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.     

改进PSO算法在电力系统无功优化中的应用

将改进后的粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法运算过程繁琐、收敛精度不高、易陷入局部最优的缺点。该优化方法对粒子群算法进行了如下改进:采用简化粒子群优化方程和添加极值扰动算子两种策略,提出了简化粒子群优化(简称SPSO)算法、带极值扰动粒子群优化(简称DPSO)算法,将二者结合起来提出了带极值扰动的简化粒子群优化(简称DSPSO)算法。DSPSO以更小的种群数和进化代数获得了非常好的优化效果,使PSO算法更加实用化。对IEEE 6节点进行无功优化计算,并与其它算法进行了比较,表明该算法具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法。     

基于粒子群-差异进化混合算法的电力系统无功优化

针对传统粒子群算法中收敛速度快但易于陷入局部最优等特点,将差异进化算法与粒子群算法相结合,提出了一种粒子群-差异进化混合算法。该算法在粒子寻优过程中除跟踪个体极值和全局极值外,还跟踪粒子差异进化产生的第三个值;同时,当粒子在某一维上的速度小于给定值时,将重新初始化该维度粒子速度。建立了无功优化数学模型,并将合算法应用到无功优化中。通过MATLAB编程对IEEE-30节点系统进行优化计算,并与遗传算法和粒子群算法比较,结果表明本文提出的算法应用于无功优化拥有较快的收敛速度和全局寻优能力,具有广阔的发展前景。     

基于改进粒子群算法的电力系统无功优化研究

阐述了一种改进粒子群的无功优化方法.粒子群优化(PSO)算法是进化计算领域中的一个新的分支,其源于对鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,文章提出混沌粒子群算法,该算法可以较好地避免PSO算法过快收敛于局部最优解,有较快的收敛速度.文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的.     

一种新型的电力系统无功优化算法

介绍一种类似于遗传算法的进化算法———粒子群优化算法, 并把它应用到电力系统无功优化问题中。对基本的粒子群优化算法作了适当改进, 在粒子速度更新公式中增加了一项即上一代的全局“最优”值, 相当于增加了全局极值的权重, 提高了算法的收敛性。以粒子群优化算法为基础, 选取适合于该算法的无功优化目标函数。通过对 IEEE- 14节点的仿真计算, 证明了该算法优于基本的粒子群优化算法, 且与遗传算法相比能在更少的迭代次数内搜索到更好的全局最优解。     

一种求解电力系统无功优化的改进粒子群算法∗

为了解决目前粒子群算法(PSO)在电力系统无功优化方面易陷入局部最优解的问题,对粒子群算法进化方式进行研究,提出了一种改进的粒子群优化算法。该算法对速度更新方程进行修改,添加二阶振荡环节,与基本粒子群和只改进权重(ω)的粒子群相比,一定程度上解决了局部优化和盲目搜索的缺陷。最后,以IEEE-30节点为例,进行MATLAB仿真计算,结果表明,改进算法能够快速取得全局最优解,并且网损明显下降。     

基于最优值临近搜索的灾变粒子群算法在无功优化中的应用

粒子群算法在电力系统无功优化中容易出现局部收敛和早熟的现象,对传统粒子群算法进行了改进。改进算法对当前全局最优粒子进行临近搜索（NSGOP-PSO）,加快了粒子群的搜索速度和搜索精度。并加入了仿生进化算法中的灾变算法（NSGOP-CPSO）,按一定规律对群体全部粒子或部分粒子施行灾变,用于解决粒子群算法中的不收敛和早熟现象的问题。对该算法的作用原理进行了细致的分析和说明,并以IEEE-30节点系统的仿真图形及统计数据说明了该改进粒子群算法是有效的。     

改进粒子群算法在电网无功优化中的应用

粒子群算法作为一种随机搜索算法,适合解决电网无功优化问题。考虑到粒子群算法收敛速度过快,容易进入局部收敛,导致收敛精度不高,研究了粒子群算法的改进措施。建立了一个全面考虑实际约束条件和无功调节手段的无功优化数学模型,提出了采用改进粒子群算法求解电网无功优化问题的方法,以确定无功优化的最优方案。以IEEE14节点系统进行仿真分析,对3种不同方案进行了对比,结果表明所用方法寻优质量高,不仅节点电压满足系统运行要求,而且系统网损也有一定程度的降低,采用该改进粒子群算法进行电网无功优化行之有效。     

