精英非支配排序算法与改进粒子群算法相结合的储能优化配置

储能系统的选址定容在接入新能源的电力系统中具有重要意义,合理选择储能容量可以很好地平抑风电接入后的系统有功功率波动,同时减少能源浪费。提出了一种混合智能优化算法(hybrid intelligent optimization algorithm,HIOA),以电压偏差、负荷波动最小及最少储能配置容量为目标进行优化配置。该算法将多目标粒子群算法改进后(IMOPSO)与精英非支配排序算法(NSGA-II)结合,与常规多目标粒子群算法相比,大幅提高了算法的寻优性能,保证了Pareto解的多样性和分布性。通过非支配排序求解获得Pareto最优解集,采用逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)选出储能的最优接入方案。通过IEEE-33节点测试系统的仿真实验验证了算法的准确性及有效性,在求解配电网储能选址定容问题中有很好的收敛性和全局寻优能力。     

考虑季节特性下的储能系统选址定容研究

风光等微电源出力的不确定性对其接入配网的安全稳定运行及电能质量带来了一定的风险隐患，而储能装置能够在一定程度上削减分布式电源并网造成的不利影响，其接入位置和容量的优化配置方案是目前亟需解决的问题。本研究以系统负荷波动、储能系统总成本、储能荷电状态偏差为目标函数，建立了储能系统选址定容优化模型；采用粒子群算法求解帕累托解集，基于信息熵的序数偏好法从帕累托解集中选取储能系统最优接入方案。考虑到不同季节下分布式电源出力特性存在较大差异，以新疆哈密地区不同季节下光伏与风电出力规律为基准，在IEEE-33节点配电系统算例分析的结果表明提议方法在求解储能系统选址定容方案中具有较好的收敛性和全局搜索能力，研究结果为储能系统选址定容方案的后续研究提供一定参考。     

基于电压稳定度的分布式储能选址定容规划

本文针对配网中引入高比例风电、光伏等新能源引起的电压波动问题,提出基于电压稳定度的优先选址和改进粒子群算法的储能系统选址规划。首先以电压稳定度为指标,选出配网中部分相对稳定性较弱的节点,进行优先选址;然后以系统日有功损耗最小为目标,由改进的粒子群算法对储能系统的容量优化配置问题进行求解。最后对改进的33节点配电网系统进行仿真,验证该方法在储能选址定容工作中的有效性和可行性,为含高比例新能源的配网进行储能电站选址定容问题提供参考。     

基于改进多目标粒子群优化算法的配电网削峰填谷优化

电力系统削峰填谷优化作为负荷管理的重要手段,而储能系统在削峰填谷的功能显得尤为突出,以负荷峰谷差为目标的单目标优化已经无法全面评价储能系统在削峰填谷上的优势,为更好地体现储能系统在负荷管理上的优势,考虑以经济效益为调度目标的多目标优化问题(multi-objective optimization problem,MOP)显得尤为重要。基于此以负荷峰谷标准差和分时电价构建了配电网削峰填谷的多目标优化模型进行研究。提出基于拥挤距离排序的改进多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法,为改善算法陷入局部最优提出了变异机制的二次寻优,通过设置一定容量的外部档案存储非支配的帕累托(Pareto)最优解,最终获得Pareto最优前沿面。最后通过采用模糊隶属度法求解折中最优解,算例分析验证了本文所提模型的实用性和改进算法的有效性。     

多目标非支配邻近免疫粒子群算法

针对PSO算法求解多目标优化问题时易陷入局部最优解的问题,采用非支配邻近免疫算子来对粒子群的外部档案进行维护和变异操作,有效提高了Pareto解的多样性,从而提出一种多目标非支配邻近免疫粒子群算法(NICPSO)。采用动态加权法选择全局最优粒子,提高全局搜索能力;当粒子群趋于早熟时,采用优势邻域认知的个体极值更新策略;同时将学习因子表示为惯性权重的非线性函数,有效提高算法的统一性。通过ZDT1—ZDT4及ZDT6基准测试函数验证,该算法有效的提高了优化解的收敛性和多样性,与其他多目标进化算法和多目标粒子群优化算法相比,具有较好的性能。     

