發(fā)布時(shí)間：2018-08-16 14:09

【摘要】：出于對(duì)安全性,經(jīng)濟(jì)性和環(huán)境保護(hù)等諸多方面因素的綜合考量,分布式電源的廣泛接入是當(dāng)今和未來(lái)很長(zhǎng)一段時(shí)間內(nèi)配電網(wǎng)發(fā)展的一個(gè)主要趨勢(shì)。配電網(wǎng)中數(shù)量逐漸增多,容量逐漸增大的分布式電源給現(xiàn)階段配電網(wǎng)絡(luò)帶來(lái)了深刻的變革,在電能質(zhì)量,繼電保護(hù),故障恢復(fù)等方面的研究工作都有待于進(jìn)一步深入和擴(kuò)展。配網(wǎng)自愈功能建設(shè)是構(gòu)建智能電網(wǎng)不可或缺的環(huán)節(jié),而孤島劃分是自愈功能建設(shè)的主要技術(shù)之一,同時(shí)也是一個(gè)亟待解決的難題。本文針對(duì)這一問(wèn)題,借助圖論中加權(quán)連通圖等相關(guān)概念對(duì)含分布式電源的配電網(wǎng)進(jìn)行了拓?fù)涑橄?以供電恢復(fù)量最大為目標(biāo)建立了孤島劃分模型,并提出云自適應(yīng)遺傳算法和改進(jìn)量子遺傳算法進(jìn)行上述模型的求解。云自適應(yīng)遺傳算法將云理論與遺傳算法進(jìn)行了有效結(jié)合,對(duì)交叉和變異算子的生成方法做出了改進(jìn)。以一系列具有穩(wěn)定傾向的點(diǎn)取代常規(guī)的隸屬曲線,既能夠使交叉和變異概率隨適應(yīng)度值的增大而迅速降低,又能夠保持進(jìn)化過(guò)程中的不確定性。在改進(jìn)量子遺傳算法中,采用了量子比特,旋轉(zhuǎn)門(mén),概率幅等量子力學(xué)中的概念進(jìn)行算法設(shè)計(jì)。采用概率幅對(duì)染色體進(jìn)行編碼,通過(guò)旋轉(zhuǎn)門(mén)操作使概率幅朝目前搜索到的最優(yōu)值方向進(jìn)行進(jìn)化,并隨著更優(yōu)值的發(fā)現(xiàn)調(diào)整搜索方向。通過(guò)對(duì)算法的改進(jìn),避免了觀測(cè)操作對(duì)種群上下代之間個(gè)體連續(xù)性的不利影響,使算法更加適用于孤島劃分這種存在拓?fù)潢P(guān)聯(lián)的多重樹(shù)背包問(wèn)題。采用經(jīng)過(guò)改進(jìn)的含多個(gè)分布式電源的美國(guó)PGE69節(jié)點(diǎn)系統(tǒng)對(duì)提出的方法進(jìn)行了驗(yàn)證,結(jié)果證明了兩種算法的有效性。通過(guò)比較分析指出,云自適應(yīng)遺傳算法和改進(jìn)量子遺傳算法代表了進(jìn)行遺傳算法設(shè)計(jì)的兩類(lèi)不同思路:云自適應(yīng)遺傳算法的本質(zhì)是個(gè)體之間的信息交換,通過(guò)影響交叉和變異算子來(lái)控制種群的活躍程度和多樣性,交叉和變異本身具有一定的盲目性;相比之下,改進(jìn)量子遺傳算法則具有了明顯的方向性,通過(guò)旋轉(zhuǎn)門(mén)操作使每個(gè)個(gè)體朝向當(dāng)前的最優(yōu)值進(jìn)行旋轉(zhuǎn),在旋轉(zhuǎn)過(guò)程中不斷發(fā)現(xiàn)更優(yōu)值。初始種群的選取對(duì)改進(jìn)量子遺傳算法的搜索結(jié)果有較大影響,因此必須對(duì)種群的初始化和進(jìn)化過(guò)程進(jìn)行干預(yù),好的人工經(jīng)驗(yàn)將顯著改善搜索結(jié)果。兩種算法都能夠充分發(fā)揮聯(lián)絡(luò)開(kāi)關(guān)的作用,將更多更優(yōu)秀的可行解納入到搜索范圍中,相比于目前不考慮聯(lián)絡(luò)開(kāi)關(guān)的劃分方案,能夠增大故障恢復(fù)的靈活性并得到更好的恢復(fù)方案。
[Abstract]:Due to the comprehensive consideration of many factors such as security, economy and environmental protection, the wide access of distributed power generation is a major trend of distribution network development in a long period of time. The quantity of distribution network is increasing and the capacity of distributed generation is increasing gradually. The research work on power quality, relay protection, fault recovery and so on need to be further deepened and expanded. The construction of self-healing function of distribution network is an indispensable link in the construction of smart grid, and islanding is one of the main technologies of self-healing function construction, and it is also a difficult problem to be solved urgently. In order to solve this problem, this paper abstracts the topology of distribution network with distributed generation by means of the concept of weighted connected graph in graph theory, and establishes the islanding model aiming at the maximum recovery of power supply. Cloud adaptive genetic algorithm and improved quantum genetic algorithm are proposed to solve the above model. Cloud adaptive genetic algorithm combines cloud theory with genetic algorithm effectively and improves the generation method of crossover and mutation operators. Replacing the conventional membership curve with a series of points with stable tendency can not only reduce the probability of crossover and variation rapidly with the increase of fitness, but also keep the uncertainty in the evolution process. In the improved quantum genetic algorithm (QGA), the concepts of quantum bit, rotary gate and probability amplitude are used to design the algorithm. The probabilistic amplitudes are used to encode the chromosomes, and the probabilistic amplitudes are evolved towards the optimal values currently searched through the rotary gate operation, and the search direction is adjusted with the discovery of the better values. Through the improvement of the algorithm, the adverse effect of observation operation on the individual continuity between generations is avoided, which makes the algorithm more suitable for the multi-tree knapsack problem of island partition with topological correlation. The proposed method is validated by an improved American PGE69 node system with multiple distributed power sources. The results show that the two algorithms are effective. Through comparative analysis, it is pointed out that the cloud adaptive genetic algorithm and the improved quantum genetic algorithm represent two different ideas for genetic algorithm design: the essence of cloud adaptive genetic algorithm is the exchange of information between individuals. By influencing crossover and mutation operators to control population activity and diversity, crossover and mutation have certain blindness; in contrast, the improved quantum genetic algorithm has obvious directionality. Each individual is rotated towards the current optimal value through the rotary gate operation, and the better value is constantly found during the rotation. The selection of initial population has a great influence on the search results of improved quantum genetic algorithm, so it is necessary to intervene in the initialization and evolution of the population, and good artificial experience will improve the search results significantly. Both algorithms can give full play to the role of the contact switch, and bring more and more excellent feasible solutions into the search scope, compared with the current division scheme that does not consider the contact switch. It can increase the flexibility of fault recovery and get a better recovery scheme.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TM73

