基于自适应强引导粒子群算法的电力系统无功优化

在简单比较遗传算法、模拟退火算法、Tabu算法、传统粒子群无功优化算法的基础上,提出一种改进的粒子群无功优化算法即自适应强引导粒子群的电力系统无功优化算法,该算法在粒子群算法的基础上引入强引导思想,在搜索初期,利用数学中的外推技巧对粒子位置的更新加以引导,减少算法随机性,利用群体适应度方差判别种群的多样性,并相应调整变异概率作出变异判别实现自适应更新粒子速度和位置,提高全局和局部搜索能力,进一步解决寻优后期粒子可能陷入早熟收敛的问题,可以更有效地搜索到全局最优解。通过对福建某高压配电网进行无功优化,本文算法优化后最优降损率可达15.3%,最低电压从0.8950pu提高到0.9973pu,结果表明本文算法及模型的可行性和有效性。     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

一种基于子区域粒子群的无功优化算法研究

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于子区域粒子群的算法,并运用到电力系统无功优化中。该算法将搜索空间划分成若干个子区域,在各个子区域中均使用粒子群算法进行寻优,通过比较各个子区域的全局最优解,得出整个搜索空间的全局最优。结合无功优化的数学模型应用于IEEE30节点之中,并与标准粒子群算法以及自适应变异粒子群算法的结果相比较,结果表明基于子区域粒子群算法能够大大地降低在寻优过程中陷入局部最优的概率,寻找出更好的全局最优解,在电力系统无功优化中得到良好的应用。     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收 敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题.该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力.通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快.     

基于改进粒子群优化算法的电力系统无功电压综合控制

在基本粒子群优化算法的基础上,提出了一种改进的粒子群优化算法用于电力系统无功电压综合控制.该算法改进了随机初始化种群的方法,采用均匀初始化,引进了粒子的自身探索机制,用多个位于可行域中的粒子个体引导粒子的更新,以保证全局搜索的有效性,同时采用混沌变异算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能.通过对IEEE-30节点标准系统模型的无功电压综合控制计算和分析,证明了此改进的粒子群优化算法具有更高的全局寻优效率.     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题。该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力。通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

基于改进粒子群优化算法的电力系统无功电压综合控制

在基本粒子群优化算法的基础上,提出了一种改进的粒子群优化算法用于电力系统无功电压综合控制。该算法改进了随机初始化种群的方法,采用均匀初始化,引进了粒子的自身探索机制,用多个位于可行域中的粒子个体引导粒子的更新,以保证全局搜索的有效性,同时采用混沌变异算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。通过对IEEE-30节点标准系统模型的无功电压综合控制计算和分析,证明了此改进的粒子群优化算法具有更高的全局寻优效率。     

基于自学习迁移粒子群算法及高斯罚函数的无功优化方法

针对粒子群算法在求解无功优化问题时存在早熟收敛,易陷于局部最优的现象,提出了自学习迁移粒子群算法(self-learning migration particle swarm optimization,SLMPSO).该算法在采用混沌序列对粒子群进行初始化操作,基于云模型理论的X-条件云发生器对粒子的惯性权重进行自适应调整的基础上,引入一种迁移操作,以引导全局最优粒子的飞行方向,解决粒子群后期朝单一进化方向进化的问题,有效地增强了算法的全局寻优能力.针对电力系统无功优化中的离散变量归整问题,首先将离散变量完全化为连续变量进行迭代求解,在寻求至全局最优解后引入高斯罚函数对离散变量进行归整操作.以网损和电压偏离最小为目标,对IEEE标准30节点算例进行仿真计算,验证了所提算法的有效性和可行性.     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

基于改进粒子群优化算法的风电场最大接入容量计算

位于电网末端的大型风电场的接入极大地影响电力系统的安全,风电场最大接入容量研究成为风电场规划和运行的重要课题。根据静态安全约束和暂态稳定约束条件,提出一种基于粒子群优化算法的风电场最大接入容量的确定方法。通过改进粒子群优化算法,其全局搜索能力可进一步提高,并可避免陷入局部最优。通过在IEEE New England 39节点系统上的仿真计算,验证所提方法的有效性,同时还分析了其他影响风电场接入容量的因素。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、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,证明了AFPSO算法的有效性和优越性。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法(AFPSO)是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法.通过采用AFPSO算法,对电力系统进行无功优化.该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、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,证明了AFPSO算法的有效性和优越性.     

