基于混合算法的电网扩展规划研究

发布时间：2017-08-24 14:15

  本文关键词：基于混合算法的电网扩展规划研究

  更多相关文章： 电网规划 遗传算法 蚁群算法 模拟退火算法 混合算法

【摘要】：随着社会的发展,各行各业对电力的需求越来越大,现有电网的容量急需扩大,电网的扩建和建设成为了一项重要的工作。电力系统的不断发展,电网规模越来越大,提高电力系统规划就成为了一个迫切的任务,许多专家和学者都对电网规划作出了深入研究,但运用于实际工程应用,还存在的许多问题。现代启发式算法也因为这些问题的约束,在电网规划问题上的发展受到了一定的阻碍,要建立一个完全符合实际问题的数学模型是基本不可能的,只有通过对模型的简化和对不确定因素的忽略,才能的到所求问题的最优解。虽然现代启发式算法在电网规划问题上目前得到了广泛的应用,但是通过研究发现,各个现代启发式算法仍存在着一定的缺陷。很多学者在近几年也在致力于对算法参数的设置的研究及算法性能改进研究。本文通过对遗传算法、蚁群算法和模拟退火算法的研究学习,详细分析三种算法的优缺点,设计了一种将三种算法融合的的遗传-模拟-蚁群算法,并应用于电网规划中。本文采用了单阶段电网规划的数学模型。利用直流潮流计算和基于邻阶矩阵的网络连通性判断,在算法初期排除掉一些产生的无效解,使算法的效率得到了提高。并根据电网规划初期运行费用远低于建设费用的特性,对目标函数进行了简化即目标函数为扩建线路长度最短。在典型的IEEE18节点系统中,分别将遗传算法、蚁群算法和混合算算法应用于电网规划问题,对三种算法得到的规划结果进行了分析比较,证明了本文提出的算法是优于其他两种算法的。本文设计的混合算法利用模拟退火算法来对精英个体进行选择,克服了遗传算法在选择操作上轮盘赌法的不利影响,优秀个体未完全复制到下一代的缺点;利用算法前期所计算出来的优化解生成蚁群算法的初期信息素分布也克服了蚁群算法初期信息素匮乏搜索效率低的缺点以及遗传算法在搜索到一定阶段时,会产生大量冗余迭代,导致最优解搜索效率低的缺点。混合算法较遗传算法和蚁群算法扩大了解的搜索空间,提高了全局优化寻优速度。本文设计的混合算法应用于IEEE18节点系统中所得的规划结果是本文的最优解。
【关键词】：电网规划 遗传算法 蚁群算法 模拟退火算法 混合算法
【学位授予单位】：西华大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM715;TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-16
• 1.1 电网规划研究的背景及意义9
• 1.2 输电网络扩展规划任务9-10
• 1.3 国内外发展现状10-15
• 1.4 本文的主要研究内容15-16
• 2 输电网规划的数学模型16-21
• 2.1 电网规划概述16-17
• 2.2 电网规划的数学模型17-20
• 2.2.1 单目标输电网数学模型17-18
• 2.2.2 可靠性模型18
• 2.2.3 多阶段电网规划数学模型18-19
• 2.2.4 多目标电网规划数学模型19-20
• 2.3 本章小结20-21
• 3 算法的融合21-37
• 3.1 遗传算法21-24
• 3.1.1 遗传算法简介21
• 3.1.2 遗传算法的基本原理21-22
• 3.1.3 简单遗传算法的求解流程22-23
• 3.1.4 遗传算法的特点23-24
• 3.2 模拟退火算法24-27
• 3.2.1 模拟退火算法简介24
• 3.2.2 模拟退火算法基本原理24-25
• 3.2.3 模拟退火算法的求解流程25-26
• 3.2.4 模拟退火算法的特点26-27
• 3.3 蚁群算法27-31
• 3.3.1 蚁群算法简介27
• 3.3.2 蚁群算法原理27-29
• 3.3.3 蚁群算法计算流程29-30
• 3.3.4 蚁群算法的特点30-31
• 3.4 算法的融合思路31-35
• 3.4.1 模拟退火算法替代遗传算法选择操作31-32
• 3.4.2 在最优点附近进入蚁群算法32-34
• 3.4.3 混合合算法基本流程34-35
• 3.5 本章小结35-37
• 4 基于混合算法的电网规划37-59
• 4.1 电网规划的数学模型37
• 4.2 编码方式37-38
• 4.3 适应度函数38
• 4.4 判断网络的连通性38-40
• 4.5 潮流计算40-43
• 4.6 过负荷计算43-44
• 4.7 混合算法的计算流程44-47
• 4.8 算例分析47-58
• 4.8.1 实例分析47-49
• 4.8.2 仅运用遗传算法分析结果49-52
• 4.8.3 仅运用蚁群算法分析结果52-55
• 4.8.4 混合算法分析结果55-58
• 4.9 本章小结58-59
• 5 总结和展望59-61
• 参考文献61-65
• 攻读硕士学位期间科研成果65-66
• 致谢66-67

