论文部分内容阅读
作为一种随机方法,计算智能具有鲁棒性强的突出优点,它的出现为求解难度较大的电力系统多目标优化问题开辟了新的途径。本文从进化计算和神经网络入手,提出了基于计算智能的电力系统多目标优化求解方法。本文的主要工作包括以下四个方面：首先,常见的多目标优化算法在搜索能力、收敛速度等方面各有所长。本文提出多目标优化的协同进化解法。建立包含多个种群的生态系统,各种群除了在各自机制下独立进化之外,还接受系统层的环境选择和环境影响,从而快速提升整个物种的进化成熟度。映射在算法层面,即提出多目标协同进化算法MOCEA,采用NSGA-Ⅱ、PESA、SPEA2、NMPSO等多种算法互补求解同一优化问题,极大提升寻优能力。然后,电力系统多目标优化是一个数据密集型问题,为提升优化速度,本文提出了协同进化计算的Master-Keeper-Slave三级主从并行架构,将参与问题计算的进程分为三类：主要负责环境选择的Master;主要负责计算任务分配和适应度计算的Keeper;负责目标函数计算的Slave。并且基于MPI平台,设计了并行多目标协同进化算法PMOCEA,有效缩短了多目标优化的计算时间。其次,现有的进化多样性策略高度依赖目标函数计算,时耗过大。本文提出基于稀疏自编码器的深度学习聚类模型,通过Wake-Sleep算法对模型进行训练,使其学习到种群基因型和表现型之间的内在关联,从而直接依据基因型对种群进行快速聚类,避免了大量的目标函数计算,为进化计算提供了智能高效的种群多样性保持机制。最后,本文详细阐释了三个实际电力系统多目标优化问题的建模和求解过程,包括：1)暂态稳定约束最优潮流的多目标改造：提出统一协调稳定性和经济性的多目标最优潮流。算例分析说明多目标最优潮流模型在解的多样性方面有明显优势,并且本文并行算法在数据密集型问题上有良好的加速性能。2)大电网限流措施优化配置：分析了短路电流限制措施对节点阻抗矩阵的影响；建立以限流成本最小、故障后稳定性最佳、短路电流越限最小为优化目标的限流措施多目标优化配置模型；采用基于灵敏度的支路筛选策略结合PMOCEA成功对模型进行求解,算例分析还证明了基于深度学习的种群多样性策略的性能优势。3)微网新能源供电系统优化规划：用离散概率分布表示系统中的随机因素,以电能充裕度最大、系统总投资和电压越限概率最小作为优化目标建立多目标优化规划模型；采用改进的概率潮流算法结合PMOCEA成功求取了算例海岛微网的Pareto最优供电系统配置方案。算例分析结果充分说明,计算智能是解决电力系统多目标优化问题的可行方法,具有应用前景。