电力系统无功优化多目标处理与算法改进

电力系统无功优化属于典型的多目标非线性复杂优化问题,求解非常困难。近年来,众多智能优化算法应用于该问题,其中粒子群优化(Particle Swarm Optimization,PSO)算法最具代表性;但PSO算法性能仍有待提高,如可能陷入局部极值。提出一种多策略融合粒子群优化(Particle Swarm Optimization with Multi-Strategy Integration,MSI-PSO)算法,对速度更新公式引入选择操作,分阶段加速因子调整和惯性权重动态调整,以平衡粒子局部搜索与全局探索能力;同时,随机选取部分性能差的粒子,将其速度更新公式中的个体认知部分修改为社会认知部分,以提高算法搜索精度和收敛速度。建立以系统网络损耗最小和系统电压稳定裕度最大为目标的无功优化仿真模型,分别考虑加权法、隶属度函数法和Pareto法实施多目标处理。针对IEEE30节点测试系统进行仿真实验,结果表明,和其他几种改进PSO算法以及基于pareto最优解集PSO算法进行对比,所提MSI-PSO算法具有更好的性能,能够有效求解电力系统多目标无功优化问题。     

并行自适应粒子群算法在电力系统无功优化中的应用

针对传统粒子群优化算法"早熟"与后期收敛速度慢的缺点,提出了一种基于并行自适应粒子群优化算法的电力系统无功优化方法。该方法首先将初始种群随机划分成N个子群,然后分别在各子群中以所提方法寻优,从而实现了算法的并行计算。为避免各子群陷入局部最优解,采用二值交叉算子使各子群间的信息共享并更新相关粒子位置,保证了算法的全局搜索能力并维持了种群的多样性。同时,各子群寻优过程中,根据利己、利他及自主3个方向对当前搜索方向自适应更新,提高了算法的收敛速度。将所提出算法在IEEE 30节点系统上进行了仿真验证,结果证明了并行自适应粒子群算法用于无功优化的可行性和有效性。     

基于改进PSO算法的电力系统无功优化研究

将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程。为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第 3种极值指导粒子搜索方向,并引入了“飞回”策略。对IEEE-30节点系统的仿真计算结果表明了算法的有效性。     

自适应粒子群优化算法及其在无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。某具有151个节点、71个控制变量的实际电网无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

改进粒子群算法在无功优化中的应用

建立了无功优化的数学模型,针对粒子群算法易陷入局部最优解、收敛精度差的缺点,将改进粒子群优化算法应用到电力系统无功优化中。对粒子群的速度公式进行了改进,并在算法中引入反正切惯性权重和阈值来增强搜索全局最优解的能力。通过对IEEE30节点的算例仿真,证明改进后的粒子群算法在电力系统无功优化问题上具有一定的可行性。与PSO的结果对比表明该算法在一定程度上提高了计算的精度。     

基于蜜蜂进化型粒子群算法的电力系统无功优化

为了提高电能质量,降低网损,采用蜜蜂进化机制与粒子群算法相结合的蜜蜂进化型粒子群算法（Bee Evolution Modifying Particle Swarm Optimization, BEMPSO）,对电力系统的无功优化问题进行求解。改进后的算法能够克服传统粒子群算法的收敛精度低,易陷入局部最优解的缺点。应用改进算法对IEEE6、30节点标准电网进行无功优化计算,并与其它优化算法相比较,结果证明BEMPSO算法具有较好的全局寻优能力,验证了该算法的正确性和有效性。