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張文修,梁怡;遺傳算法的數(shù)學(xué)基礎(chǔ)[J];西安交通大學(xué)學(xué)報(bào);2000年10期

2 楊艷麗,史維祥;一種新的優(yōu)化算法—遺傳算法的設(shè)計(jì)[J];液壓氣動(dòng)與密封;2001年02期

3 王毅,曹樹(shù)良;遺傳算法在并聯(lián)水泵系統(tǒng)運(yùn)行優(yōu)化中的應(yīng)用[J];流體機(jī)械;2003年10期

4 趙義紅,李正文,何其四;生物信息處理系統(tǒng)遺傳算法探討[J];成都理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年05期

5 李凡,黃數(shù)林,張東風(fēng);一種改進(jìn)的多倍體遺傳算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年01期

6 韋雪潔;黎明;劉高航;田貴超;;注入式的遺傳算法的分析與研究[J];南昌航空工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2006年01期

7 閻綱;;遺傳算法及其仿真[J];湖南工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2006年04期

8 ;遺傳算法[J];電網(wǎng)與清潔能源;2008年10期

9 吳玫;陸金桂;;遺傳算法的研究進(jìn)展綜述[J];機(jī)床與液壓;2008年03期

10 李培植;肖利明;于靜濤;;基于遺傳算法的結(jié)構(gòu)優(yōu)化方法[J];公路交通科技(應(yīng)用技術(shù)版);2008年08期

相關(guān)會(huì)議論文 前10條

1 陳家照;廖海濤;張中位;羅寅生;;一種改進(jìn)的遺傳算法及其在路徑規(guī)劃中的應(yīng)用[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

2 李國(guó)云;劉穎;薛梅;鄔志敏;;遺傳算法在高溫空冷冷凝器優(yōu)化設(shè)計(jì)中的應(yīng)用[A];第五屆全國(guó)制冷空調(diào)新技術(shù)研討會(huì)論文集[C];2008年

3 王志軍;李守春;張爽;;改進(jìn)的遺傳算法在反演問(wèn)題中的應(yīng)用[A];新世紀(jì) 新機(jī)遇 新挑戰(zhàn)——知識(shí)創(chuàng)新和高新技術(shù)產(chǎn)業(yè)發(fā)展（上冊(cè)）[C];2001年

