编辑推荐：
研究人员提出了一种混合电鳗觅食优化（Hybrid Electric Eel Foraging Optimization, HEEFO）算法，该算法在传统电鳗觅食优化（Electric Eel Foraging Optimization, EEFO）的基础上引入
研究人员提出了一种混合电鳗觅食优化（Hybrid Electric Eel Foraging Optimization, HEEFO）算法，该算法在传统电鳗觅食优化（Electric Eel Foraging Optimization, EEFO）的基础上引入柯西变异（Cauchy Mutation, CM）与反向学习（Opposition-Based Learning, OBL）机制，以增强在高维非线性优化问题中的全局搜索能力与种群多样性，减少陷入局部最优解的风险。该方法针对配电系统规划与运行配置中的复杂性进行了改进，并在IEEE 69节点与台湾电力公司84节点配电网络上进行了测试，与传统EEFO及斑马优化算法（Zebra Optimization Algorithm, ZOA）进行了性能比较。结果表明，在69节点系统中，该方法实现了有功功率损耗降低98.04%以及电压偏差降低96.07%；在84节点系统中，分别降低了69.09%与70.83%。结果验证了该算法在零功率因数（Zero Power Factor, ZPF）与最优功率因数（Optimal Power Factor, OPF）场景下，结合最优网络重构（Optimal Network Reconfiguration, ONR）优化分布式电源（Distributed Generation, DG）配置的鲁棒性与效率。
本研究发表于《Sustainable Computing: Informatics and Systems》，旨在解决电力配电网络（Electrical Distribution Networks, EDNs）中因电压调节不足与高功率损耗导致的供电成本上升与可靠性下降问题。当前，配电网络运行面临多维度、非线性的组合优化难题，尤其在引入分布式电源（DG）后，网络拓扑与运行工况更为复杂。传统元启发式算法在处理此类混合整数非线性规划（Mixed-Integer Non-Linear Programming, MINLP）问题时，常出现早熟收敛与局部极值困境，且多数研究仅采用恒功率（Constant Power, CP）负荷模型，忽略了实际负荷的电压依赖性，导致结果精度不足。此外，现有算法多在小型基准网络上验证，缺乏对大规模真实系统的可扩展性评估。为此，研究人员开发了混合电鳗觅食优化（HEEFO）算法，融合柯西变异（CM）与反向学习（OBL）策略，以提升全局搜索与局部开发平衡性，并在多种负荷模型下进行验证，包括恒电流（Constant Current, CC）、恒阻抗（Constant Impedance, CI）以及复合ZIP模型。
关键技术方法方面，研究人员采用改进的元启发式优化框架，将CM与OBL嵌入EEFO主流程，通过模拟电鳗的电感应驱动觅食行为实现多维空间搜索。实验在IEEE 69节点与台湾电力公司84节点配电网络上开展，分别设置不同功率因数场景（ZPF、单位功率因数UPF、0.95 PF、OPF），并与标准EEFO及ZOA进行比较，参数设定参考已有优化研究的最佳实践。
研究结果方面，在数学建模部分，研究建立了DG类型与接入模型、最优网络重构（ONR）开关状态变化模型，以及考虑电压依赖特性的多种负荷模型，为优化目标提供基础数据。在问题构建部分，将ONR与DG选址定容问题表述为约束多目标优化任务，目标函数为最小化总有功功率损耗（Total Real Power Loss, TRPL）与总电压偏差（Total Voltage Deviation, TVD），并满足系统运行约束。在有功功率损耗最小化研究中，推导了线路功率损耗计算公式，表明损耗与线路电阻、潮流功率及节点电压平方成反比。在电压偏差最小化研究中，构建了TVD的数学表达式，并通过优化过程使其趋近于零，从而提升电压分布质量。在优化算法部分，HEEFO被证实能够在高维搜索空间中有效平衡探索与开发，提高收敛速度与解的质量。在测试系统与仿真结果分析中，HEEFO在69节点与84节点系统中均显著优于对比算法，验证了其在不同规模配电网络中的适应性与稳定性。
讨论与结论部分指出，HEEFO通过引入CM与OBL显著提升了EEFO的性能，成功解决了ONR与DG集成中的高维非线性优化难题。该方法在不同负荷模型与功率因数条件下均能稳定输出高质量配置方案，大幅降低功率损耗与电压偏差，增强配电网络的运行经济性与可靠性。研究结果为配电系统规划提供了可扩展、稳健性强的优化工具，也为未来在更复杂电网结构与多能源接入场景下的应用奠定了基础。
打赏
