敏感法无功最优潮流

本文提出了基于敏感度方法的无功最优潮流的新算法。该算法利用微机可计算200节点规模的系统,收敛性好,计算速度快。使用该算法,可使试算系统降损8-14％,使系统获得较大的经济效益。该程序可以协助调度人员进行在线无功调度和电压控制以保证电压质量。 试算IEEE118节点例题以及国内的49、61、99和200节点系统,效果均较满意。     

用移动截断法和罚函数法联合求解分数规划问题——梯级水电站经济调度问题

本文在开机组合业已给定的情况下运用运筹学中的分数规划建立了梯级水电站有功功率最优分配的数学模型,提出了梯级水电站经济调度新的最优准则——梯级各电站全日各时段水头加权平均耗水率为最小。分数规划的目标函数为 其中Q=(Q_(11),…,Q_(1T),Q_(21),…,Q_(2T),…,Q_(n1),…,Q_(nT))′为nT维流量矢量。我们探讨了约束条件(出力平衡、梯级水电站日流量限制、水头限制、水电站出力限制和流量限制)的数学表达式。本文用“移动截断法”MTM将此分式目标函数化为一系列等价的非分式目标函数,再用混合罚函数法SUMT解这一系列非分式目标函数及其约束组成的约束非线性规划问题,确定了增广目标函数φ_k,导出了梯度分量的计算公式,这些公式能比较全面深刻地揭示出梯级水电站之间存在的固有规律与内在联系。这将有助于人们利用它来控制调度和管理梯级水电站经济运行,为“四化”服务。     

求解最优潮流全局最优解的二阶半定规划方法

【目的】半定规划凸松弛方法是求取电力系统最优潮流(Optimal power flow, OPF)问题全局最优解的有效技术手段,但解的秩为1的条件难以满足,导致应用具有一定的局限性。针对这一求解困境,提出了一种新的半定规划凸松弛方法。【方法】基于变量扩展,将原变量对应的二阶单项式扩展为新的变量,扩展后可构造一阶及二阶的半正定扩展矩阵,在此基础上将不等式约束转化为矩阵不等式约束,从而形成二阶半定规划凸松弛模型。【结果】为验证所提方法的有效性,求解了常规半定规划方法应用失败的一些反例,结果表明：二阶半定规划松弛模型能更可靠地求得秩为1的扩展矩阵,从而直接获得原OPF问题精确的全局最优解。【结论】二阶半定规划松弛方法为电力系统OPF问题提供了一种更可靠的全局最优算法,具有更好的应用前景。     

用MATLAB求解Butterworth最优传递函数

采用MATLAB语言编写函数bwden,通过主程序调用该函数可求出任意阶Butterworth最优传递函数分母多项式的系数,绘制出Butterworth最优传递函数的极点分布图,阶跃响应曲线及波德图.8阶Butter-worth最优传递函数的求解和仿真表明,可有效且简便地用MATLAB求解Butterworth最优传递函数.     

用线性规划求解最优网架结构

以前的电力网规划,是根据用电负荷的大小性质及其电源的相对位置,人工列出为数不多的一些方案进行比较,选取技术经济指标较好的方案.随着现代电网的发展,负荷与电源点增多,再应用这种方法就很难找出最佳方案了,这就有可能造成电能投资和器材的浪费.本文以近年来国外广泛应用的最优化技术为基础,提出了电力网规划设计的数学模型,并编制调试好了一套实用程序,由微型计算机来寻找电力网结构的最优方案.通过对长沙电网到2000年的远景规划试算,说明该方法是可行的,在已掌握的原始资料条件下,其计算结果是令人满意的.     

求解线性混合整数规划的罚函数法

讨论了线性混合整数规划问题(LMIP)的罚函数及其连续化途径。通过构造一种罚函数化有约束的LMIP为无约束或简单约束的LMIP。进而给出一种连续化方法，把其化为一个连续的、易解的规划问题。提供了一种求解LMIP的较通用的方法。     

最优混合策略下一次性对策求解法

二人零和无鞍点对策在混合策略意义下都有解,但最优混合策略解不能指导一次性对策方案的选择。因此,提出用不定型或风险型决策理论指导选择方案,并结合算例给出求解的具体方法。     

逼近精确罚函数法求解单阶段随机规划

提出了一种求解单阶段随机规划的算法——逼近精确罚函数法.首先,通过离散化随机变量的方法得到逼近原问题的确定非线性规划序列,然后,建立精确罚函数并构造无约束最优化问题.在一定的条件下,证明了确定非线性规划序列与无约束最优化问题的等价性,同时也证明了离散序化的解序列收敛到原规划的解.     

