基于改进BCC算法的电力系统无功优化研究

针对传统BCC算法中的忽略原有运动惯性而导致过早收敛的问题,提出了改进的BCC算法,并对其应用于电力系统无功优化问题进行研究.引入惯性因子,使得该算法能在考虑邻域内种群优良信息的同时计及细菌本身运动惯性,在结合电力系统无功优化特征的基础上进行惯性权重因子的动态调节,从而取得问题的全局优化解.通过对IEEE30节点的标准算例测试,验证了改进BCC算法在提高电网无功优化的收敛速度和优化效果上有令人满意的性能.     

改进PSO算法用于电力系统无功优化的研究

由于电力系统无功优化为一有多变量、多约束、非线性的组合优化问题,针对传统粒子群算法收敛精度不高、易陷入局部最优的缺点,提出了一种改进的算法:分别赋予传统算法中的粒子以不同的初始惯性权重,权重较大的粒子拓展搜索空间,惯性权重较小的粒子完成局部强化寻优的工作。用改进的PSO算法无功优化计算IEEE-14节点系统的结果表明:新算法不仅避免了惯性因子权重调整的困难,而且较好地协调了算法的局部与全局搜索能力,可较好地解决电力系统的无功优化问题。     

基于改进细菌群体趋药性算法的无功优化

基于细菌群体趋药性（Bacterial Colony Chemotaxis,BCC）算法提出变速菌群趋药性（Gear Bacterial Colony Chemotaxis,GBCC）算法,将其应用于电力系统无功优化。GBCC算法引入带有权重系数的变速公式,使得GBCC算法前期能够较快地收敛于几个最优解的周围,后期能够在最优解周围进行细致搜索,克服了BCC算法易于收敛于局部最优解的缺点。建立基于GBCC算法的无功优化数学模型,给出GBCC算法的具体步骤。通过对IEEE30节点算例的测试,得到GBCC算法在无功优化问题上的收敛速度和优化效果。     

基于改进细菌群体趋药性算法的无功优化

基于细菌群体趋药性 (Baeterial Colony Chemotaxis,BCC) 算法提出变速菌群趋药性 (Gear Bacterial ColonyChemotaxis,GBCC) 算法,将其应用于电力系统无功优化.GBCC 算法引入带有权重系数的变速公式,使得 GBCC 算法前期能够较快地收敛于几个最优解的周围,后期能够在最优解周围进行细致搜索,克服了 BCC 算法易于收敛于局部最优解的缺点.建立基于 GBCC 算法的无功优化数学模型,给出 GBCC 算法的具体步骤.通过对 IEEE30 节点算例的测试,得到 GBCC 算法在无功优化问题上的收敛速度和优化效果.     

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。     

基于改进PSO算法的电力系统无功优化

粒子群优化PSO(Particle Swarm Optimization)算法是一种简便易行、收敛快速的演化计算方法,但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和变异算子,提出了一种新的改进粒子群优化MPSO(Modified Particle Swarm Optimization)算法,并将其应用于电力系统无功优化,建立了相应的优化模型。对IEEE-14节点系统及某地区70节点实际电力系统进行了仿真计算,并与PSO算法作了比较,结果表明MPSO优化算法能有效地应用于电力系统无功优化．其全局收敛性能及收敛精度均较PSO算法有了一定程度的提高。     

基于内点法和改进粒子群算法的无功优化混合策略

基于内点法与粒子群算法,提出了一种混合策略来求解电力系统无功优化问题。根据优化变量的不同性质将无功优化问题分解为离散优化和连续优化两个子问题,采用改进的粒子群优化算法和内点法交替求解,使两者的优化结果互为基础,提高了混合策略的整体寻优效率;根据粒子运动趋势及目标函数中网损与节点电压无功的相关性,对基本粒子群算法进行改进,自适应调整惯性权重和罚因子;以IEEE30节点系统和某实际地区电网作为试验系统,验证了该算法的正确性和有效性。     

基于细菌群体趋药性算法的电力系统无功优化

将细菌群体趋药性（BCC———bacterial colcony chemotaxis）优化方法应用在电力系统无功优化中，以网损最小为目标函数，建立了BCC无功优化数学模型。由发电机机端电压、变压器分接头和电容器组3部分控制变量构成初始矩阵，它们在算法中作为细菌位置坐标，表征细菌移动寻优时的空间位置。控制变量即细菌移动遵循在 n维空间中的移动寻优规律，每个细菌通过感知周围的信息不断向最优方向移动，从而提高了全局搜索能力。通过优化参数，加快了收敛速度。对IEEE 30，IEEE 57，IEEE 118测试系统进行了测试，与免疫记忆遗传算法和混沌粒子群算法相比较，结果令人满意。     

基于改进PSO算法的电力系统无功优化

提出了一种多策略融合自适应粒子群优化(MSI-APSO)算法求解电力系统无功优化问题的新方法。该方法采用分阶段调整加速因子,结合适应值自适应调整惯性权重,然后基于群体信息改善部分性能差的粒子,迭代后性能改善的粒子,采取速度保持策略,从而提高了PSO全局寻优性能。针对IEEE30节点系统进行无功优化计算,并与带惯性权重的粒子群(PSO-w)算法、带压缩因子的粒子群(PSO-c)f算法、全面学习粒子群(CLPSO)算法进行了比较,表明MSI-APSO具有更好的全局寻优能力和收敛性能。     

