基于择优学习策略的差分进化算法

传统的差分进化算法在个体变异方面只是利用了随机个体和最优个体的信息.由于选用个体的随机性,导致其搜索效率比较低并且有可能找不到最优解,为此,提出了基于择优学习策略的差分进化算法.该算法选择性地利用种群中比较优秀的个体的信息,克服种群进化过程中的盲目性,增强了搜索能力.通过对多个具有不同特性的标准测试函数进行测试研究,结果表明该方法可以明显减少迭代次数,提高计算效率.     

基于双种群粒子群优化新算法的最优潮流求解

提出一种带赌轮选择的双种群粒子群优化算法(TSPSO)求解最优潮流问题。在该算法中,对2个种群采取不同的参数设置,使得粒子在进化过程中具有不同的飞行轨迹,从而尽可能地探索解空间,增强算法的全局搜索能力;基于赌轮算法的概率选择机制使粒子可以在较好的可行解邻近范围内高强度搜索,增强了算法的局部搜索能力;采用自适应惩罚因子能有效区分最优潮流的目标函数和约束条件对种群进化的影响,使种群可以跨越不可行域到可行域进行搜索。通过IEEE30节点系统对该算法进行测试,结果表明,采用该算法可以有效求解最优潮流问题。     

采用动态知识因子的基于知识共享的优化算法

针对基于知识共享的优化算法(GSK)之不足,提出一种采用动态知识因子的基于知识共享的优化算法(DKGSK)。首先,个体通过自适应权重来调节其搜索,在算法前期以较大步长进行全局探索,增强了算法全局探索能力;在算法后期以较小步长进行局部搜索,提升了算法局部开发能力。其次,个体使用动态知识因子来调控其搜索步长,使搜索步长更具灵活性和随机性,提升了个体的局部搜索能力,从而增强了算法的局部开发能力。再次,个体借助列维飞行增强其跳出局部最优的能力,从而增强了算法规避陷入局部最优的能力。通过12个基准测试函数的数值实验与仿真,结果表明DKGSK的全局收敛速度和优化精度方面均得到了明显的改善,规避陷入局部最优的能力得到了增强。     

自学习策略和Lévy飞行的正弦余弦优化算法

针对正弦余弦算法（SCA,sine cosine algorithm）局部搜索能力差的缺陷,提出自学习策略和Lévy飞行的正弦余弦优化算法（SCASL,sine cosine optimization algorithm with self-learning strategy and Lévy flight）。首先,提出正弦余弦算法自学习策略和非线性权重因子,使搜索个体记忆自身历史最优位置,在寻优过程中指导搜索个体更新位置,提高SCA的局部搜索能力;算法寻优后期,当搜索陷入局部最优时,采用基于Lévy飞行的停滞扰动策略使算法跳出局部最优,提高SCA的局部最优规避能力。基于13个经典基准测试函数对算法性能进行测试的实验结果表明,SCASL相比标准SCA和较新的优化算法SSA,VCS,WOA,GSA,具有更高的计算效率,收敛精度以及更强的局部最优规避能力。求解无人作战飞机航迹规划的仿真结果表明,在有6个敌方威胁源的战场环境中,相比SCA,SCASL求解得到的飞行航迹具有更小的航迹代价。综上,所提出的SCASL具有较强的寻优能力。     

基于侦察学习策略的粒子群算法优化

针对粒子群算法收敛能力不足和易陷入局部最优的问题,提出了一种基于侦察学习策略的新型粒子群算法。 算法首先利用拓扑结构构建粒子种群,其次采用联合因子均衡算法的局部搜索能力和全局搜索能力,并通过侦察学习策略改进算法的速度和位置公式进而产生候选解;Wilcoxon 秩和检验结果和CEC2017 基准函数检测结果表明,新型粒子群算法的收敛能力,最优解精度以及算法稳定性更好,说明算法性能得以提升。     

