电力系统无功最优潮流模型及其求解——基于改进粒子群优化算法的潮流优化

提出了一种基于改进粒子群优化算法的无功最优潮流模型及求解方法,灵活处理最优潮流问题的各种约束条件。通过对IEEE-30节点系统的仿真计算,并与遗传算法、基本粒子群优化算法计算结果进行比较,验证了本文提出的模型和方法的有效性。     

改进粒子群优化算法的电力系统最优潮流计算

标准的粒子群优化(PSO)算法一般不能兼顾收敛速度、全局探索能力和局部精细搜索能力,因此,提出了改进粒子群算法以解决电力系统的最优潮流计算问题,同时指出今后粒子群算法的研究方向.     

基于改进粒子群优化算法的电力系统有功最优潮流

提出了一种基于改进粒子群优化算法的有功最优潮流模型及求解方法,采用了自适应罚函数法处理最优潮流问题的各种约束条件。通过对IEEE-30节点系统的仿真计算,并且与遗传算法进行比较,验证了提出的模型和方法的有效性。     

基于改进粒子群优化算法的最优潮流计算

提出应用粒子群优化算法（PSO）求解最优潮流问题（OPF），并结合动态调整罚函数法将最优潮流问题转化成一个无约束求极值问题，有效提高了PSO算法的全局收敛能力和计算精度。应用此算法对标准IEEE30节点系统进行潮流计算，并与线性规划算法和遗传算法进行了比较，结果表明，该算法能够更好地获得全局最优解，具有实用意义。     

求解多目标最优潮流的改进粒子群优化算法

本文对多目标最优潮流算法进行了研究,通过运用改进粒子群算法对考虑发电费用和有功网损的多目标最优潮流进行了计算。首先运用模糊集理论对多目标函数进行了处理,使其转化成单目标问题;其次对粒子群算法进行了改进,通过对加权系数和粒子位置变量的改变,避免粒子群在寻优过程中陷入局部最优;运用C均值聚类算法对解集作了聚类处理,使解满足均一化的要求。通过对IEEE系统的测试,证明了本文算法的正确性。     

一种求解最优潮流的组合算法

提出了一种基于现代内点（MIP）理论与退火选择遗传算法（AGA）的组合算法：将原总是去掉整数变量约束，形成一个非线性规划问题；通过赋予整数变量矢量不同的初值，形成一个非线性规划问题集合，将其看作是AGA的进化种群，以MIP求出每一个非线性规划问题的最优值作为它的适应值，通过AGA试探，找出最优个体，该个体整数变量和连续变量的取值即为原问题最优解中各变量的值，AGA与MIP二者取长补短既能精确处理整数变量，改善计算结果的质量，又保证了算法的计算速度；对AGA的改进提高了算法的收敛性能，增强了逃脱局部极值的能力。通过对IEEE 14－118节点系统的仿真计算验证了所提算法的有效性。     

基于混沌粒子群优化方法的电力系统无功最优潮流

针对电力系统无功最优潮流问题,提出一种混沌粒子群优化(CPSO)方法,以克服粒子群优化(PSO)方法容易早熟而陷入局部最优解的缺点。该方法结合混沌变量良好的遍历特性及混沌优化的特点,对即将重合而引起搜索能力下降的粒子赋予混沌状态搜索,其余粒子仍以常规PSO方法搜索,从而提高PSO方法的寻优性能。通过对IEEE6,IEEE14,IEEE30和IEEE118测试系统无功最优潮流问题的计算及分析,表明CPSO方法具有很高的搜索效率和诱人的应用前景。     

基于混沌粒子群优化方法的电力系统无功最优潮流

针对电力系统无功最优潮流问题，提出一种混沌粒子群优化（CPSO）方法，以克服粒子群优化(PSO)方法容易早熟而陷入局部最优解的缺点。该方法结合混沌变量良好的遍历特性及混沌优化的特点，对即将重合而引起搜索能力下降的粒子赋予混沌状态搜索，其余粒子仍以常规PSO方法搜索，从而提高PSO方法的寻优性能。通过对IEEE 6,IEEE 14,IEEE 30和IEEE 118测试系统无功最优潮流问题的计算及分析，表明CPSO方法具有很高的搜索效率和诱人的应用前景。     