基于改进细菌群体趋药性算法的电力系统无功优化

建立了无惩罚因子策略的数学模型,并应用改进细菌群体优化(bacterial colony chemotaxis,BCC)算法进行无功优化。该模型利用可行细菌的占比指导细菌向可行空间搜索或最小网损空间搜索,快速搜索到可行的最优值。在基本BCC算法中引入速度、感知范围的动态调整以及高斯变异机制以提高寻优精度;同时引入映射因子以改善BCC算法解决离散域问题的性能。算例结果表明,改进BCC算法具有较好寻优性能,结合无惩罚因子策略的数学模型能快速得出合理的无功优化策略。     

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。     

基于协同粒子群优化算法的电力系统无功优化

为了解决粒子算法应用在电力系统无功优化中存在的问题,提出了一种改进的协同粒子优化算法.笔者根据电力系统无功优化问题非线性、不连续、大范围以及电压等级增多、无功优化控制变量较多的特点,建立了改进的协同粒子优化算法无功优化的数学模型,并将协同粒子群算法在无功优化中进行了应用.算例结果表明,该算法有效地改善了粒子群算法的局部收敛问题,缩短了搜索时间,提高了准确性.     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

基于混沌免疫接种粒子群算法的电力系统多目标无功优化

针对基本粒子群优化算法的收敛性能受初始粒子分布影响较大的问题,应用混沌优化理论具有遍历性的突出优点和人工免疫系统中接种疫苗的方法,即混沌免疫接种粒子群优化算法,将该方法应用于电力系统多目标无功优化模型求解.混沌免疫接种粒子群算法是采用混沌优化生成初始粒子即无功优化控制变量值,并选择其中较优的粒子作为初始粒子群,改善了随...     

基于改进社会认知算法的电力系统多目标无功优化

针对电力系统无功优化传统算法的局限性,结合当前智能算法的特点,提出采用模拟农夫捕鱼算法改进社会认知算法(ISCO),将其运用到电力系统无功优化中,并在构建无功优化的数学模型时,充分考虑如何降低网损和综合考虑减少电压偏差及提高系统运行的电压稳定裕度.经对标准IEEE14和IEEF30节点系统进行仿真计算,结果表明该算法具有很好的全局寻优能力和较快的收敛速度,能有效提高系统运行的经济性和安全性.     

基于一种不可行内点法的电力系统无功优化

在应用内点法进行线性规划时,尚不能保证它的全面收敛性。提出了一种新的算法来求解无功线性优化问题。利用潮流雅可比矩阵直接变换求取灵敏度系数,建立无功优化线性规划模型,同时采用一种不可行内点算法来直接求解该问题。IEEE 14节点、30节点、57节点系统的计算结果表明,该算法能有效求解无功优化线性规划问题,同时在初始点的选择上不要求从内点启动,迭代收敛次数稳定,对计算系统的规模不敏感。     

基于鲸鱼优化算法的无功优化调度

针对目前电力系统中的无功优化问题尚缺乏一种能兼顾求解的高效性与全局搜索最优性的方法,本文将一种新的启发式算法--鲸鱼优化算法(WOA)运用到电网无功优化调度中,以系统有功功率损耗最低为目标函数,通过引入惩罚函数建立无功优化模型,对IEEE-14节点系统与IEEE-30节点系统进行仿真,并利用单因素方差分析法(One-way ANOVA)将所得结果与之前的粒子群优化算法(PSO)及引入加速度系数的时变粒子群优化(PSO-TVAC)进行比较,研究表明WOA算法在迭代次数、搜索能力及收敛问题上的潜力,并证明了在解决电力系统无功优化问题上的鲁棒性和有效性,同时也为解决非线性约束问题提供了新途径。     

基于改进蜉蝣算法的一种新型无功优化补偿方法及其应用

基于改进的蜉蝣算法提出了一种电力系统新型无功优化计算方法。首先以电力系统有功网损最小为目标函数,选择发电机端电压、可调变压器分接头以及并联静止电容器组数为控制变量,建立了无功优化的数学模型;提出将新型群搜索智能优化算法蜉蝣算法引入到无功优化问题中;针对基础蜉蝣算法易陷入局部最优解的缺陷,提出优化基础蜉蝣算法,将Levy飞行以及随机惯性权重系数引入蜉蝣算法的位置更新策略中,提高蜉蝣算法的全局搜索能力。最后,以IEEE30节点系统为测试对象,证明了改进的蜉蝣算法在电力系统无功优化问题中的有效性及优势。     

基于改进算子的免疫遗传算法的电压无功优化

针对电压无功优化问题的特点和免疫遗传算法在求解全局性优化问题中的适用性,应用免疫遗传算法对系统进行电压无功优化。在编码时采用了实整混合编码形式,求抗体相似度时进行了归一化处理,在选择操作时对适应度函数进行了变换,合理的选择变换系数的值,可以保证算法在进化前期保持种群多样性,在进化后期仍能有较快收敛速度,并在交叉变异时实数段和整数段基因采取不同的措施。取IEEE-30节点标准系统为例,利用开发的优化计算程序进行电压无功优化计算,验证了所提出的算法较其他算法在计算和收敛能力上具有优势。