基于动态多种群粒子群算法的低压配电网电压无功优化

粒子群算法已在配电网无功优化领域中得到广泛应用,而基本粒子群算法在求解多约束条件的低压配电网电压无功优化问题时耗时过长。为解决这一问题,提出了利用动态多种群粒子群算法对低压配电网进行电压无功优化方案。动态多种群粒子群算法通过轮盘赌将粒子按照各节点电压合格、各节点无功补偿容量不超过预设值和系统总无功不过补偿这3个约束条件进行动态分组,粒子根据改进的粒子速度位置更新公式飞行搜寻,最后获得满足以上约束条件的电压无功优化问题最优解。本文提出的电压无功优化方案将分散并联电容器组与配电变压器调压相结合,与集中补偿无功方式相比,节点电压偏移程度更小、电网损耗更低。本文应用的约束优化粒子算法与基本粒子群算法相比,运行速度大幅提高,计算结果较为优化。     

改进小生境差分进化算法在配网无功优化中的应用

配网无功优化是一类非线性的整数规划问题,通过调整变压器的变比,改变发电机的端电压和连接补偿电容来改变电力网络中的无功,减小系统网损。差分进化算法是一种收敛速度快,收敛精度高的智能进化算法,针对无功优化模型对差分进化算法做出改进,引入小生境思想。通过实例验证了小生境粒子群算法(NPSO)和改进小生境差分进化算法(FERDE)对无功补偿装置布点优化规划的有效性。结果表明,增强算法的局部搜索能力和扩宽搜索范围,在收敛速度和精度上都有不同程度的提高。     

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。     

基于改进人工蜂群算法的电力系统无功优化

针对电力系统无功优化存在的问题,提出了一种基于改进人工蜂群算法的无功优化。运用反学习法对人工蜂群算法进行了优化,克服了人工蜂群算法本身容易陷入局部收敛的缺点,并且对IEEE30节点进行仿真计算,结果表明该算法对于求解复杂无功优化问题的可行性和有效性。     

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。     

基于细菌群体趋药性的电力系统无功优化

提出了一种基于细菌群体趋药性的电力系统无功优化算法。细菌群体趋药性引入了群体信息交互策略,使得单个细菌在利用自身信息随机移动的同时,通过种群的信息交互,有效地改善了个体移动时的随机性和盲目性,加强了细菌趋于最优的移动策略。建立了基于细菌群体趋药性的无功优化数学模型,并对标准IEEE-6和IEEE-30节点测试系统进行了无功优化计算,通过结果分析表明,细菌优化算法在解决电力系统无功优化问题上,具有很好的应用前景。     

基于多目标决策协调进化算法的电力系统无功优化

在传统无功优化模型基础上,建立了以系统有功网损、静态电压稳定裕度、电压偏差、无功补偿容量和发电机发电成本的多目标无功优化模型。采用多目标决策协调进化算法对电力系统无功进行优化,将多目标决策协调算法与群体进化理论有机结合起来,在有限的群体内对每个个体按协调算法进行排序,以提高优化方法的有效性。通过Matlab7．0编程对IEEE30和IEEE14节点算例系统进行计算。计算结果表明,该方法具有系统网损、电压偏差及无功补偿容量小、发电机发电成本低和系统稳定裕度高的特点。     

多智能体搜寻者优化算法在电力系统无功优化中的应用

针对无功优化这个典型的非线性问题,提出了一种基于多Agent系统的搜寻者优化算法MASOA (Multi-agent Seeker Optimization Algorithm)来求解.该算法针对SOA算法邻域划分随意性较大,融入智能体技术,在改进SOA算法邻域划分合理性的同时,提高粒子寻优的准确度;利用SOA算法的进化机制,引入自适应思想,使新算法具有良好的非线性搜索能力,更好地适应无功优化问题.以网损最小为目标函数,在IEEE 30节点系统上进行测试,并与四种智能算法进行比较,结果表明,MASOA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.     

基于量子粒子群算法的电力系统无功优化

量子粒子群算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解.首次将量子粒子群算法用于电力系统无功优化中,以网损最小为目标函数,在IEEE30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,表明基于量子粒子群(QPSO)...     

基于内点法和改进遗传算法的无功优化组合策略

提出了一种求解无功优化问题的组合策略,该策略将无功优化问题分解为连续优化和离散优化2个子问题,分别用预测–校正内点法和改进遗传算法进行求解。考虑到实际电网在进行无功优化控制时,发电机是主要的调节手段,先不考虑离散变量的约束,采用预测–校正内点法优化连续变量;然后保持连续变量不变,用改进遗传算法优化离散变量;再返回到连续优化阶段,如此交替求解。当出现相邻的连续优化阶段和离散优化阶段网损变化的差值小于设定值时,停止优化。IEEE14、30、57、118节点系统的仿真结果表明,该策略比其它组合算法在收敛性和计算效率上更具优越性。     

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。     

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.