基于混合Jaya差分进化算法(HMJDE)的电力系统最优潮流优化研究：探索与开发能力的协同提升

为解决传统Jaya算法在全局优化中存在的收敛速度慢、开发能力不足等问题，研究人员提出了一种新型混合优化算法HMJDE，将改进Jaya算法与差分进化(DE)相结合。该研究在IEEE 57总线和阿尔及利亚59总线系统上进行验证，结果显示HMJDE能显著降低燃料成本达18.87%，年节约成本约8490万美元，同时有效改善电压稳定性和减少功率损耗。该算法为复杂电力系统优化问题提供了高效解决方案。

　　

在现代电力系统运行中，最优潮流(Optimal Power Flow, OPF)问题一直是电力工程师面临的核心挑战。随着电网规模扩大和可再生能源并网比例提高，传统优化方法如线性规划(LP)和二次规划(QP)等已难以应对系统的复杂性和不确定性。更令人担忧的是，当前广泛应用的元启发式算法如遗传算法(GA)、粒子群优化(PSO)等，普遍存在早熟收敛、参数敏感等问题，导致优化结果常陷入局部最优。特别是在处理多目标优化时，如何平衡探索(exploration)与开发(exploitation)能力成为制约算法性能的关键瓶颈。

针对这一系列挑战，研究人员开展了一项创新性研究，提出了一种名为HMJDE的混合优化算法。该研究通过巧妙结合改进Jaya算法和差分进化(Differential Evolution, DE)的优势，成功解决了传统方法在全局搜索和局部开发之间的平衡难题。相关成果发表在《Expert Systems with Applications》上，为电力系统优化领域提供了新的技术路径。

研究团队采用了多项关键技术方法：首先开发了改进Jaya算法(MJA)，通过修改解更新方程增强全局搜索能力；其次将MJA与DE算法有机结合，利用DE强大的局部搜索特性；在验证阶段，采用IEEE 57总线和实际阿尔及利亚59总线系统作为测试平台，设置了燃料成本最小化(FCM)、电压稳定性增强(VSE)等五种优化目标；通过30次独立运行的统计分析和八种基准函数测试，全面评估算法性能。

研究结果部分，"Optimal power flow solution using novel optimization technique: A case study"章节展示了详细发现：

"Problem formulation"部分建立了包含等式约束和不等式约束的完整OPF数学模型，定义了控制变量和状态变量的边界条件。结果显示HMJDE能有效处理复杂的非线性约束，满足所有运行限制。

"Optimization algorithms"部分详细阐述了HMJDE的工作原理。改进的Jaya算法通过引入随机符号因子S（如公式19所示），显著提升了逃离局部最优的能力；而DE算法的变异、交叉操作则增强了局部搜索效率。这种组合使算法在探索与开发之间实现了动态平衡。

"OPF simulation results"部分呈现了令人振奋的实际应用效果。在IEEE 57总线系统中，HMJDE实现最低燃料成本41656.0438 /h，较基准情况降低18.8753/h，标准偏差仅0.3295。特别值得注意的是，在多目标优化场景下，算法同样表现出色：在同时优化燃料成本和电压偏差时，总电压偏差从1.2236 pu降至0.5291 pu；在考虑排放成本时，污染物气体排放量减少22.16%。

"Statistical analysis"部分的30次独立运行结果表明，HMJDE具有优异的稳定性。以IEEE 57总线系统为例，燃料成本优化的标准差仅为0.2412，远低于传统Jaya算法的0.3271和DE算法的0.3423。这种稳定性对于实际电力系统运行至关重要。

研究结论部分强调，HMJDE算法通过创新的混合策略，成功解决了元启发式算法在OPF问题中的关键瓶颈。其核心优势体现在三个方面：一是参数敏感性低，无需繁琐的参数调优；二是计算效率高，在相同函数评估次数下性能显著提升；三是适用性广，可灵活处理单目标和多目标优化问题。特别值得关注的是，该算法在实际电网中的应用