用线性规划求解工程混合料最优配料问题

公路工程混合料配合比设计是一门新的工程实用技术,它是在满足一定技术指标的前提下,以取得最大经济效益为目标来确定各种材料的最佳配方比例,从而提高工程质量并降低生产成本．它是工程建设中的一个重要环节,同时也是工程技术管理的一个重要网容．混合料配合比计算,常规方法有试算法和图解法,这两种方法主要通过手工完成,计算工作量大、出错率高、精度低,且都没有考虑生产成本问题,其计算结果虽然可以满足规范要求,但混合料总体成本却很少能达到最低。     

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。     

基于混合校正内点法的最优潮流

提出了一种混合校正的内点法.该方法有效结合了预测校正和中心校正方式,在预测校正过程中通过动态选择校正方向在总的牛顿方向中的比例来优化搜索方向,以改善中心校正的效果,进而加快了整个算法的收敛速度.通过IEEE 57、IEEE 118、IEEE 300和3个实际系统的仿真计算表明,与多中心 校正内点法相比,此算法能以更少的迭代次数和计算时间快速收敛.此外,计算结果还表明,该算法比传统的预测 校正内点法及其衍生的内点法更具有鲁棒性.     

非线性规划最优潮流的可变容差法

针对非线性规划最优潮流的通用数学模型，提出了基于可变容差法模型的求解方法，该方法利用可变容差法的数值搜索优化机制，能较好地获得最优解．实例计算表明，与现有模型求解方法相比，可变容差法具有较好的寻优效果，可以作为非线性规划最优潮流的一种补充方法。     

用模糊数学和非线性规划方法求解梯级水电站最优开机组合问题

本文应用模糊数学的思想,建立梯级水电站最优开机组合的非线性规划数学模型。对建立的非线性规划模型,用罚函数法SUMT将该约束非线性规划变为一系列无约束极小化问题,并用变尺度法DFP和二次插值法解无约束问题。应用模糊数学的综合评判,可以确定出一种较优的开机组合。     

用数学规划法求解天然气管道最优分配问题

建立了一种求解天然气系统最优分配问题的新方法。在数学模型中,引入连续变量代替离散的决策变量,这些连续变量是管道的“分段长度”,将混合整数非线性规划问题转化成连续的非线性规划问题。然后,用分解法求解连续的非线性规划问题。原来的非线性模型被分解成两个优化子系统：第一阶段子系统和第二阶段子系统。两个子系统之间的联系是天然气流速和管道“分段长度”,第一阶段计算出来的天然气流速作为输出变量代入第二阶段,第二阶段计算出来的管道“分段长度”作为输出变量代入第一阶段,它们在两个子系统之间反复迭代直到达到收敛标准。     

常见最优潮流算法分析

最优化理论和算法是一个重要的数学分支，它研究的问题是讨论如何在众多的方案中找出最优方案的方法。这类问题普遍存在。其中对于电力系统来说，最优潮流就属于这类问题。随着最优化理论的发展，最优潮流的算法层出不穷。本文回顾了近二十年来最优潮流的逐步发展的过程，较为详细地分析了几种经典的优化方法，同时总结了各种优化方法的优缺点，并对最优潮流的进一步发展进行了深入的探讨。     

基于遗传算法的最优潮流

提出一种基于遗传算法的最优潮流模型。该模型以节点电压幅值和网络拓扑图的一个支撑树的各支路两端节点电压相角差及可调变压器变比为编码对象，采用实效染色体编码法和改进两点交叉，成功地解决了基于遗传算法求解最优潮流问题。算例结果表明该模型的有效性。     

电力系统最优潮流算法综述

本文阐明了电力系统最优潮流研究目的及意义,总结了国内外关于电力系统最优潮流算法的研究现状,介绍了求解最优潮流的经典算法,智能优化方法,同时指出了各种算法的优缺点;并根据目前最优潮流存在的问题提出了今后的研究方向。     

两步法求解帕累托最优再保险策略

基于风险价值准则,利用"两步法"研究保险人和再保险人的帕累托最优再保险策略.在分出损失函数和自留损失函数都满足单调递增的集合中,均给出了具体形式的帕累托最优再保险策略.     

松弛变量法求解一类离散系统最优切换问题的全局最优解

考虑一类离散系统的最优切换问题,最优切换问题是离散优化问题,是NP难的.采用了松弛法来求解这类问题,将原问题转化为一个容易求解的连续优化问题.在文中证明了连续优化问题与原问题的最优解是等价的,并通过数值例子验证了松弛法的快速性与有效性.     

用罚函数法(SUMT法)最优化设计车床主传动齿轮箱

本文以10级转速车床主传动齿轮箱的最优化设计问题为例,讨论罚函数法的应用。设计条件:电机功率7.5千瓦,主传动箱方案、传动结构图如图1、2所示,输入轴转速n_1=916转/分,主轴箱最低转速n_(6min)=45转/分,公比φ=1.41,级数Z=10。