4 任燕翔;姜立;劉連民;從滋慶;;改進(jìn)遺傳算法在三維日照方案優(yōu)化中的應(yīng)用[A];工程三維模型與虛擬現(xiàn)實(shí)表現(xiàn)——第二屆工程建設(shè)計(jì)算機(jī)應(yīng)用創(chuàng)新論壇論文集[C];2009年

5 韓娟;;遺傳算法概述[A];第三屆河南省汽車(chē)工程科技學(xué)術(shù)研討會(huì)論文集[C];2006年

6 龐國(guó)仲;王元西;;基于遺傳算法控制步長(zhǎng)的定性仿真方法[A];'2000系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2000年

7 張忠華;楊淑瑩;;基于遺傳算法的聚類(lèi)設(shè)計(jì)[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專刊[C];2008年

8 何翠紅;區(qū)益善;;遺傳算法及其在計(jì)算機(jī)編程中的應(yīng)用[A];1995年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議暨智能自動(dòng)化專業(yè)委員會(huì)成立大會(huì)論文集（下冊(cè)）[C];1995年

9 靳開(kāi)巖;張乃堯;;幾種實(shí)用遺傳算法及其比較[A];1996年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];1996年

10 王宏剛;曾建潮;李志宏;;攝動(dòng)遺傳算法[A];1996年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];1996年

相關(guān)重要報(bào)紙文章 前1條

1 林京;《神經(jīng)網(wǎng)絡(luò)和遺傳算法在水科學(xué)領(lǐng)域的應(yīng)用》將面市[N];中國(guó)水利報(bào);2002年

相關(guān)博士學(xué)位論文 前10條

1 Amjad Mahmood;半監(jiān)督進(jìn)化集成及其在網(wǎng)絡(luò)視頻分類(lèi)中的應(yīng)用[D];西南交通大學(xué);2015年

2 李險(xiǎn)峰;基于改進(jìn)遺傳算法的汽車(chē)裝配生產(chǎn)線平衡問(wèn)題研究[D];北京科技大學(xué);2017年

3 周輝仁;遞階遺傳算法理論及其應(yīng)用研究[D];天津大學(xué);2008年

4 郝國(guó)生;交互式遺傳算法中用戶的認(rèn)知規(guī)律及其應(yīng)用[D];中國(guó)礦業(yè)大學(xué);2009年

5 侯格賢;遺傳算法及其在跟蹤系統(tǒng)中的應(yīng)用研究[D];西安電子科技大學(xué);1998年

6 馬國(guó)田;遺傳算法及其在電磁工程中的應(yīng)用[D];西安電子科技大學(xué);1998年

7 唐文艷;結(jié)構(gòu)優(yōu)化中的遺傳算法研究和應(yīng)用[D];大連理工大學(xué);2002年

8 周激流;遺傳算法理論及其在水問(wèn)題中應(yīng)用的研究[D];四川大學(xué);2000年

9 劉冀成;基于改進(jìn)遺傳算法的生物電磁成像與磁場(chǎng)聚焦應(yīng)用研究[D];四川大學(xué);2005年

10 袁麗華;基于物種進(jìn)化的遺傳算法研究[D];南京航空航天大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 張英俐;基于遺傳算法的作曲系統(tǒng)研究[D];山東師范大學(xué);2006年

2 鐘海萍;原對(duì)偶遺傳算法與蟻群算法的一種融合算法[D];暨南大學(xué);2013年

3 李志添;模糊遺傳算法與資源優(yōu)化配置的預(yù)測(cè)控制[D];華南理工大學(xué);2015年

4 王琳琳;新型雙層液壓轎運(yùn)車(chē)車(chē)廂的設(shè)計(jì)研究[D];上海工程技術(shù)大學(xué);2015年

5 李海全;基于遺傳算法的建筑體形系數(shù)及迎風(fēng)面積比優(yōu)化方法研究[D];華南理工大學(xué);2015年

6 彭騫;基于遺傳算法的山區(qū)高等級(jí)公路縱斷面智能優(yōu)化方法研究[D];昆明理工大學(xué);2015年

7 周玉林;基于小波分析和遺傳算法的配電網(wǎng)故障檢測(cè)[D];昆明理工大學(xué);2015年

8 郭頌;基于粗糙集和遺傳算法的數(shù)字管道生產(chǎn)管理系統(tǒng)研究[D];昆明理工大學(xué);2015年

9 吳南;數(shù)值逼近遺傳算法的研究應(yīng)用[D];華南理工大學(xué);2015年

10 于光帥;一類(lèi)優(yōu)化算法的改進(jìn)研究與應(yīng)用[D];渤海大學(xué);2015年

，

本文編號(hào)：2186215