基于遗传算法和内点法的无功优化混合策略

基于遗传算法与内点法，文中提出了一种新颖的混合策略来求解无功优化问题：不考虑无功优化中的离散约束，采用内点法求解得到初始解；根据优化变量的不同性质，将原无功优化问题分解为离散优化和连续优化2个子问题，并采用遗传算法和内点法交替求解。在遗传迭代的不同阶段，针对种群个体的不同特点，分别对遗传算法和内点法的具体实施方案进行了动态调整，使两者的优化结果互为基础、相互利用，保证了混合策略的整体寻优效率。IEEE30和IEEE118节点系统的仿真计算结果表明：与其他混合算法相比，该混合策略在计算速度和优化效果方面都具有明显的优势。     

基于内点法的电力系统无功优化

介绍了无功优化的基本概念,对各种无功优化算法进行了简单比较。对原对偶内点法的基本原理作了简单介绍,采用全网有功传输损耗最小作为目标函数,并采用二次罚函数的形式处理离散变量,对基于原对偶内点法的无功优化的模型进行求解。IEEE14—118节点标准测试系统上进行了数值仿真,证明内点算法具有良好的收敛性和鲁棒性。     

基于内点法和遗传算法相结合的交直流系统无功优化

为简化传统交直流混合系统潮流计算方法,提出了一种改进算法。该算法采用Gauss-Seidel迭代法求解直流系统,通过调整换流变压器的变比以使换流器的触发角运行在合适的值域,再与交流系统交替迭代求解。针对遗传算法适合处理离散变量但容易陷入局部最优而内点法具有方向性但不适合处理离散变量的不足,提出一种内点法和遗传算法相结合的混合算法对交直流系统无功优化模型求解,交流系统中少量的离散控制变量及直流系统控制变量采用遗传算法求解而交流系统中大量的连续控制变量则采用内点法求解。混合算法结合了两种算法的优点,可以方便地处理离散变量且具有明显的方向性。通过实例仿真验证了该算法具有收敛性好、运算速度快等优点。     

实用的无功优化混合算法

为充分发挥遗传算法和内点法在求解无功优化问题中的优势,提出了一种混合算法用于电力系统的无功优化,将无功优化问题分解为离散优化和连续优化2个子问题,采用遗传算法和内点法分别求解。首先在遗传算法初始群体的确定中嵌入内点法计算,在改善遗传算法初始种群质量的同时求解连续优化子问题,并在初始种群中添加一组纯内点法的优化结果,使系统在一种次优状态再转入离散优化子问题,缩小搜索空间,大大加快了遗传算法的收敛速度。并对两种算法进行了实用性的改进,提高了算法的寻优效率。IEEE30节点系统仿真计算结果表明,与其他混合算法相比,该算法在计算速度和收敛能力方面都具有优势,且优化效果也可满足实际的需要。     

含离散控制变量的大规模电力系统无功优化

提出了一种求解含离散控制变量的大规模电力系统无功优化的新算法，该方法通过对离散变量构造罚函数并直接嵌入非线性原对偶内点法中，以实现离散变量在优化过程中的逐次归整。文中对罚孙数处理离变量的原理以及其如何与原对偶内点法的直接结合进行了详细论述，并给出了一种新的数据结构以快速有效地求解高阶修正方程。从IEEE14节点到广东省538节点电网等几个不同规模系统的演算结果可看出，该方法可以有效地处理离散变量，而且具有较好的收敛性和精确性。     

基于分支定界—原对偶内点法的日前无功优化

现有的日前无功优化模型较少考虑次日电压稳定问题,且算法无法准确处理离散变量及时段间耦合约束。针对此现状,提出了一种计及分区动态无功储备的日前无功优化模型,并采用分支定界—原对偶内点法对其进行求解。在求解过程中,利用分支定界树使离散变量逐步逼近离散值,通过合理的分支剪支策略满足离散变量的时段间耦合约束,将日前无功优化问题转换为一系列仅含连续变量的单时段无功优化问题进行求解。IEEE 30和IEEE 118节点系统的仿真结果表明了所提模型与方法的有效性。     

混合整数无功优化问题的连续优化方法

通过对离散变量进行二进制编码,把每个离散变量表示成若干个取值在0、1之间的连续变量,从而将一个含有离散变量的混合整数无功优化问题转化为一个等价的连续优化问题,再用非线性原对偶内点算法求解。并且,在优化过程中根据二进制变量的权重系数逐步确定离散变量的取值,实现了离散变量在优化过程中的逐次归整。并以IEEE118节点作为试验系统,与常规的离散优化算法作比较,验证了该算法的正确性和有效性。     

混合整数无功优化问题的连续优化方法

通过对离散变量进行二进制编码,把每个离散变量表示成若干个取值在0、1之间的连续变量,从而将一个含有离散变量的混合整数无功优化问题转化为一个等价的连续优化问题,再用非线性原对偶内点算法求解.并且,在优化过程中根据二进制变量的权重系数逐步确定离散变量的取值,实现了离散变量在优化过程中的逐次归整.并以IEEE 118节点作为试验系统,与常规的离散优化算法作比较,验证了该算法的正确性和有效性.     

