基于智能优化算法的电网规划技术的研究

《基于智能优化算法的电网规划技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、上海大学硕士学位论文为基础的一类现代启发式算法得到广泛而迅速的发展，这类方法的优化范围广、具有并行的计算效率，且对目标函数或可行集的凸性、可导性和连续性等无特殊要求，这类方法在变电站和网架规划问题的求解方面得到了一定的应用。遗传算法(GeneticAlgorithm。GA)是由J．H．Holland等人于1975年【35】【36IC,J建的一种自然选择原理和自然遗传机制上的迭代式自适应概率性搜索的随机优化方法。文献[37】运用GA进行配电网综合规划，能够以较大概率找到用传统方法难以找到的最优解，还可以给出一组次优解供参考。文献[38][39】[40]在将遗传算法用于变电站

2、优化规划问题时，分别进行了一些改进，使得GA的计算效率和适应性得到了提高。文献[41】提出了一种高效的遗传算法，对编码方式，交叉算子和变异算子等进行了恰当的设计，应用到大规模的电网规划。文献[42】提出了一种模糊遗传算法，对交叉率和变异率进行模糊控制，有效地提高了收敛速度。蚂蚁算法(AntColonyalgorithm，ACA)【43】是Fh意大利学者M．Dorigo研究总结出的一种新型的仿生启发式优化寻优算法，该算法仿照蚂蚁群觅食机理，通过状态准则依概率搜索前进路经，以信息素(pheromone)强度的局部和全局更新来控制和优化搜索方向。目前已有学者尝试将其应用于电网规

3、划中【删[45】，但是还没有很好地将规划模型处理成适合于蚁群算法求解的模型，系统规模增大时，该文中的方法将难以求得高质量的解。如何合理地将规划模型转变成适合蚁群算法的模型，有待人们进一步的研究。除遗传算法、蚂蚁算法等外，其他现代启发式算法也在变电站规划中得到了一些应用，如专家系统【删、模拟退火算法[461、神经网络[471和贪婪搜索算法【47】、禁忌搜索算法【48】【49】和粒子群算法【剽【5l】【52】等。这些现代启发式算法对待优化问题的目标函数无特别要求，都比较适合于进行变电站优化及网架规划问题的研究，但也存在一些缺陷和问题，主要有：1)这类算法目前普遍缺少关于全局最

4、优收敛性的一般理论，在数学上并没有得到严格的理论证明；2)算法中的参数设置对于寻优过程和结果影响重大，但现有的研究、应用和改进中仅根据经验进行参数设置和改进，理论依据不足；3)计算效率有待进一步提高；4)没有充分运用待求解问题的物理特点和意义，对约束条件的处理能力需要研究。上海大学硕士学位论文1．3本文所做工作及创新点本文主要工作：1首先介绍了电网规划的当前研究意义和概况。2然后针对求解电网规划优化模型的所需要智能优化算法简要介绍了遗传算法和粒子群算法的基本原理和基本步骤。3针对变电站规划模型，引入变电站站址地理属性的概念，对优化模型的目标函数进行改造。针对变电站规划的求

5、解算法，结合变电站选址问题的特点，加强了局部寻优机制，设计了改进的遗传算法，提高了寻优的精度。4将能够提高粒子搜索能力的被动聚集因子和适宜处理网架规划模型中约束条件的“飞回机制"引入到的基本粒子群算法，构成改进的粒子群算法，并将其运用到网架规划，通过算例来验证其对网架规划模型具有较好的求解性能。5对全文进行总结。本文创新点：(1)在变电站优化规划数学模型中引入地理成本因子，建立了形成地理成本因子的变电站规划模型。从而在规划过程中不仅优化了经济成本，而且考虑了社会效益、资源节约等新的因素，使得变电规划更具有实际意义。(2)根据网架规划的优化模型特点，将一种改进的粒子群算法应

6、用网架优化模型中，相比基本粒子群算法，改进的粒子群算法具有更好的求解效率。．．10．．上海大学硕士学位论文第二章智能优化算法的理论基础变电站优化规划数学模型和网架优化规划模型均包括整数约束，属于多约束、非线性的混合整数规划，属于NP难的问题。由于变电站优化规划和网架规划问题的目标函数和可行集的凸性、目标函数的可导性、连续性都很差，纯数学优化方法在变电站规划问题中的应用十分有限，现在主要采用启发式优化方法。以生物进化和智能为基础的一类现代启发式算法，优化范围广、计算效率高，且对目标函数或约束条件的性质无特殊要求，目前应用较多，本文根据电网规划优化中需要用到的遗传算法和粒子群

7、算法的基本原理分别进行介绍。2．1遗传算法基本原理2．1．1遗传算法概述人们在科学技术发展过程中认识到，生物群体的繁殖过程蕴含着自然优化的机制，生物繁衍和进化蕴含的优化思想逐渐被学者们用于工程优化问题的研究。1962年，JohnHolland教授认识到生物群体的遗传、进化和人工系统自适应问的相似性，因而借鉴生物遗传的基本理论来研究人工自适应系统，与Bagley等一起提出了遗传算法(GeneticAlgorithm)I拘概念。遗传算法的主要思想就是模拟生物群体的进化过程，达到寻找优化目标的目的。遗传算法是从代表问题可能潜在解集的