改进的樽海鞘群算法及在焊接梁问题中的应用

针对樽海鞘群算法的求解精度较低,收敛速度较慢等缺陷,提出一种改进的樽海鞘群算法。首先,对领导者个体执行精英反向学习策略以平衡算法的勘探和开发能力;然后,为提高算法的求解精度,受差分进化算法的启发,引入一种差分策略来更新追随者位置;最后,在搜索过程中对食物位置进行Gauss变异以避免陷入局部最优,为算法进行全局搜索奠定基础。在10个标准测试函数和一个经典工程问题上进行了实验,结果表明,改进的樽海鞘群算法的搜索性能明显优于其对比算法。     

改进的萤火虫算法及其工程应用

针对萤火虫算法存在易出现早熟收敛、后期收敛慢和精度低等问题,提出1种改进的萤火虫算法。采用反向学习策略对群体中个体位置进行初始化。引入Rosenbrock搜索以加快算法收敛和增强求解精度。对当前群体中最优萤火虫个体进行高斯混沌扰动以防止出现早熟收敛现象。选取6个标准函数进行仿真实验,并对2个标准工程应用问题进行求解。结果表明,该改进的萤火虫算法具有较强的全局优化性能。     

一种新局部搜索策略的差分进化算法

为增强差分进化算法的局部搜索能力,一种新局部搜索策略引入到差分进化算法中,从而提出一种新局部搜索策略的差分进化算法。该算法用局部搜索得到新个体替换较劣个体,使其跳出局部最优,以此增强种群的多样性。数值实验选取4个测试函数,并与差分进化算法进行比较,结果表明算法的有效性。     

多峰值函数优化的改进克隆选择算法

通过分析Castro提出的CLONALG算法在优化多峰值函数时存在峰值搜索能力弱、最优解易退化、收敛效率低等问题的根源,提出了一种基于记忆库小生境自适应克隆选择算法（MNACSA）。该算法首先采用小生境机制将种群分成若干类、分别从每个类中选出最优个体组成新种群;其次建立记忆库和自适应的高频变异率、且在库中引入最佳抗体抑制操作。对算法进行了分析和仿真实验,证明了该算法可以防止优秀个体退化、自动调节种群个体数目、提高优化效率、增强多峰搜索能力。     

基于平均位置学习的改进粒子群算法研究

针对粒子群算法在求解复杂的多维多峰问题时,存在着局部搜索精度不高和易陷入局部最优等不 足,提出了一种基于平均位置学习的改进粒子群算法。 该算法在学习策略上采用比粒子自身适应值更好的邻 近粒子为学习对象,将该算法分两个阶段用不同更新速度公式,阶段一在更新速度公式中引入整个种群所有粒 子位置的平均位置;阶段二在速度更新公式中引入新平均位置,采用贪心策略选择,通过粒子每次更新后选择 的个体比种群历史最优适应值更优,且储存对应个体历史最优位置,在阶段一结束后开始求它们的平均位置。 将平均位置作为学习对象,可增强粒子间的信息交流,同时可平衡算法的局部开发性能与全局搜索能力。 在 CEC2017 测试函数实验中,实验结果显示所提改进算法与另外 4 个算法相比有一定的优势。     

基于辅助问题原理及内点法的分区并行最优潮流算法

针对大电网在最优化问题计算中存在计算时间长、矩阵维数高等问题，按照电力系统的实际地理分布，在某些联络线处将整个电网分解为多个相对独立的子系统，子系统问通过边界节点产生的约束条件进行协调，建立了一个基于辅助问题原理（APP）的多分区并行最优潮流计算模型．应用APP方法，将大电网最优潮流问题转化为多个规模相对较小子系统的并行协调优化问题，在每个子系统中采用跟踪中心轨迹内点法求解子系统的优化问题．测试算例的计算结果表明，该算法减少了整个问题的矩阵维数，降低了问题的求解难度，具有较强的收敛性、快速性和实用性．     

基于改进遗传算法的电力系统最优潮流

电力系统最优潮流问题（OPF）是多目标、多控制变量的混合非线性优化问题,能否实现离散变量的精确处理,将直接影响其计算。结果是否真正符合电力系统的实际状况．能否指导实际电网运行方式的规划问题。遗传算法是解决多目标混合优化问题的全局优化算法,可以实现离散变量的精确处理,其不足是优化时间长、易于收敛于局部极值点等。为解决传统遗传算法的搜索时间长,易落入局部极值点的不足,本文对传统遗传算法的一些遗传操作做了一些改进,经IEEE30节点标准电网数据计算分析,证明其优化结果比传统遗传算法更优。     

