基于改进遗传算法的电力系统无功优化

遗传算法是一种模拟生物进化过程的优化算法,可用于求解包含离散化变量的复杂优化问题,该文将遗传算法应用于电力系统无功优化,并对常规遗传算法的编码方式、遗传算子以及终止判据等方面进行了改进,使用该文提出的算法对IEEE6、IEEE30节点系统进行了无功优化计算,结果表明该改进遗传算法应用于无功优化是合理可行的.     

基于改进遗传算法的电力系统无功优化

遗传算法是一种模拟生物进化过程的优化算法,可用于求解包含离散化变量的复杂优化问题,本文将遗传算法应用于电力系统无功优化,并对常规遗传算法的编码方式、遗传算子以及终止判据等方面进行了改进,使用该文提出的算法对IEEE 6、IEEE30节点系统进行了无功优化计算,结果表明该改进遗传算法应用于无功优化是合理可行的.     

基于改进遗传算法的电力系统无功优化

遗传算法是一种模拟生物进化过程的优化算法,可用于求解包含离散化变量的复杂优化问题,文章将遗传算法应用于电力系统无功优化,并对常规遗传算法的编码方式、遗传算子以及终止判据等方面进行了改进,算法对IEEE 6、IEEE 30节点系统进行了无功优化计算,结果表明该改进遗传算法应用于无功优化是合理可行的.     

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。     

基于逐次优化遗传算法的无功规划

利用网损对节点补偿容量的灵敏度进行无功补偿位置选址,以灵敏度平均值为标准选取补偿节点,在该选址结果的基础上提出了一种用于电力系统无功规划问题的改进逐次优化遗传算法,该方法利用逐次优化的思想,对传统遗传算法的寻优方式进行了改进,有效降低了解空间的维度,在保证算法效率的同时使得寻优的效果得到较大的改善。将算法应用于IEEE30节点系统和IEEE118节点系统,计算结果表明算法可以较好地改善寻优特性。     

基于改进遗传算法的配电网无功优化

对配电网无功优化问题进行了研究.针对无功优化问题的特点,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.该算法将迭代群体分为一般组和精英组,对一般组进行交叉和变异操作,而对精英组只进行变异操作,实现分组进化.在该算法中利用整数和浮点数混合编码,并对遗传算法的选择,交叉、变异算子进行改进,采用自适应罚因子、交叉率和变异率,提高了收敛速度和解的质量.采用IEEE6节点系统验证了所提算法的有效性和实用性.     

带杂交、变异因子的自适应蚁群算法在电力系统无功优化中的应用

蚁群算法是一种通用仿生算法 ,可求解传统方法难以解决的非凸、非线性、非连续的优化问题。本文针对基本算法的缺点 ,结合遗传算法和自适应思想对其进行改进 ,并应用于电力系统无功优化问题。通过IEEE6结点算例和某地区一个实际配电网算例 ,验证了算法的有效性     

带杂交、变异因子的自适应蚁群算法在电力系统无功优化中的应用

蚁群算法是一种通用仿生算法,可求解传统方法难以解决的非凸、非线性、非连续的优化问题.本文针对基本算法的缺点,结合遗传算法和自适应思想对其进行改进,并应用于电力系统无功优化问题.通过IEEE6结点算例和某地区一个实际配电网算例,验证了算法的有效性.     

基于人工鱼群算法的电力系统无功优化

尝试将人工鱼群算法(AFSA)用于电力系统无功优化,建立了相应的优化模型,对IEEE6、IEEE14节点系统及某地区实际电力系统进行了无功优化计算,并与遗传算法(GA)、改进Tabu搜索算法(MTSA)进行了比较,结果表明AFSA鲁棒性强,全局收敛性好,用于电力系统无功优化计算是有效、可行的。     

基于人工鱼群算法的电力系统无功优化

尝试将人工鱼群算法(AFSA)用于电力系统无功优化,建立了相应的优化模型,对IEEE6、IEEE14节点系统及某地区实际电力系统进行了无功优化计算,并与遗传算法(GA)、改进Tabu搜索算法(MTSA)进行了比较,结果表明AFSA鲁棒性强,全局收敛性好,用于电力系统无功优化计算是有效、可行的.     

