遗传算法在电力系统无功优化中的应用

在利用遗传算法求解电力系统的无功优化问题，在优化编码和变异概率取值两个方面进行了研究，进一步推动了遗传算法在实际系统优化问题中的应用。在电力系统无功优化这个具有多局部极小值的寻优方面，把遗传算法所求得的无功优化结果和传统的基于梯度寻优方向的非线性规划法所得的优化结果进行比较，指出了遗传算法在处理非连续的和非平滑的函数寻优方面优于传统的寻优方法，具备全局寻优的能力。     

改进遗传算法在无功优化中的应用

本文提出了一种应用于电力系统无功优化问题的改进遗传算法。该算法在一般遗传算法的基础上，对编码方式、遗传算子以及终止判据等方面作了改进。通过对IEEE14节点系统的计算分析表明，该算法优于一般遗传算法。     

遗传算法在电力系统无功优化中的应用

遗传算法(GA)是近10年来发展的基于自然选择规律的一种优化方法,算法能成功的解决无功变量中的离散问题,避免常规数学优化方法的局部最优现象。根据众多参考文献,阐述了简单遗传算法(SGA)以及GA与其他算法相结合的算法在电力系统无功优化中的应用和今后的发展方向。     

遗传算法在无功优化应用中的改进

将遗传算法应用于电力系统无功优化的同时,针对无功优化的实际,文章提出了在不同优化阶段,对目标函数各项罚因子采用不同权重,并且构造出分阶段适应性函数,以及提出了选择式杂交方式等改进措施。通过典型算例和实际系统的测试,证明了这些改进方法对遗传算法应用于无功优化计算的寻优速度和收敛特性都有明显提高。     

遗传算法及其在无功优化中的应用

遗传算法是近几年发展起来的一种全局优化算法，它将生物遗传学的一些机理应用于工程问题。本文将其应用于电力系统无功优化，算例表明它是降低电网损耗的一种有效算法。     

改进遗传算法在无功优化中的应用

运用浮点数编码的改进遗传算法求解无功优化问题,在编码方式上改变了二进制编码、译码的烦琐操作,以及浮点数的交叉、浮点数变异操作和不等交叉、变异概率的选取,提高了算法的收敛速度和求解精度。通过对IEEE30节点测试系统的计算分析,证明了该方法是行之有效的。     

遗传算法在电力系统无功优化中的应用综述

遗传算法是近十年来发展的基于自然选择规律的一种优化方法,算法能成功的解决无功变量中的离散问题,避免常规数学优化方法的局部最优现象.本文详细阐述了简单遗传算法以及遗传算法与其它算法相结合的混合算法在电力系统无功优化中的应用和今后的发展方向.     

遗传算法在电力系统无功优化中的应用综述

简要介绍了电力系统无功优化的现状 ,无功优化使用的各种经典方法均存在着只能得到局部最优解的缺陷。一种模拟自然界生物进化的新原理———遗传算法从其诞生之日起就蓬勃发展起来 ,广泛应用于各个领域。详细地阐述了简单遗传算法以及遗传算法与其它算法相结合的算法在电力系统无功优化中的应用和今后的发展方向。     

遗传算法在电力系统无功优化中的应用综述

遗传算法是一种通过在整个解空间多渠道同时搜索以找到全局最优解的寻优方法，已经在许多复杂优化问题上被证明是一种相当有效的方法。为此，就遗传算法在电力系统无功优化中的应用进行了介绍，并提出了遗传算法在大规模电力系统无功优化计算中的改进措施。     

遗传算法在电力系统无功优化中的应用综述

遗传算法是近十年来发展的基于自然选择规律的一种优化方法，算法能成功的解决无功变量中的离散问题，避免常规数学优化方法的局部最优现象。本文详细阐述了简单遗传算法以及遗传算法与其它算法相结合的混合算法在电力系统无功优化中的应用和今后的发展方向。     