基于粒子群优化算法和动态调整罚函数的最优潮流计算

在电力市场环境下,诸多问题(例如实时电价,网络阻塞等)都需要最优潮流作为理想的工具.本文应用了一种简单有效、且收敛性很好的演化计算算法--粒子群优化算法(PSO)进行最优潮流问题的求解.在求解过程中,根据约束条件的越界量大小,动态的调节其罚函数,避免其收敛到局部最小点.应用此算法对IEEE 30 节点系统进行最优潮流计算,并且与线性规划和遗传算法进行了比较,结果表明该算法能够更好的获得全局最优解,具有实用意义.     

基于粒子群优化算法与混合罚函数法的最优潮流计算

电力系统最优潮流的求解问题一直是电力市场研究的重点。该文介绍了一种新的演化优化算法,即粒子群算法(PSO)。该算法具有简单易实现,可调参数少的优点。笔者将其用于最优潮流的求解,结合混合罚函数来限制最优潮流的约束条件,使粒子群算法的寻优速度加快,迭代次数减少。通过在IEEE9节点和IEEE30节点上的仿真计算表明,该算法在优迭代速度和收敛精度上都取得了较好的效果。     

Optimal Power Flow Using a Hybrid Optimization Algorithm of Particle Swarm Optimization and Gravitational Search Algorithm

Abstract—This article presents a hybrid algorithm based on the particle swarm optimization and gravitational search algorithms for solving optimal power flow in power systems. The proposed optimization technique takes advantages of both particle swarm optimization and gravitational search algorithms by combining the ability for social thinking in particle swarm optimization with the local search capability of the gravitational search algorithm. Performance of this approach for the optimal power flow problem is studied and evaluated on standard IEEE 30-bus and IEEE 118-bus test systems with different objectives that reflect fuel cost minimization, voltage profile improvement, voltage stability enhancement, power loss reduction, and fuel cost minimization with consideration of the valve point effect of generation units. Simulation results show that the hybrid particle swarm optimization–gravitational search algorithm provides an effective and robust high-quality solution of the optimal power flow problem.     

基于改进粒子群算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出一种基于(非劣最优)Pareto解集的改进粒子群算法AL iPSO。用最优值评估选取法求取粒子和全局最优位置,解决目标函数间可能存在的冲突。并将关联度自适应学习应用于多目标优化,提出适合Pareto解特点的适应度设计和随机惯性权策略,克服PSO算法容易早熟而陷入局部最优解的缺点。通过对IEEE 6、IEEE 14节点系统多目标最优潮流计算,验证了该算法的有效性。     

基于改进粒子群算法的电力系统无功优化研究

粒子群( PSO)优化算法具有并行处理的优点,但易于陷入早熟收敛,针对这一问题,本文提出了一种改进粒子群无功优化算法,该算法使用了自适应动态惯性权重,充分利用了遗传算法中交叉变异和种群移动均匀的特性,从而有效克服了PSO算法易于陷入局部最优和早熟收敛的缺陷,具有良好的寻优速度和计算精度,实例计算取得了良好的结果,从而验...     

粒子群优化算法及其在电力系统中的应用

PSO（粒子群优化）算法是一种新兴的优化技术.该算法可调参数少,简单易实现且功能强大.文章详细介绍了PSO的基本原理、各种改进算法以及它们在电力系统中的应用,并对今后可能的应用指出了研究方向.     

基于双适应度微粒群优化算法的最优潮流计算

在分析最优潮流(0PF)理论及其算法的基础上,引入微粒群优化算法(PSO).考虑到传统PSO算法应用罚函数处理OPF约束条件时容易造成对优良个体的湮灭,提出双适应度概念对微粒进行评估.利用双适应度PSO算法对算例进行分析并与其他算法比较,结果表明双适应度微粒群优化算法可较好处理最优潮流约束条件,在处理最优潮流问题上具有一定的有效性和优越性.