具有改进变异的遗传算法在无功优化中的应用

遗传算法是一种基于自然规律选择的优化方法,在电力系统的无功优化中得到了广泛的研究。该文在对遗传算法随机变异研究基础上,结合电力系统无功优化的特征,提出了优化变异,即以目标函数的灵敏度系数向量来修正变异方向,加快搜索速度。并对IEEE14节点系统进行了计算,其结果验证了算法的有效性。     

基于混合编码改进遗传算法的无功优化

简单遗传算法用于无功优化时存在收敛速度慢、容易陷入局部最优等问题。针对无功优化控制变量既有连续量又有离散量的特点,提出整数和实数混合编码的改进遗传算法。该改进算法在进化前后期采用不同的选择方式;依据交叉位和变异位控制变量的类型确定相应的实型或整型的算术交叉、小变异遗传操作,并且交叉率和变异率随进化代数变化;在目标函数中选用按指数规律变化的越界罚系数。IEEE14、118节点系统的仿真计算结果表明,改进后算法在全局寻优能力和收敛速度方面优于简单遗传算法。     

基于改进量子遗传算法的电力系统无功优化

提出一种基于改进量子遗传算法的电力系统无功优化方法。该方法借鉴量子计算的一些概念,采用量子比特对控制变量编码,这种编码方式能表示出许多可能的线性叠加态,从而更好地维持种群的多样性。同时利用搜索到的最佳个体信息更新量子门,加快了该方法的收敛速度,采用群体灾变策略防止该方法陷入“早熟”。分别采用线性规划算法、复合形算法、改进禁忌搜索算法、标准遗传算法、自适应遗传算法和该方法对IEEE 6和IEEE 30节点系统进行无功优化,实验结果表明,该方法全局寻优能力强、收敛速度快。     

基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性。同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法。应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性。     

考虑负荷不确定性的多目标交直流系统无功优化

提出了一种考虑负荷不确定性的多目标交直流系统无功优化方法,研究负荷模型的不确定性对交直流系统无功优化的影响。本文将系统有功损耗最小、系统电压稳定裕度最大作为目标函数,基于负荷误差的正态分布特征,并利用二层规划理论方法,建立考虑负荷不确定性的多目标交直流系统无功优化数学模型。针对交直流无功优化非线性、多变量、多约束的特点,采用内点法和遗传算法相结合的混合优化算法求解上层模型,下层模型采用实数编码的改进遗传算法求解。采用基于IEEE30标准节点改进的交直流算例对提出的方法进行验证,结果验证了本文提出方法的可行性及有效性。     

Solution of optimal reactive power dispatch of power systems using hybrid particle swarm optimization and imperialist competitive algorithms

Management of reactive power resources is essential for secure and stable operation of power systems in the standpoint of voltage stability. In power systems, the purpose of optimal reactive power dispatch (ORPD) problem is to identify optimal values of control variables to minimize the objective function considering the constraints. The most popular objective functions in ORPD problem are the total transmission line loss and total voltage deviation (TVD). This paper proposes a hybrid approach based on imperialist competitive algorithm (ICA) and particle swarm optimization (PSO) to find the solution of optimal reactive power dispatch (ORPD) of power systems. The proposed hybrid method is implemented on standard IEEE 57-bus and IEEE 118-bus test systems. The obtained results show that the proposed hybrid approach is more effective and has higher capability in finding better solutions in comparison to ICA and PSO methods.     

Optimal reactive power dispatch using self-adaptive real coded genetic algorithm

In this paper, self-adaptive real coded genetic algorithm (SARGA) is used as one of the techniques to solve optimal reactive power dispatch (ORPD) problem. The self-adaptation in real coded genetic algorithm (RGA) is introduced by applying the simulated binary crossover (SBX) operator. The binary tournament selection and polynomial mutation are also introduced in real coded genetic algorithm. The problem formulation involves continuous (generator voltages), discrete (transformer tap ratios) and binary (var sources) decision variables. The stochastic based SARGA approach can handle all types of decision variables and produce near optimal solutions. The IEEE 14- and 30-bus systems were used as test systems to demonstrate the applicability and efficiency of the proposed method. The performance of the proposed method is compared with evolutionary programming (EP) and previous approaches reported in the literature. The results show that SARGA solves the ORPD problem efficiently.     

Optimal clustering of power networks using genetic algorithms

This paper presents a new method for optimal network decomposition based on genetic algorithms (GAs). GAs present a powerful, globally oriented optimization method which exploits the mechanism of natural genetics, working on populations of candidate solutions in an effort to reach optima or near optima. Test results on IEEE standard networks are given and compared with those using simulated annealing. The genetic algorithm approach is found to produce significantly better solutions.