（ＣＧＡＬＦ）,该算法采用动态群法、优化加速技术、节点排序技术,提高了算法的鲁棒性,选取了轻重载情况下的ＫＫ－ １１ 节点系统进行测试,验证了算法的有效性和可行性。     

基于自适应粒子群支持向量机的短期电力负荷预测

针对粒子群优化算法存在易陷入局部最优点的缺点,提出了一种新的基于平均粒距的自适应粒子群优化算法(ASPO).该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法的后期引入速度变异算子和交换算子,使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期搜索速度快的特性.将该算法应用到基于支持向量机的短期电力负荷预测模型中,对支持向量机的参数进行优化.对某电网的短期负荷预测实际算例仿真分析表明,所提出的基于APSO-SVM方法的预测精度明显优于传统的SVM方法,且速度较快,因此,该算法用于短期电力负荷预测是有效可行的.     

粒子群遗传融合算法

提出一种融合粒子群算法和遗传算法改进优化算法,该算法首先采用一种自适应弹性粒子群算法,弹性地修正粒子速度的幅值,有效地避免了粒子群算法的早熟收敛问题。再与遗传算法融合,模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,先采用自适应弹性粒子群算法获得进一步的提高。再经过提高、交叉、变异三步,获得最优解。以动态系统FCRNN的设计为例,改进算法收敛速度快,误差精度高。