【相似文献】

中国期刊全文数据库 前10条

1 肖坚;;一个简单算法分析——算法优化与程序设计[J];水利水文自动化;1991年04期

2 杨波;肖自碧;;信息与计算科学专业“算法分析与设计”研究性教学探索[J];中国电力教育;2013年01期

3 冯结青,彭群生;Bernstein多项式的快速复合算法[J];计算机辅助设计与图形学学报;2001年02期

4 李晋民,翟吉,郭彪;微机保护算法分析[J];电力学报;1995年01期

5 陈小军,李保祥,李凯;数字化核测仪表的设计与算法分析[J];核电子学与探测技术;2003年02期

6 王昊;;Raymond算法分析与改进[J];科技创新与应用;2013年03期

7 张文君,缪栋;用于精确寻的的几种算法研究[J];上海航天;2000年04期

8 朱朝霞,王杨,张世禄;一类螺旋方阵问题的算法分析与实现[J];重庆工商大学学报(自然科学版);2004年04期

9 范龙保,时亚光;文本文件比较的算法分析和程序实现[J];常熟高专学报;2002年04期

10 张博;周丽韫;李兴霞;;中点生成椭圆的整数型算法[J];工程图学学报;2011年01期

中国重要会议论文全文数据库 前10条

1 俞洋;田亚菲;;一种新的变步长LMS算法及其仿真[A];通信理论与信号处理新进展——2005年通信理论与信号处理年会论文集[C];2005年

2 周颢;刘振华;赵保华;;构造型的D~2FA生成算法[A];中国通信学会通信软件技术委员会2009年学术会议论文集[C];2009年

3 赖桃桃;冯少荣;张东站;;一种基于划分和密度的快速聚类算法[A];第二十五届中国数据库学术会议论文集（一）[C];2008年

4 刘远新;邓飞其;罗艳辉;舒添慧;;ERP柔性平台下物流运输配送系统算法分析[A];第二十六届中国控制会议论文集[C];2007年

5 王树西;白硕;姜吉发;;模式合一的“减首去尾”算法[A];第二届全国学生计算语言学研讨会论文集[C];2004年

6 王万青;张晓辉;;改进的A~*算法的高效实现[A];2009全国测绘科技信息交流会暨首届测绘博客征文颁奖论文集[C];2009年

7 孙焕良;邱菲;刘俊岭;朱叶丽;;IncSNN——一种基于密度的增量聚类算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

8 韩建民;岑婷婷;于娟;;实现敏感属性l-多样性的l-MDAV算法[A];第二十七届中国控制会议论文集[C];2008年

9 张悦;尤枫;赵瑞莲;;利用蚁群算法实现基于程序结构的主变元分析[A];第五届中国测试学术会议论文集[C];2008年

10 王旭东;刘渝;邓振淼;;正弦波频率估计的修正Rife算法及其FPGA实现[A];全国第十届信号与信息处理、第四届DSP应用技术联合学术会议论文集[C];2006年

中国重要报纸全文数据库 前1条

1 科文;VIXD算法分析Web异常[N];中国计算机报;2008年

中国博士学位论文全文数据库 前10条

1 魏哲学;样本断点距离问题的算法与复杂性研究[D];山东大学;2015年

2 刘春明;基于增强学习和车辆动力学的高速公路自主驾驶研究[D];国防科学技术大学;2014年

3 张敏霞;生物地理学优化算法及其在应急交通规划中的应用研究[D];浙江工业大学;2015年

4 李红;流程挖掘算法研究[D];云南大学;2015年

5 盛歆漪;粒子群优化算法及其应用研究[D];江南大学;2015年

6 黄磊;高动态环境捷联惯导信号处理及高精度姿态速度算法研究[D];南京航空航天大学;2015年

7 刘新旺;多核学习算法研究[D];国防科学技术大学;2013年

8 于滨;城市公交系统模型与算法研究[D];大连理工大学;2006年

9 曾国强;改进的极值优化算法及其在组合优化问题中的应用研究[D];浙江大学;2011年

10 肖永豪;蜂群算法及在图像处理中的应用研究[D];华南理工大学;2011年

中国硕士学位论文全文数据库 前10条

1 赵官宝;基于位表的关联规则挖掘算法研究[D];昆明理工大学;2015年

2 殷文华;移动容迟网络中基于社会感知的多播分发算法研究[D];内蒙古大学;2015年

3 徐翔燕;人工鱼群优化算法及其应用研究[D];西南交通大学;2015年

4 潘浩;基于可逆结构的超点和长流检测算法研究[D];大连海事大学;2016年

5 王宁伟;微博网络中的重叠社区发现算法研究[D];北京交通大学;2016年

6 高山;星载MIMO检测算法的抗SEU技术研究[D];解放军信息工程大学;2014年

7 张振宾;国密SM4和SM2算法功耗攻击关键技术研究与实现[D];清华大学;2015年

8 闫婷;基于混合细菌觅食和粒子群的k-means聚类算法在类风湿并发症中的研究[D];太原理工大学;2016年

9 曹阳;基于质心策略的蝙蝠算法[D];太原科技大学;2015年

10 高越;量子K近邻算法研究[D];东南大学;2015年

，

本文编号：731749