多目标进化算法求解无功优化问题的对比分析

对经典的多目标进化算法(multi-objective evolutionary algorithms,MOEAs)在电力系统无功优化中的应用展开比较研究。与传统设定偏好参数、将多目标问题转化为单目标问题的方法不同,直接采用计及系统网损与电压偏移的多目标模型。提出无功优化多目标进化算法统一框架,采用一致的编码策略、约束处理方法。以IEEE30节点标准系统的多目标无功优化为算例,从帕累托前沿、外部解及C指标等方面,比较各种算法的性能特点,并按照其优劣将算法分为5个性能等级。参考算法的性能等级,详细分析每种算法的优缺点。相关结论对MOEAs在无功优化及电力系统其他优化问题中的应用和改进,都具有一定的参考价值。     

自适应选择进化算法的多目标无功优化方法

基于帕累托最优概念的多目标进化算法在电力系统无功优化领域已有广泛应用,但目前通过某种单一算法求解的方式由于进化算子的唯一性,难以保证进化过程不同寻优阶段的普适性和鲁棒性,因此提出一种基于多种进化算法自适应选择的多目标无功优化方法。通过分析已有多目标进化算法的特征,考虑协调性与互补性,建立包含4类算法的备选池;在进化过程不同阶段根据寻优性能自适应地确定备选算法的使用比例,从而综合多种算法的性能优势,提高整体寻优效率。以IEEE 30节点标准系统的多目标无功优化为算例,从帕累托前沿、外部解及C指标等方面与已有单一算法的优化结果进行比较,表明所提新方法在整个进化过程中都显示出了更优的收敛特性。     

利用强度Pareto进化算法的多目标无功优化

为更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,首次将强度Pareto进化算法(SPEA2)应用于多目标无功优化,为真正意义上的多目标无功优化提供了依据。SPEA2是一种新型的多目标进化算法,参数设置少,收敛速度快,寻优能力强,求得的Pareto最优解分布均匀。IEEE30节点测试系统的算例结果表明所提出的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。     

快速多目标无功优化方法在实际系统中的应用

多目标进化算法（MOEA）已经被应用到电力系统无功优化这一问题的求解,但是由于MOEA算法需要相当长的寻优时间,同时其优化结果针对性不强,因此难以用于电网的无功电压自动实时控制。将以ε-支配域为基础的多目标优化方法应用到实际系统的无功电压自动实时控制中,该方法包括多目标模糊评价函数、自适应ε-MOEA优化算法以及后评价模糊控制器。通过在一个实际35节点系统上的应用,验证了所提方法的有效性与实用性。     

基于反向云自适应粒子群算法的多目标无功优化

针对粒子群算法在高维复杂问题寻优时易陷入局部寻优的现象,提出了反向云自适应粒子群算法(OCAPSO),通过反向学习加快算法的收敛速度,使用云模型来平衡粒子的全部搜索和局部搜索能力,使用自适应突变机制增强种群的多样性。用高维广义Schwarz函数对OCAPSO的有效性进行验证,进一步以IEEE30节点系统进行单目标和多目标无功优化测试并将测试结果与粒子群优化（PSO）,进化算法（EA）等测试结果进行比较,证实了该算法的优越性。分析表明,OCAPSO算法用于解决多目标无功优化问题有效可行。     

多智能体搜寻者优化算法在电力系统无功优化中的应用

针对无功优化这个典型的非线性问题,提出了一种基于多Agent系统的搜寻者优化算法MASOA (Multi-agent Seeker Optimization Algorithm)来求解。该算法针对SOA算法邻域划分随意性较大,融入智能体技术,在改进SOA算法邻域划分合理性的同时,提高粒子寻优的准确度;利用SOA算法的进化机制,引入自适应思想,使新算法具有良好的非线性搜索能力,更好地适应无功优化问题。以网损最小为目标函数,在IEEE 30节点系统上进行测试,并与四种智能算法进行比较,结果表明,MASOA在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中。     

自适应多目标差分进化算法在计及电压稳定性的无功优化中的应用

计及电压稳定性的无功优化是一个兼顾降低有功损耗和提高静态电压稳定性的非线性约束多目标优化问题。提出了一种自适应多目标差分进化算法（self-adaptive multiobjective differential evolution,SAMODE）对多目标无功优化进行求解。在差分进化的寻优机制中嵌入非劣排序和拥挤距离排...     

多智能体搜寻者优化算法在电力系统无功优化中的应用

针对无功优化这个典型的非线性问题,提出了一种基于多Agent系统的搜寻者优化算法MASOA (Multi-agent Seeker Optimization Algorithm)来求解.该算法针对SOA算法邻域划分随意性较大,融入智能体技术,在改进SOA算法邻域划分合理性的同时,提高粒子寻优的准确度;利用SOA算法的进化机制,引入自适应思想,使新算法具有良好的非线性搜索能力,更好地适应无功优化问题.以网损最小为目标函数,在IEEE 30节点系统上进行测试,并与四种智能算法进行比较,结果表明,MASOA在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中.     

