配电网络重构方法综述

介绍了配电网络重构的研究现状及意义．总结了配电网网络重构的数学模型及优化方法,并进行了比较分析,较全面地反映了这一领域的现状．     

基于改进CGA的配电网重构

针对遗传算法易早熟收敛和易产生大量不可行解的问题,提出了一种基于改进的克隆遗传算法(CGA)的配电网重构方法.该方法对克隆遗传算法进行了3点改进:通过简化网络结构,缩短了算法中染色体的长度;采用基于环路的编码方式,避免了产生大量不可行解;改进克隆遗传算法的选择算子、基因移位和突变操作,克服了早熟收敛的问题,提高了算法的收敛速度.本文以网损最小为优化目标对算例进行了重构,同时与基于遗传算法及粒子群算法的配电网重构进行了比较,算例结果表明:改进的CGA具有较高的寻优性能,应用于配电网中可以起到减小网损的作用.     

提高系统电能质量的配电网络重构

以提高电能质量为目标，在保证配电网各节点电压满足电压质量要求的前提下，以最高的供电可靠性来确定网络的连接状态，采用改进的自适应遗传算法进行配电网络重构。通过IEEE典型算例RBTS Bus2系统的验算，结果表明了该算法的有效性和可行性。     

改进灾变遗传算法及其在无功优化中的应用

针对灾变遗传算法的早熟和稳定性问题,提出了一种改进灾变遗传算法,设计了与进化代数相关的改进灾变算子;为了兼顾算法的全局性能和收敛速度,设计了与进化代数相关的交叉概率和与个体适应度相关的变异概率.IEEE14节点和IEEE30节点无功优化算例表明,该改进算法具有良好的全局性能和收敛速度,适合求解电力系统的无功优化问题.     

修正克隆遗传算法在配电网络重构中的应用

运用克隆遗传算法重构配电网络.在分析传统遗传算法应用于电力系统的不足之处的基础上,提出了一种针对电力系统的遗传算法,即提出一种配电网络的简化、染色体编码策略和修正克隆遗传算法.该方法的使用能减少配电网络重构中不可行解,提高有效候选解的比例,从而使GA算法的收敛速度大为提高.算例结果表明作者提出的方法具有较高的计算效率.图2,表3,参11.     

优化的GA算法在大型配电网络重构中的应用

当前对配电网重构的研究多数针对于中小型网络,而对大型网络的研究较少,为此,提出了一种优化的GA(Genetic Algorithm)算法应用于大型配电网络重构中,对其基因操作过程进行优化。引入精英策略,最大程度保留父代最优个体的遗传信息,在变异的过程中再次引入“局部变异”,产生的子代种群更具多样性。对重构的目标函数引入关联系数,简化计算复杂度。将该算法应用于IEEE118节点算例,重构后线损及电压降落程度与蒙特卡洛模拟法所得结果相对比,实验结果表明,该算法明显更优,并证明了该算法在大型配电网重构的可行性和有效性。     

适合负荷变化的配电网络重构

考虑到负荷变化的情况,提出一种配电网静态重构算法,并以此为基础设计出了能够适应负荷变化的动态重构算法。其中静态重构算法以支路交换法为基础,利用降损估算公式分析负荷变化对网络结构的影响,并通过支路流过的负荷值与最佳转移负荷的距离确定应打开的分段开关,算法无需进行潮流计算;动态重构算法则是根据开关操作最大降损量客观指导时段划分,并通过建立评价函数分析各时段在整个时区的降损效果,以进一步优化结果。算例结果表明提出的静态重构和动态重构算法是可行和有效的。     

灾变合作型协同进化遗传算法及其在Job Shop调度中的应用

合作型协同进化遗传算法是多个子种群通过协作而共同进化的新型算法,常应用于多目标、大规模的优化问题。本文在合作型协同进化遗传算法的基础上,进一步模拟自然界中的灾变现象,在原先的算法中加入灾变算子,提出灾变合作型协同进化遗传算法,以防止出现不成熟收敛现象,并用经典的函数优化问题和Job Shop车间调度问题进行仿真实验,其结果验证了改进算法的优良性能.     

