电力系统无功优化算法研究综述（上）

综述了电力系统无功优化的相关概念、研究的关键问题和经典模型,系统地阐述了优化算法中的常规算法、智能算法及其改进算法在电力系统无功优化中的应用情况及存在的问题,并对各种优化算法的优缺点进行了分析比较.针对各种优化算法的不同特征,提出了一种综合各单一算法优点的混合算法求解无功优化问题.总结了近年来其它新型算法的无功优化的应用情况.最后指出了随着智能电网的发展,电力系统无功优化算法当前存在的问题及有待于深入研究的几个方面.实现无功优化的实时计算将是今后无功优化算法问题新的研究方向.     

免疫克隆算法在多目标无功优化中的应用

基于免疫克隆算法,对电力系统无功优化的特点和系统负荷变化情况,重点研究了电力系统的智能动态无功优化问题.免疫克隆算法提出了一种新颖的求解方式,提高了算法的收敛速度,同时也保证了算法能够更好的向着最优Pareto-前端搜索,同时也保证了Pareto-最优解分布的均匀性,对电力系统无功优化提供了很好的基础.     

基于改进粒子群算法的配电网无功优化的研究

针对电力系统无功优化问题多变量、不连续、非线性的特点,本文建立了以系统年运行费用最小为目标函数、以有功功率和无功功率为约束条件的数学模型,并应用改进的粒子群算法对无功优化问题进行求解.该算法在权重系数和不活动粒子两方面进行改进,有效地解决了进化过程中陷入局部最优和搜索精度差的特点.最后,通过对IEEE30节点系统进行无功优化算例分析,仿真结果验证了该算法解决电力系统无功优化问题的有效性和可行性.     

推广的变量带上下界内点算法及其应用

对变量带上下界的内点算法进行了推广，介绍了推广算法的实现．还对推广算法在电力系统无功优化中的应用进行了探讨，并给出了无功优化的实例．数值计算显示该算法的应用是成功的．     

基于含扰动的改进吸引排斥粒子群算法的电力系统无功优化

电力系统无功优化可以改善电网的无功分布,有效地降低网络有功损耗,保证经济效益。针对粒子群算法在电力系统无功优化问题中存在物种多样性下降和易于陷入局部最优的问题,提出含扰动的改进吸引排斥粒子群算法。该算法通过对物种多样性和迭代次数进行判断,优化速度更新公式和位置更新公式,较好地克服传统粒子群算法在电力系统无功优化问题中存在的不足,通过对IEEE-14节点系统进行仿真验证,验证提出的算法可以更好地降低有功损耗,证明该方法的有效性。     

基于组合混沌序列动态粒子群算法的电力系统无功优化

无功优化对提高电力系统的安全性和稳定性具有重要意义.针对传统粒子群算法在求解大规模、强非线性无功优化时易陷入早熟、局部收敛等问题,应用Logistic混沌优化方法,充分利用其遍历性进行寻优.另外,为保障粒子群算法初值的均匀性,结合Chebyshev映射和Logistic映射,引入一种组合混沌映射并将其应用于粒子初始化,提高初始变量的均匀性,从而提高算法全局寻优能力.对粒子群速度更新过程中存在的惯性取值问题,引入一种基于种群速度的动态惯性权重策略.最后将这一算法应用于电力系统无功优化.算例表明,算法具有较强的全局搜索能力和较高的效率.     

基于细菌群体趋药性算法无功优化模型研究

无功优化是电力系统改善电压质量、减少系统网损、提高供电电压稳定性等的主要技术措施。本文以系统网损最小为算法目标函数,用发电机机端电压幅值、变压器有载分接头开关位移、以及无功补偿容量等控制变量构成初始矩阵,结合改进BCC算法,研究基于改进BCC的无功优化算法。IEEE30系统无功优化分析测试结果表明,改进BCC算法所具有的简单性、鲁棒性、快速收敛性等功能特性,在电力系统无功优化中,具有非常良好的理论研究和实用应用价值。     

电力系统无功优化方法分析

介绍了无功优化的经典算法、梯度类算法、牛顿法、二次规划法和线性规划法,分析了人工智能方法在无功优化中的应用,指出了各种方法的优缺点,同时对无功优化算法的进一步发展进行了探讨.     