求解多目标柔性作业车间调度问题的两阶段混合Pareto蚁群算法

针对多目标柔性作业车间调度问题(FJSP)分解得到的作业分派、排序子问题仍是多目标优化问题的情况,提出了一种求解该问题的分层Pareto优化框架,并采用该框架构建了两阶段混合Pareto蚁群算法的求解算法,其中两个Pareto蚁群系统分别求解多目标作业分派、排序问题。结合GT算法、排产规则评估和过滤第一阶段的分派方案,将具有较好评估全局解的分派方案作为分派阶段的精英档案,并输入给排序蚁群系统获取其非支配调度解,进而获取问题全局非支配解。子问题算法混合了各目标相关的邻域搜索策略,与Pareto蚁群算法结合,以期提高解的质量。通过求解带有平均工件加权延迟时间指标的多个FJSP基准算例,验证了算法的有效性。计算结果表明,该分层Pareto优化框架对原问题进行分层分解,有利于降低原问题的复杂性,相比多数文献,算法能够获得各基准算例Pareto非支配解,从而为分解求解复杂多目标调度优化问题提供了一种途径。     

一种基于 Pareto 云隶属度的 MOPSO 算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）的收敛性和多样性,提出了一种基于 Pareto 云隶属度的 MOPSO 算法。利用 Logistic 混沌映射优化种群的初始空间分布并融合布谷鸟搜索（cuckoo search,CS）指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价 Pareto 最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集 ZDT 的实验结果表明,改进算法在收敛性和多样性方面较 MOPSO 和 NSGA-Ⅱ有一定优势。     

基于层次粒子群算法的配送中心双层规划选址策略

在考虑物流网络宏观决策部门和客户双方利益的基础上,建立物流配送中心双层规划的选址模型.此类问题大多属于非凸优化问题,现有的求解算法存在算法复杂度及计算效率问题.基于进化博弈及多目标优化非支配排序的思想设计层次粒子群算法,通过两个粒子群算法的交互迭代求解物流配送中心双层规划选址问题.通过测试算例验证算法的有效性.     

一种基于Pareto关联度支配的多目标粒子群优化算法

为提高多目标优化算法的收敛性和多样性,提出一种基于Pareto关联度支配的多目标粒子群优化算法(MOPSO-PCD)。该算法在严格遵守传统Pareto支配规则基础上,将灰色关联分析方法融入非劣支配解的进化过程,设计了一种新颖的Pareto关联度支配规则。该支配规则作用于全局最优粒子的选择过程,具有关联度最大的全局最优粒子将引领粒子群体向着真实Pareto前沿不断逼近。同时,将该支配规则应用于外部档案中非劣支配解的维护过程,可减少或避免最终解集多样性的损失,从而维护好外部档案中非劣解的分布过程。仿真实验表明,与被比较算法在ZDT和DTLZ等系列测试函数相比,MOPSO-PCD能够获得更好的Pareto最优前沿分布特性和较快的收敛效率。     

基于粒子群文化算法的变电站选址与定容

针对传统变电站选址与定容算法往往难以在寻优速度与寻优质量之间取得平衡的问题,充分分析了变电站优化规划的特点,提出了一种用于变电站规划的算法——粒子群文化算法.选择粒子群算法作为文化算法的底层寻优算法,并设计文化算法上层空间的知识源约束条件,从而形成新的算法;基于容载比等方面要求的满足来得到新建变电站的座数范围;继而利用整数规划方法确定新建变电站容量组合的几组较优解;利用所构建的粒子群文化算法计算变电站位置、容量、供电范围等规划要求.通过算例分析可知,所提出的算法不仅继承粒子群算法对初始解要求不高的优点,而且充分发挥了文化算法寻优范围大的特色,从而加强了变电站优化规划工作的可操作性和实用性.     

风电场储能系统的多目标优化调度策略

为了实现风电与储能联合运行的优化调度策略,首先综合考虑风电功率预测效果、并网功率波动和储能系统的出力水平等多个目标,建立风储联合运行的多目标优化仿真模型。然后运用马尔可夫模型预测风功率,同时基于有精英策略的非支配性排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)滚动优化风储并网功率,来获得风储系统不同运行策略。并通过优选储能系统运行参数,避免储能系统的过度充放电和进入死区。最后,将决策者的偏好嵌入到多目标优化过程中,针对优化解集的分布进行了对比分析,验证了偏好情况下的储能的针对性和有效性,实现了风储系统多目标偏好下的优化调度。     

基于遗传算法的转向垂臂结构优化设计

提出了以体积(质量)最小和多工况下应力最小为优化目标,建立了转向垂臂的拓扑优化模型。以转向轮左、右转向极限工况和原地转向工况作为设计载荷,以垂臂模型的控制参数作为设计变量,建立了垂臂的多目标数学模型。采用第二代非劣排序遗传算法(NGSA-II)对所建立的数学模型问题进行优化求解,得到各自的Pareto优化解集,并参考Pareto解集对垂臂进行尺寸优化。结果表明,在不影响各项性能的前提下,转向垂臂减重17. 87%,取得了较好的轻量化效果。     