求解离散无功优化问题的精确连续化方法

提出了一种求解离散无功优化问题的新算法。该方法对离散变量进行二进制编码,从而将离散变量转化为若干0-1变量的线性组合,并将二进制变量约束转化为等价的互补约束,再利用非线性互补函数将互补约束转化为等价的非光滑方程,对其进行光滑化处理后,将原问题转化成可微的非线性规划问题,并采用非线性原对偶内点算法求解。此外,还对离散变量编码的原理以及应用原对偶内点法中遇到的求导难点进行了介绍,并通过几个不同规模试验系统的计算分析,验证该方法能有效处理离散变量,而且具有良好的收敛性和精确性。     

地区电网无功优化算法研究

地区电网无功优化问题是连续变量和离散变量共存的非线性规划问题.如何适当处理连续变量和离散变量共存关系到最终优化的结果和算法收敛的速度.提出一种基于扰动KKT条件的原始-对偶内点法和遗传算法相结合的方法应用于地区电网无功优化问题的求解,能充分利用内点法和遗传算法的优点,通过算例表明该方法的有效性.     

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。     

求解动态无功优化问题的混合免疫遗传算法

无功优化是电力系统运行中提高经济性和电压安全性的重要措施,为防止静态无功优化可能导致无功控制设备的频繁操作,考虑并联电容器投切组数和有载调压变压器变比档位的调节次数约束,建立了电力系统动态无功优化模型。提出免疫遗传算法与非线性内点法相结合的混合算法进行求解,其中免疫遗传算法处理离散变量,非线性内点法处理连续变量,并在免疫遗传算法中设计独特的编码方式,使抗体能够自动满足动态约束。采用IEEE14系统的24时段无功优化问题进行仿真计算,动态无功优化后离散控制设备的调节次数很少,有功损耗比静态优化结果仅有轻微增加,算例结果验证了混合免疫算法的有效性。     

基于内点法和邻域搜索解耦动态规划法的区域电网动态无功优化方法

动态规划法可高效、准确求解小规模区域电网动态无功优化问题,但随着电网规模的增大,存在组合爆炸而导致求解时间急剧增长的问题。为此,提出了基于内点法和邻域搜索解耦动态规划法的区域电网动态无功优化两阶段混合方法。第1阶段,采用Sigmoid函数实现原模型的连续化,然后采用内点法求连续最优解;第2阶段,在连续解基础上,采用启发式邻域搜索策略确定解耦动态规划法搜索空间,通过站间解耦、调压和无功补偿设备的解耦协调以及站内的动态规划求解区域电网动态无功优化问题。该两阶段方法既保证了优化解的质量又可以有效避免离散变量求解状态组合爆炸问题,大幅度提高了动态规划法的计算效率。以某220 kV控制分区的仿真分析,验证了所提方法的有效性。     

离散粒子群与内点法结合的电力系统无功优化

基于离散粒子群优化算法与内点法,提出了一种新颖的混合策略来求解电力系统无功优化问题：不考虑无功优化中的离散约束,采用内点法求解得到初始解;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2个子问题,并采用离散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、相互利用,从而保证了混合策略的整体寻优效率。以IEEE30和IEEE118节点作为试验系统,与常规的离散优化算法做比较,验证了该算法的正确性和有效性。     

Optimal capacitor placement using deterministic and geneticalgorithms

A procedure for solving the capacitor placement problem is presented. The objective is to determine the minimum investment required to satisfy suitable reactive constraints. Due to the discrete nature of reactive compensation devices, optimal capacitor placement leads to a nonlinear programming problem with mixed (discrete and continuous) variables. It is solved with an iterative algorithm based on successive linearizations of the original nonlinear model. The mixed integer linear programming problem to be solved at each iteration of the procedure is tackled by applying both a deterministic method (branch and bound) and genetic algorithm techniques. A hybrid procedure, aiming to exploit the best features of both algorithms is also considered. The proposed procedures are tested and compared with reference to a small CIGRE system and two actual networks derived from the Italian transmission and distribution system     

基于混沌免疫混合算法的多目标无功优化

针对目前评价多目标函数解的不足，提出了将多目标函数各个解映射成多维空间中不同的点，利用这些点与理想点之间的欧氏距离来衡量各个解的优劣；同时针对无功优化、混沌优化算法和免疫算法的特点，提出了在采用免疫算法进行无功优化的记忆抗体群中，运用混沌优化方法和免疫算法的交叉和变异等操作对无功优化的连续变量和离散变量进行交替优化求解，并将它们运用于以降低有功损耗，提高电压稳定裕度及减小电压偏移为目标的无功优化中；通过 IEEE-30和IEEE-118节点算例系统验证了混合算法及最优解评价方法的正确性和可行性。     

基于引力搜索算法的电力系统无功优化

无功优化是一个多变量、多约束、高维数的非线性规划问题,其离散变量与连续变量并存的特性使得传统优化算法难以对其进行求解。根据无功优化问题的特性,提出了一种适用于无功优化问题求解的引力搜索算法,该算法是受牛顿引力定律和粒子间相互作用的启发而提出来的一种新的优化算法,其理论基础深厚,物理意义明确,便于理解,简单易行。算例结果表明,引力搜索算法可以有效求解电力系统无功优化问题,且收敛速度快,数值稳定性好。     

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。     

改进差分进化算法在电力系统无功优化中的应用

针对电力系统无功优化具有非线性、多控制变量、多约束条件、连续变量和离散变量混杂的特点,提出了一种改进的差分进化算法。该算法根据进化学习过程中积累的经验,利用优良群体引导变异的方向,同时提取优良群体各维元素的信息,以优良群体信息指导个体每一维变量的交叉操作。IEEE 30节点系统算例表明,所提算法较基本差分进化算法和粒子群算法,收敛速度快、计算精度高、稳定性好、能有效地求解电力系统无功优化问题。