Effect of Market Power in Electricity Markets

The main objective of this paper is to show an overview analysis of market power issues. Market power reflects the scarcity of power supply. It is the ability of a particular seller or group of sellers to maintain prices profitably above competitive levels for a significant period of time. Because the electric power system has its own characteristics that are different to other economic systems, both physical factors and economic factors of power system are key elements on this definition. We study some cases here, including different line limit levels, load levels and bid strategy through a market model based on OPF (optimal power flow) with a decommitment algorithm.     

基于微分进化算法的电力系统最优潮流

将微分进化算法（Differential Evolution,DE）应用到电力系统最优潮流（Optimal Power Flow,OPF）问题中,以系统总发电成本为目标函数,除平衡节点外发电机节点有功功率、发电机节点电压幅值和可调变压器变比作为控制变量,建立了DE-OPF的数学模型．基于增广拉格朗日函数法,将状态变量约束考虑入优化的目标函数中．以IEEE30节点测试系统进行了测试,仿真结果表明,与两种遗传算法和一种改进的粒子群算法：传统遗传算法（canonical genetic algorithm,CGA）、自适应遗传算法（adapive genetic algorithm,AGA）和全面学习粒子群算法（CLPSO）相比,DE算法具有较好的全局寻优能力和较快的收敛速度,能有效地解决最优潮流问题．     

新型的融合优化算法及其在电力系统中的应用

提出了一种新型的融合优化算法,该算法结合了遗传算法(GA)的复制、交叉、变异操作以及粒子群优化算法(PSO)的个体速度和位置更新的原理,并将混沌的概念引入其中,它的性能要优于GA和PSO.在标准测试函数上进行了仿真比较,验证了新型算法的有效性.最后,这种新的融合优化算法被应用到了电力系统最优潮流的计算中,对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法进行比较,结果表明新型的融合优化算法具有更好的优化性能.     

含阀点效应最优潮流问题的改进原始蚁群算法解

基于原始蚁群的猎食行为提出一种新型的算法，称为改进原始蚁群算法，用于求解最优潮流问题。新算法只考虑离散变量，以降低计算时间，同时使用序列：二次规划法求解连续变量。通过运用曲线分段的方法，使改进算法能处理含大母约束条件的各种目标函数并有效地搜索全局最优解。通过IEEE-30节点系统的仿真计算验证了该算法的有效性。     

一种考虑可靠性指标的最优潮流模型

提出一种考虑可靠性指标的最优潮流模型.该模型能考虑系统中的随机因素,通过z变换法构造电力系统的可靠性指标约束,将该约束添加到经典最优潮流(OPF)模型中共同求解,从而使电力系统的调度或控制能在满足一定的失负荷概率(LOLP)指标的前提下实现最优运行.所提模型是一个典型的非线性规划模型,采用内点算法求解.通过RTS-24系统仿真测试以及随机生产模拟程序分析发现,与经典OPF得到的发电计划相比,考虑可靠性指标后电量不足期望值下降了31.48%,而生产成本仅上升了14.39%.因此,所提模型能使系统的调度综合考虑可靠性和经济性,运行方案更实用.     

暂态稳定约束下的负荷经济分配

针对电力系统中存在的暂态稳定问题,提出了一种不受系统模型限制的电力系统动态安全调度的算法.该算法基于关键线路有功潮流对其临界切除时间的线性和二次函数拟合,把临界切除时间表示的暂态稳定性约束转化为关键线路有功潮流表示的暂态稳定性约束,并把此约束作为增广约束加入到传统的最优潮流模型中,采用传统求解方法直接进行求解.该方法能够同时处理多个故障,避免了在解除某些故障情况下的稳定裕度约束之后,又会出现其他故障情况下稳定裕度不足甚至失去稳定的循环调整情况,并满足一定的经济性.新英格兰测试系统的分析结果表明,在系统总发电成本增加最小的情况下,系统的稳定程度已提高到设定的目标,证明了该算法的有效性.