LCC-S型无线电能传输系统的磁耦合机构参数多目标优化技术

为了解决MC-WPT系统中磁耦合机构参数设计缺乏系统性的优化方法问题,以2个平面螺旋线圈构成的电磁耦合机构作为研究及优化对象,针对LCC-S型WPT系统,提出一种磁耦合机构参数多目标优化方法。以线圈半径、传输距离和线圈匝数3个耦合机构几何参数作为决策变量,以系统传输效率、传输功率与总谐波畸变率为目标函数,利用基于带精英策略的非支配排序遗传算法Ⅱ(NSGA-Ⅱ)对MC-WPT系统进行优化,得到了3个目标函数的Pareto解集。最后,将优化后的参数带入MATLAB/Simulink仿真模型中对系统进行仿真,并搭建了一套实验装置进行实验验证,仿真和实验结果证明了提出的多目标优化方法的可行性和有效性。研究提出的MC-WPT系统磁耦合机构参数多目标优化方法能够为MC-WPT系统耦合机构参数的设计提供理论性指导。     

基于高效非支配排序的多目标人工蜂群算法

多目标优化问题广泛存在于科学与工程领域,为了提高求解效率,改进算法中的关键环节——非支配排序,提出了一种基于高效非支配排序的多目标人工蜂群算法。本文算法根据精英指导离散解生成策略进行局部搜索,运用高效非支配排序计算解的前沿面,最后根据前沿面排名和拥挤距离来挑选表现较好的解进行下一轮迭代。在基准函数上的实验验证了本文算法在保证求解性能的前提下,可以降低1/2的比较次数,运行效率提升近65%。     

分布式Q学习多目标函数优化策略

将分布式Q学习算法与Pareto排序法相结合,提出了一种利用强化学习算法解决多目标优化问题的策略。该策略充分利用Q学习语句式的奖赏机制来描述问题的多重目标函数,并结合一般的Pareto排序法,在有限的迭代过程后输出可以充分接近于Pareto前沿的非支配解集。与其他智能搜索算法相比,该策略具有结构简单、无需先验知识、参数设置少的特点。测试函数优化问题验证了算法的有效性,为智能算法解决多目标优化问题提供了一种新思路。     

用于提高电网中风电渗透率的混合储能容量优化分析

为提升电网中风电渗透率,通过提出由电池、超级电容器和抽水蓄能构成的混合储能系统,构建缓和风电并网时不稳定性的双层容量优化模型。首先,提出了风电典型场景和极端场景的提取方案,获得充分逼近原风电出力场景的场景集合。然后,使用小波包分析法,配置电池和超级电容器的容量用来平抑风电功率波动,并在电力系统中利用抽水蓄能进行削峰填谷,建立双层混合储能容量优化模型对储能容量进行优化。最后,利用某风电场一年输出功率数据,对改进的 RTS-96 系统进行仿真验证并分析。算例结果表明：建立的双层混合储能容量优化模型在确保经济性的条件下提升了风电渗透率。     

基于聚类非支配排序的电动物流车路径规划及充电策略

电动物流车电池容量有限、充电时间长以及配套设施不健全等问题制约着其在物流配送领域中有效推广.为此,提出基于聚类非支配排序算法(AP-NSGA-Ⅱ)来解决电动物流车的多目标路径优化问题,建立了一种充电策略,通过设计加权AP聚类划分配送簇,避免初始种群的随机性和盲目性,簇内配送点规模降低了非支配排序算法的运行时间和复杂度,根据充电站的分布和距离关系,电动物流车执行部分充电策略.最后,通过仿真实验证明该算法的有效性,比较了电动物流车满充和部分充电条件的差异.     

改进的NSGA2算法在航空活塞发动机装配中的应用

针对复杂机械产品零部件选择装配中个体重复现象,提出一种新的解集评价指标:种群均匀度。基于种群均匀度和拥挤度相结合的子代精英保留策略,改进了多目标优化NSGA2 (non-dominated sorting genetic algorithm-2)算法。以装配合格率和装配精度为质量评价指标,建立选择装配多目标优化模型。引进近邻搜索算子,克服NSGA2算法局部搜索能力的不足。以某型号航空活塞发动机装配为例,优化结果以Pareto边界集表示,结果表明算法改进之后非支配解集的多样性和收敛性均得到了提高。