配电网重构与电容器的配置

配电网与输电网不同，一般是辐射型树状结构，其支路参数中Ｒ与Ｘ相差不大，有时甚至Ｒ＞Ｘ．必须采用特殊的潮流分析方法．利用配电网络重构的改进支路交换算法进行快速求解，增加了电客器配置功能以提高结点的电压，既解决电压越限问题，同时又进一步降低网损．在网络重构的实际运行约束下，以补偿电容为控制量，母线电压为被控量，利用线性规划法求解电容器配置问题．算法简单实用，可用于离线环境．     

用待补偿点定位的遗传算法实现配网无功优化

根据最大节约网损的原则，采用半动态的机制来确定待补偿点的位置和个数，从而减小了遗传算法的搜索空间，极大地提高了无功优化的速度和解的质量．实例验算结果表明，此方法能成功解决配电网无功优化的实际问题．     

基于协同进化的配网动态重构算法

为解决传统配网动态重构算法迭代计算量较大的问题,提出基于协同进化的配网动态重构算法.首先根据配网各节点负荷的变化情况进行时段划分,再在划分的区段内采用改进的遗传算法进行静态重构,将各区段静态重构得到的优化解集作为动态重构的初始解集,最后以所有时段总运行费用最小为目标函数,采用协同进化算法,通过协调各区段的重构操作得到所有时段的重构方案.对修改后的IEEE-33测试系统进行仿真计算,结果表明所提出的动态重构算法能够有效减少潮流计算的次数,同时提高了计算效率.     

基于改进单亲遗传算法的多目标配电网重构

全面考虑配电网的实际情况和运行要求,以网损最低和可靠性最高作为目标函数,利用加权系数法将多目标优化问题转化为单目标优化问题.通过简化配电网的结构,减少了遗传算法(GA)染色体的长度,设计了基于环路的编码方法和遗传操作,避免了大量不可行解的产生,大幅度提高了计算效率.给出的算例验证了该算法的有效性.     

配电网重构方案Hopfield神经网络算法研究

针对配电网辐射状运行的特点,提出了以Hopfield神经网络为基础,以降低网损为目标函数的配电网重构方案算法:首先利用Hopfield神经网络来确定各个节点的入度,然后根据节点入度确定线路是否投入运行,并由此确定各联络开关的状态,最终确定配电网重构方案.给出了神经网络能量函数和求解方法,能量函数同时考虑到了辐射状运行、网损最低和某些线路可能无联络开关的问题.通过对IEEE一三电源电网进行计算,所得结果和遗传算法基本一致,而Hopfield神经网络通过解微分方程组确定最优解的计算时间相对较少.     

基于随机生成树的配电网重构模拟退火算法

提出了一种基于实数编码方式的配电网重构模拟退火算法,即按开关序号的实数编码方式产生随机序列,再利用图论方法产生对应的一棵生成树(一种树状网络结构)．该算法可保证解空间的可行性和完备性．对算法的邻域结构的确定进行了分析．给出的算例表明该算法求解快速,简单有效。     

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means, IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization, IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization, HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。     

基于改进遗传算法的车间布局重构

以车间设备的多行布局为研究对象,建立以设备序列和间距为决策变量、以最小化车间物流总费用为目标的车间布局重构数学模型.采用遗传算法进行求解,对染色体编码和遗传算子进行了改进.结合某凸轮轴加工车间实例,剖析该车间现有布局存在的问题以及重构的必要性,比较布局重构前后的物流费用,验证了车间布局重构数学模型和改进遗传算法的有效性.     

遗传算法在BP网络权值学习中的应用

针对BP算法学习神经网络权值收敛速度慢、易陷入局部最优等缺点 ,采用遗传算法学习BP网络的权值 ;并给出了“异或”(XOR)问题的仿真示例 ,通过比较 ,发现遗传算法不会陷入局部最优 ,有效地改善了收敛速度     

农村配电网开关的优化配置

为了克服应用传统遗传算法进行农村配电网开关优化配置时,由于遗传算法的"早熟"和局部寻优能力较差所导致的难以得到全局最优解的问题,将遗传算法与局部搜索能力较强的模拟退火算法相结合,以遗传算法为主,引进模拟退火算法产生新个体,形成遗传退火算法.同时,采用整数编码策略,以包含停电损失费用在内的总供电成本最小为目标函数,以节点电压、支路过负荷等为约束条件,RBTS-BUS6配电系统作为算例,将遗传退火算法应用于农村配电网开关优化配置.优化结果表明,遗传退火算法避免了遗传算法收敛过快的缺点,保证了所得解的全局最优性,求解精确解的质量优于遗传算法,是农村配电网开关优化配置强有力的工具.     

一种融合分布估计的离散粒子群优化算法的配电网重构

将基于分布估计的离散粒子群优化算法运用于配电网重构,以降低网损为目标函数,对于新的种群,随机从概率模型和至今全局最优信息项中获取解信息。仿真实验结果表明提出的关于配电网重构的新算法优于其他几种优化算法。