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.     

基于改进双种群蚁群算法的无功优化研究

针对电力系统无功优化多变量、多约束、非线性的特点,提出一种新的改进双种群蚁群算法。基本蚁群算法在众多优点之外也存在着搜索时间长,容易出现停滞等缺点。因此在基本蚁群算法的基础之上,引入双种群独立搜索,进行信息交流,较大概率的打破了单一蚁群搜索的停滞状态,保证了算法中解的多样性,提高了全局收敛能力。并在蚁群算法的信息素更新策略和参数上做出进一步的改进应用于无功优化。通过对IEEE30节点算例进行仿真计算以及与现有算法进行比较,验证算法的有效性。     

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.     

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。     

计及补偿地点的DNSGA_Ⅱ多目标无功优化

考虑电压/无功灵敏度分析法确定的无功补偿位置,提出一种DNSGA_Ⅱ多目标无功优化方法.该方法采用自适应的交叉、变异概率,保留了种群的多样性,同时减少排序群体数目,从而减少程序运行时间.IEEE 33节点和IEEE 30节点算例系统的仿真结果表明,算法具有良好的全局搜索寻优性和收敛能力,能够有效地改善系统运行质量.算法所得的Pareto最优解允许决策者依据个人偏好选择最优方案,提高了决策的灵活性和自主性.     

基于蚁群系统的电力系统无功优化

无功优化是电力系统电压稳定与经济运行的核心问题之一,也是提高电力系统电压质量的重要措施.将蚁群系统应用在电力系统无功优化,给出优化模型.对IEEE 6节点系统进行仿真计算,将计算结果与传统优化结果进行比较,表明蚁群系统的有效性.     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

改进生物地理学优化算法在配电网无功优化中的应用

针对生物地理学算法(BBO)信息利用能力强但搜索能力不强的问题,提出了一种结合遗传算法改进变异操作的算法.改进算法充分利用了遗传算法的搜索能力,使算法的寻优能力得到了很大的改善.将该算法应用于IEEE34节点的系统,采用分区的方法进行无功补偿优化.算例表明:与基本BBO算法、遗传算法的无功优化相比,改进算法在计算速度和优化效果方面都具有明显的优势.     

基于多目标沙猫群算法的含风光储配电网无功优化

针对现有智能优化算法在求解配电网无功优化时存在的收敛速度慢、易陷入局部最优解等问题,提出一种基于多目标沙猫群算法(MOSCSO)的含风光储配电网无功优化方法.MOSCSO融合了多目标算法中外部储存集的更新和选择机制,具有较好的全局寻优能力,而沙猫群算法(SCSO)特有的搜索和攻击的种群更新方式保证了其具有较快收敛速度和较好寻优能力.建立储能设施(ESS)作为控制变量的IEEE 33节点系统数学模型,应用MOSCSO进行仿真验证.结果表明,本文所提方法在平衡风光发电系统的同时能够降低网损和提高电网稳定性,通过与传统算法比较,验证了MOSCSO在无功优化模型上的有效性和稳定性.     

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.     

电力系统无功优化算法研究综述(下)

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,提出了综合各单一算法优点的混合算法以求解无功优化问题。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。     

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.     

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.     

基于混合智能算法的无功优化研究

根据电力系统中负荷不断变化的情况,提出了目标为全天网损最小的动态无功优化数学模型。以序列二次规划法作为遗传算法的一个局部搜索算子,嵌入到实数编码遗传算法中,构成一种基于序列二次规划法和实数编码的遗传算法的高效的混合智能算法。这样既保留了遗传算法具有收敛快,全局搜索能力强的优点,又克服了容易陷入局部最优点的缺陷。 IEEE9节点系统算例分析表明,混合智能算法能有效降低系统网损。     

基于改进遗传算法的无功优化

遗传算法的基础上对其局限性进行改进,使该算法在电力系统无功优化的应用中具有一定优越性。通过改进编码和选择算子,自适应的交叉变异概率等策略,并引入基于模拟退火策略的适应度函数和混沌算法,使得改进遗传算法高速、准确的收敛于最优解,改善了传统遗传算法易陷入收敛性差、效率低的弊端。在此基础上建立无功优化数学模型,介绍了该算法具体实现步骤,并将其应用于IEEE30节点,证明所提算法是可行和有效的。     

基于细菌菌落算法的含分布式电源多目标无功优化

以含风电和光伏的配电网为研究对象,提出了含风电和光伏的配电网多目标无功优化模型.用场景分析法对双馈异步风力发电机(DFIG)进行了场景分析,用Beta分布函数来模拟光伏出力,通过蒙特卡洛方法对配电网进行了无功补偿选址,最后通过细菌菌落优化算法对IEEE33节点配电系统进行了算例分析,验证了该模型及方法的有效性.     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性，提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略，改进交叉和变异操作，并结合模拟退火算法（SA）的Metropolis判别准则的复制策略，使寻优过程能够跳出局部最优解，从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点，提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度，避免早熟收敛。