无功功率优化的改进退火选择遗传算法

作提出的改进退火选择遗传算法用于电力系统无功优化,其特点在于采用灵敏度选择无功补偿地点,缩小了遗传算法的搜索范围;用退火选择进行个体更新,保持了群的多样性,避免陷入局部最优;采用十进制编码、竞争繁殖和逐代记录最优法来加快计算速度和精度;用不定交叉和变异概率来更好地发挥交叉和变异的作用,并且进行适应度定标,促进全局最优。通过对TEEE6节点系统计算分析表明,该方法和简单遗传算法相比有更快的计算速度和更强的全局收敛能力。     

基于遗传算法的无功优化在鄂州电网中的实现

在简要分析传统的电力系统无功优化方法的局限性之后,指出在无功优化问题中引入遗传算法（ＧＡ）的必要笥和可行性,然后将基于遗传算法的无功优化方法用一以往多操作要管理专家系统无功优化子系统中,论述了基于ＧＡ的无功优化方法的程序流程,着重解决了在实际应用时遇到的几个问题,即无功优人强离散变量的处理、目标函数及相关参数值的选取等。所开发系统的实际运行结果表明,该算法可有效地减少系统的网络损耗,产生较好的社会     

具有优化路径的遗传算法应用于电力系统无功优化

在对遗传算法深入研究的基础上,针对其求解时间过长的问题,引入优化搜索路径的思路,提出无功功率分层分块优化控制和进化灵敏度分析的方法,对常规遗传算法搜索路径的随机性和变异,交叉这两种遗传操作进行本质上的改善,另外,在常规无功优化目标函数的基础上,提出了包括含“调节代价”的目标函数,通过对算例的优化计算结果可以看出,文中介绍了的无功优化算法比常规算法优越,计算速度快,实用性强。     

基于遗传算法的无功规划优化

提出了一种应用于电力系统无功规划优化问题的改进遗传算法。该算法对传统遗传算法的编码方式、群体规模以及遗传３算法等方面进行了     

应用于电力系统无功优化的改进遗传算法

遗传算法是近些年发展起来的基于自然选择规律的一种优化方法。本文在传统遗传算法的基础上，对遗传操作进行了进一步研究和改进，提出了改进遗传算法，电力系统的无功优化问题实例计算表明，改进遗传算法的优化结果可以更有效地达到或接近全局最优。     

结合专家知识的遗传算法在无功规划优化中的应用

在遗传算法中采用专家知识辅助寻优,有助于改善寻优方向,防止过早收敛,由于无功功率不家远距离传输。因此电力系统中的无功平衡和电压调整具有很强的地区性。依据专家知识对少数被选中的个体动态形成本厂、站的就地无功／电压控制的有效变量集进行人工调整,可以改善遗传算法的局部寻优能力。该专家知识包括三个主要方面：消除电压越限、减少投资和降低网损。为了更符合实际情况,建立了母线电压对调节裕度的模糊隶属函数。对某实际系统的计算表明,结合专家知识的遗传算法能够更有效地找到全局最优。     

基于分布式协同粒子群优化算法的电力系统无功优化

该文提出一种新颖的用于求解无功优化问题的分布式协同粒子群优化算法.考虑到大规模电力系统集中优化难度较大,采用分层控制中的分解-协调思想将大系统分解成若干个独立的子系统,有效地降低求解问题的复杂度,并采用混合策略在各子系统问进行协同进化.此外,子系统的无功优化采用了一种改进的粒子群优化算法,考虑了更多粒子的信息,能有效地提高算法的收敛精度和计算效率.对4个不同大小规模的系统进行的仿真计算结果表明该文提出的方法能够获得高质量的解,并且计算时间短,效率高,适合求解大规模电力系统的无功优化问题.     

遗传算法在电力系统无功优化中的应用

遗传算法根据自然界适者生存的原则进行搜索和优化。将遗传算法应用于电力系统无功优化，不仅能避免一般优化算法的局部最优问题，并能解决无功优化中变量的离散问题，避免维数灾难，提供最优及次优方案，使无功优化更切实际。遗传算法的引入，为电力系统无功优化提供了一种新的计算方法，使无功优化方法更加完善和实用。