基于多目标粒子群优化的电力系统负荷分配

3 改进的粒子群优化算法.....16

3.1 粒子群算法的起源..........16

3.2 标准粒子群算法.......16

3.3 改进的粒子群算法..........22

3.4 改进后的粒子群优化算法的仿真与比较.........24

3.5 本章小结.....28

4 多目标粒子群优化算法.....29

4.1 多目标优化的定义..........29

4.2 常规多目标优化算法......30

4.3 多目标粒子群算法..........32

4.4 多目标粒子群算法的仿真.....35

4.5 本章小结.....37

5.基于偏好的多目标粒子群算法的电力系统负荷分配......38

5.1 引言.......38

5.2 基于混合引导的偏好多目标的粒子群优化算法....39

5.3 算法流程.....44

5.4 标准测试函数和仿真分析.....44

5.5 基于改进的 MOPSO 的电力系统负荷分配.....48

5.6 仿真分析.....50

5.7 本章小结.....53

5 基于偏好的多目标粒子群算法的电力系统负荷分配

对于传统的电力系统来说，经济负荷分配方式已经很难适合当前电力系统发展的要求。在当今环保问题日益受到重视的形式下，如何迅速而有效的减少电力系统的环境污染问题已经成为一个特别重要而且急需去解决的问题。在本章中，将改进多目标粒子群算法并应用到基于环境经济模型的电力系统负荷分配中，使环境经济能够得到良好的平衡。

在多目标粒子群优化算法中，为了获取偏好区域的最优解集，本节提出了一种新的引导方式，将参考点和参考区域引导方式紧密的结合在一起，提出了一种叫做基于混合引导的偏好多目标粒子群算法(HG-MOPSO)。该算法的核心是将参考点作为参考区域的圆心，在使参考点随着迭代向 Pareto 前沿靠近的同时，动态调整参考区域的大小，使参考区域越来越小，这样的目的是增加了选择压力，控制了偏好的范围。除此之前，本文也提出了一种基于 g 支配的球扇占优的概念，改进了传统的 Pareto 最优选取方式，实现对多目标优化的非劣解有效搜索。另外，将第三章提出的改进 I-PSO 算法结合在一起，提出新的算法 HI-MOPSO，使优化算法更加完美，同时可以充分满足 EELD 系统的控制要求。