基于IBBDE算法的交直流混联系统无功优化

随着高压直流输电工程(HVDC)投产规模持续增长,交直流混联电网的格局初步形成,给传统电网无功优化带来挑战。文中提出一种改进骨干差分进化算法(Improved Bare-bones Differential Evolution,IBBDE)求解交直流混联系统无功优化问题。在骨干差分进化算法的基础上,IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率的改进措施以提升种群的全局寻优能力。以含HVDC的IEEE 30节点系统为算例进行分析,结果表明,与差分进化算法和骨干差分进化算法相比,所提IBBDE算法可获得更优的无功优化效果,且寻优稳定性更好。     

基于NW小世界的量子进化算法在无功优化中的研究

针对量子进化算法的早熟问题,提出了一种适于电力系统无功优化的NW（newman-watts）小世界量子进化算法。该算法引入了NW小世界网络模型,以一种新颖的随机加边方式动态改变种群个体的邻域拓扑结构,从而保证了整个优化过程中的种群多样性,提高了算法的全局搜索能力。应用该算法对IEEE-14节点和IEEE-57节点系统进行无功优化的仿真分析,结果表明,NW小世界量子进化算法在电网无功优化计算中具有较强的全局寻优能力和较高的收敛精度。     

最优控制理论的发展与展望

回顾最优控制的基本思想、常用方法及其应用,并对其今后的发展方向和面临的困难提出一些看法。     

最优控制理论的发展与展望

回顾最优控制的基本思想、常用方法及其应用,并对其今后的发展方向和面临的困难提出一些看法。     

多机电力系统PSS参数协调优化设计

本文给出了用随机验试法对多机电力系统ＰＳＳ的结构和参数进行协调优化设计的计算方法。该方法不仅可以对系统中所有ＰＳＳ的参数同时设计，也适用于在系统中已有控制器的基础上设计新的ＰＳＳ参数或对原有ＰＳＳ参数进行优化调整。设计的ＰＳＳ可以是任意输入信号或任意结构。计算结果表明本文提出的方法是可行的有效的。     

电力系统动态优化调度与电力市场

本篇文章叙述了电力系统优化调度研究的目的和意义，回顾了动态优化调度近二十年来的发展状况，详细地介绍了动态优化调度发展中出现的问题以及相应的解决方法，这种优化调度方法根据负荷变化来调整发电机输出功率，其内存占用量大，同时提出了动态优化调度方法目前存在的问题，并且介绍了经济调度，最优潮流以及动态优化调度这三种优化方法在电力市场中的应用。     

动态电压恢复器的最优控制和最优滤波

提出基于最优控制和最优滤波的动态电压恢复器控制策略。该控制方法用Sage-Husa卡尔曼滤波器对动态电压的暂降进行检测,同时实现对三相电网电压的锁相功能。该算法实现了在谐波和不平衡条件下正序电压幅值和相位几乎无延时的检测。为加快系统动态响应速度,提出最优控制的策略;同时设计一个最优滤波器——降维卡尔曼滤波器进行电流状态量的观测。降维卡尔曼滤波器的使用不但节省了3个电流传感器,而且加快了控制的响应速度,从而显著提高了不平衡暂降的补偿能力。实验结果证明该文所提出的控制策略的有效性。     

边界扫描技术的优化设计

边界扫描技术是工业领域可测性设计的主流技术。对其进行优化设计,可以缩短测试施加时间,提高故障诊断率。本文从其本身的优化设计以及与其他DFT技术相结合的综合优化设计两个角度详细论述了基于边界扫描的优化设计问题,对该领域的进一步深入研究具有重要的理论价值和实践价值。     

电力系统优化调度概述（I）——经济调度与最优潮流

本篇文章叙述了电力系统优化调度研究的目的和意义，回顾了经典经济调度、最优潮流近二十年来优化调度的发展，详细地分析了这两种调度方法发展中出现的问题以及各自的解决方法，经典经济调度计算速度快适合在线应用；最优潮流计算精确但相对经济调度而言计算速度慢，无法应用到实时调度。同时也提出了这两种优化方法中急需解决的问题。     

粒子群算法在水电站优化调度中的应用

粒子群优化算法是一种全局随机优化算法。用于水电站优化调度，与经典算法比较其特点在于，该算法原理简单，易编程实现，占用计算机内存少，能以较快的速度收敛到全局最优解，是一种有效的搜索算法。     

多目标电能质量监测器的优化配置

针对电能质量监测器的优化配置问题,建立了以监测程度和监测器个数为指标的多目标优化配置模型。采用带精英策略的快速非支配排序遗传算法(non-domtnated soring genetic algorithm,NSGA-Ⅱ),获得此多目标优化问题的Pareto最优解集。该方法能保证种群的多样性,避免传统加权求解时权值的选择和解的偏好性。最后,对Pareto最优解集的各个目标函数进行归一化处理,将最大值对应的方案作为合适的最优解。通过对2个算例进行仿真,得到了合理的电能质量监测器的配置方案,验证了该方法的可行性和有效性。     

电力系统无功功率负荷的最佳补偿容量

总结了现行无功功率负荷最优补偿方法存在的问题,提出确定最佳补偿容量的目标函数,并在其最佳点上构成最优网损微增率γｅｑ与无功负荷补偿容量Ｑｃｉ及网络因素的内在联系。经Ｗａｒｄ＆Ｈａｌｅ６结点及ＩＥＥＥ１４结点系统实算,证明了数学模型及算法的合理性与有效性,克服了现行无功功率负荷最优补偿方法存在的问题和缺点,具有较大的现实意义及实用价值。