多目标优化算法在电力系统中的应用研究

摘要

随着社会的发展与科技的进步，电力系统的规模不断扩大，人们所追求的也不仅仅是经济效益，电力系统所造成的能源浪费与其安全性等问题也受到人们的广泛关注。如何通过人为操控使各个目标达到更好的效果是值得深入研究的问题，这也就是电力系统的多目标优化，这些目标基本上是相互冲突的，所以利用何种方式解决电力系统多目标优化问题是值得人们的研究并具有重要意义。而电力系统的优化问题，具有复杂性、离散性及不可微等困难，传统的数学方法很难求解。研究人员发现智能优化算法可以克服传统数学方法的一些局限性，很好的解决较复杂的优化问题，本文正是研究运用智能算法来解决电力系统的多目标优化问题。具体工作如下： 本文首先确定电力系统多目标问题的目标，使用火电发电机组的燃料成本、电力系统有功网损、电压质量三个目标作为本文所优化的目标，建立各个目标的数学模型，给出约束条件，包括等式约束与不等式约束，对于电力系统优化中的状态变量采用罚函数的方式进行约束，详细阐述并实现本文所用的潮流计算方法牛顿-拉夫逊法。 之后对本文所用的三种智能算法粒子群、遗传与差分进化算法原理进行详尽的说明，并对算法的参数进行一定程度的改进，给出算法解电力系统单目标优化的具体步骤与流程图，在MATLAB上编程实现各个算法，并对IEEE-30节点系统进行仿真测试，各个算法对三个目标分别进行优化。实验的优化结果数据可以作为多目标优化的参考，实验流程也为多目标优化打下基础。 最后本文对电力系统的多目标优化进行分析与研究，阐述本文所用的三种智能算法的多目标形式的原理，并对各算法的分布性加以研究，分别用自适应网格法与循环拥挤度来保证种群的多样性与控制Pareto前沿的分布。对多目标差分进化算法进行一定的改进，得到NNSDE算法，并根据前面三种多目标优化算法提出一种基于多个种群间合作协同操作的多目标优化算法CO-PGDEA，并用标准测试函数对以上算法进行测试，实验表明NNSDE与CO-PGDEA有更好的收敛性与稳定性。然后给出各多目标优化算法解电力系统多目标问题的具体步骤与相应的流程图，在MATLAB进行编程实现各算法，基于IEEE-30节点进行仿真测试，将各智能多目标优化算法分别应用于电力系统二维与三维的目标空间进行优化。实验结果表明智能多目标优化算法求解电力系统多目标问题的有效性，并且通过算法间优化效果的对比证明改进后的多目标差分进化算法与CO-PGDEA更易跳出局部最优，且Pareto前沿更广且收敛精度更高稳定性也较好，验证了算法改进的正确性。

目录

声明

1 绪论

1.1 课题的研究背景和意义

1.2 国内外研究现状

1.2.1 电力系统优化研究现状

1.2.2 多目标优化算法研究现状

1.3 本文主要内容与结构安排

2 电力系统优化数学模型与潮流计算

2.1 电力系统优化数学模型

2.1.1 目标函数

2.1.2 约束条件

2.1.3 罚函数

2.2 潮流计算

2.2.1 潮流计算简介

2.2.2 潮流计算流程

2.3 本章小结

3 电力系统单目标优化

3.1 粒子群算法

3.1.1 粒子群算法简介与原理

3.1.2 粒子群算法改进与流程

3.2 遗传算法

3.2.1 遗传算法简介与原理

3.2.2 遗传算法流程

3.3 差分进化算法

3.3.1 差分进化算法简介与原理

3.3.2 差分进化算法改进与流程

3.4 电力系统实验

3.4.1 电力系统与数据选取

3.4.2 实验结果与分析

3.5 本章小结

4 电力系统多目标优化

4.1 多目标优化问题

4.2 多目标粒子群算法

4.2.1 自适应网格多目标粒子群算法的实现

4.2.2 算法解电力系统多目标优化问题流程

4.3 多目标遗传算法

4.3.1 循环拥挤度多目标遗传算法的实现

4.3.2 算法解电力系统多目标优化问题流程

4.4 多目标差分进化算法

4.4.1 多目标差分进化算法实现与改进

4.4.2 改进的算法解电力系统多目标优化问题流程

4.5 多目标协同进化算法

4.5.1 基于三种算法的多目标协同进化算法实现

4.5.2 协同进化算法解电力系统多目标优化问题流程

4.6 实验结果与分析

4.6.1 实验环境及标准测试

4.6.2 电力系统仿真实验数据

4.6.3 电力系统实验结果与分析

4.7 本章小结

5 总结与展望

5.1 研究工作总结

5.2 工作展望

参 考 文 献

攻读硕士学位期间发表学术论文情况

附录

致谢

大连理工大学学位论文版权使用授权书