推广的变量带上下界内点算法及其应用

对变量带上下界的内点算法进行了推广，介绍了推广算法的实现，还对推广算法在电力系统无功优化中的应用进行了探讨，并给出无优化的实例，数值计算显示该算法的应用是成功的。     

粒子群算法在配电网络无功补偿优化中的应用

介绍了粒子群算法的原理、模型和算法实现过程,并采用粒子群算法对配电网络无功补偿优化数学模型进行了优化计算,计算结果符合实际情况,表明粒子群算法应用于电力优化计算切实可行,为复杂的电力系统优化设计问题提供了新的思路和方法.     

集成电路功耗优化技术综述

数字电路的低功耗设计主要分为动态功耗优化和静态功耗优化两类.对这两类方法分别进行了探讨,介绍了现存的典型算法,分析了目前功耗优化的热点问题,如微处理器设计、动态电源管理和动态电压调整等,指出了当前仍需要解决的问题.     

基于改进细菌觅食算法的无功优化

采用改进的细菌觅食(MBFO)算法求解电力系统无功优化问题,引入了步长递减的控制策略,改善了算法前期的全局搜索能力和后期的局部搜索能力;引入了SA-PSO变异算子,从而使个体可以相互交流,并从精英那里得到经验;引入遗传算法的交叉和赌盘选择,保护了精英个体,同时降低了解劣化的概率.以IEEE-30节点为例的算例结果表明,较其他几种优化方法而言,M BFO具有更快的收敛速度和更好的优化效果,故该算法在解决无功优化问题上可行且有效.     

广义蚁群算法用于电力系统无功优化

将广义蚁群算法用于电力系统无功优化,建立了相应的的无功优化模型和求解算法,并比较了几种改进方法对优化结果的影响。通过IEEE 6,14,30节点系统仿真计算以及与传统优化方法的比较,表明所提出的方法是有效、可靠的。     

基于粒子群与微分进化算法的无功优化

应用传统粒子群算法(PSO)于电力系统无功优化问题存在收敛精度不高、陷入局部最优的缺点,利用微分进化算法(DE)的随机变异性,将当前所产生的局部最优值进行变异,再重回PSO搜寻全局最优值,从而提高了PSO算法的寻优特性,应用于IEEE30节点,验证所提算法是可行和有效的.     

基于GA的电力系统多目标模糊无功优化

针对传统无功优化的目标单一性,建立了以有功网络损耗和节点电压偏差均最小为目标的无功优化模型,采用模糊数学将不同量纲目标进行归一化,并转化为单目标模糊规划模型.鉴于多目标无功优化模型的复杂性,以及连续、离散控制变量并存,采用遗传算法搜索全局最优解.对某21节点系统进行了多目标无功优化分析,验证了该模型的可行性和优越性.     

基于模拟退火PSO的电力系统无功优化

对粒子群优化算法方法进行改进,把模拟退火机制引入到粒子群优化算法方法中,提出了基于模拟退火粒子群优化PSOSA(PSO with Simulated Annealing)算法,通过适当选择种群大小、调整惯性权重系数ω和退火系数C,以温度的缓慢下降来控制粒子的寻优过程,提高了粒子群优化算法的全局收敛性,改善了粒子的局部搜索能力.建立了以网损最小为目标的电力系统无功优化模型.通过对IEEE-30系统的无功优化计算,结果表明,PSOSA算法具有更好的全局收敛性和良好的搜索能力.     

论电网无功的人工智能优化

无功优化是通过无功的优化配置提高电压质量和获得经济效益。本文以大量的文献为基础 ,对无功优化的各种方法进行了总结 ,指出人工智能方法有很好的发展前途     

基于现代数学算法的配电网动态无功优化研究

较为全面的研究了国内外学术界对配电网无功动态优化调度问题的研究状况;概括了动态无功优化与静态无功优化的具体区别;通过对动态无功优化模型求解算法的分析,总结了该项目研究的四种典型算法,即动态规划法、非线性混合整数优化法、其他数学计算方法和人工智能算法;通过综合比对,发现第三种计算方法数学模型清晰简单,有利于对配电网动态无功优化算法的进一步研究。