采用極限學(xué)習(xí)機(jī)改進(jìn)遺傳算法的分布式電源優(yōu)化配置.pdf

1、隨著社會經(jīng)濟(jì)的發(fā)展，能源與環(huán)境問題的重要性日益凸顯，而分布式發(fā)電由于其具有低碳環(huán)保，投資小，發(fā)電方式靈活等優(yōu)點(diǎn)受到廣泛認(rèn)可和應(yīng)用。但是大量風(fēng)電、光伏發(fā)電等分布式電源不斷接入電網(wǎng)對電網(wǎng)的安全可靠、經(jīng)濟(jì)運(yùn)行帶來了更多挑戰(zhàn)。因此，如何合理高效地規(guī)劃分布式電源接入系統(tǒng)就變的尤為重要。
　　文章闡述了分布式發(fā)電的發(fā)展及研究現(xiàn)狀，詳細(xì)介紹了幾種主要分布式電源的并網(wǎng)情況，并從網(wǎng)絡(luò)損耗、電能質(zhì)量、可靠性、潮流分布等方面對其并網(wǎng)后給電網(wǎng)造成的影響進(jìn)

2、行了詳細(xì)分析。通過對現(xiàn)有關(guān)于分布式電源優(yōu)化配置問題求解方法分析表明，傳統(tǒng)算法普遍存在速度較慢、容易陷入局部最優(yōu)等問題，因此提出采用基于極限學(xué)習(xí)機(jī)改進(jìn)遺傳算法來求解此問題;該算法利用了一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)算法—極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)，來對基本遺傳算法進(jìn)行改進(jìn);同時(shí)也利用其優(yōu)良的非線性映射能力來模擬前后兩代種群的進(jìn)化過程，并與傳統(tǒng)遺傳算法相結(jié)合;通過合理的參數(shù)設(shè)定，進(jìn)而達(dá)到提高算法的全

3、局搜索能力與收斂速度目的。為了綜合兼顧環(huán)境效益和經(jīng)濟(jì)效益，建立了以投資運(yùn)行成本最小、網(wǎng)絡(luò)損耗費(fèi)用最小、環(huán)境效益最大的經(jīng)濟(jì)優(yōu)化配置模型;針對傳統(tǒng)分布式電源規(guī)劃中所缺少的對候選安裝節(jié)點(diǎn)選擇問題，提出了采用計(jì)算各節(jié)點(diǎn)視在二次精確矩值大小，并進(jìn)行排序，選擇最優(yōu)候選安裝節(jié)點(diǎn)的方法。
　　通過對某地實(shí)際35節(jié)點(diǎn)系統(tǒng)進(jìn)行仿真，算例分析表明:文中所采用的極限學(xué)習(xí)機(jī)改進(jìn)遺傳算法在求解分布式電源優(yōu)化配置問題時(shí)，計(jì)算精度、收斂速度和尋優(yōu)能力均優(yōu)于傳統(tǒng)遺