融合鱼群和微分进化的蚁群算法的无功优化

对于求解电力系统无功优化问题,提出了一种融合鱼群和微分进化的蚁群优化算法（FDEACO）。受人工鱼群觅食、聚群和追尾行为的启发,在基本蚁群算法的基础上,应用人工鱼群算法的追尾行为对蚁群在可行域上搜索到的解进行改进,加快了向最优解收敛的速度。在信息素更新机制里,通过引入微分进化算法的发散项,增加一个随机扰动,减小了算法陷入局部最优的可能性。在IEEE30测试系统上对新提出的算法进行校验,并与其它算法比较,证明FDEACO算法收敛速度快、全局寻优能力强。     

基于自适应折射学习和精英搜索SSO算法的电力系统无功优化

对电力系统无功优化问题进行研究,提出了一种基于自适应折射学习和精英搜索SSO算法(ARLESSO)的电力系统无功优化方案。针对群居蜘蛛优化(SSO)算法易于陷入局部最优和收敛精度不高的缺陷,引入多功能子族群划分策略:依据蜘蛛个体适应度大小,动态地将蜘蛛种群划分为精英群、扰动群和保持群;精英群和扰动群分别采用精英搜索和自适应折射学习进化机制,以提高算法全局深度搜索能力和种群样本多样性,在此基础上,构建最小网络损耗无功优化模型,并采用ARLESSO算法进行问题求解。IEEE节点测试系统仿真结果表明,同其他无功优化方案相比,所提算法全局寻优能力更强、精度更高,并且能够有效给出电力系统无功优化结果。     

基于IBBDE算法的交直流混联系统无功优化

随着高压直流输电工程(HVDC)投产规模持续增长,交直流混联电网的格局初步形成,给传统电网无功优化带来挑战。文中提出一种改进骨干差分进化算法(Improved Bare-bones Differential Evolution,IBBDE)求解交直流混联系统无功优化问题。在骨干差分进化算法的基础上,IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率的改进措施以提升种群的全局寻优能力。以含HVDC的IEEE 30节点系统为算例进行分析,结果表明,与差分进化算法和骨干差分进化算法相比,所提IBBDE算法可获得更优的无功优化效果,且寻优稳定性更好。     

局部搜索量子遗传算法及其无功优化应用

针对量子遗传算法局部寻优能力差的不足,提出一种局部搜索量子遗传算法,用于电力系统无功优化.该方法将局部搜索引入到量子遗传算法中,先进行全局寻优,当全局寻优搜索到的最优解经过多次迭代没有变化时,在此解附近产生小的寻优区间,进行局部寻优,以使算法同时具有较强的全局和局部搜索能力.复杂测试函数和IEEE30节点测试系统的仿真实验表明,该方法在寻优能力、收敛速度和稳定性方面优于文献中的新量子遗传算法、进化规划等多种方法.     

基于改进ICA算法的电力系统无功优化

电力系统无功优化可以提高电能质量、降低网损,预防事故发生和扩大,而现有的无功优化算法容易陷入早熟和局部收敛的不足。提出一种改进帝国竞争算法求解无功优化问题,通过模糊动态聚类分析法对帝国群体进行划分,采用适应度共享技术对联盟国家内各个国家的适应度进行调整,以提高全局寻优能力,有效避免算法早熟现象。选取IEEE 30节点系统进行测试仿真,并将优化结果与遗传算法和传统帝国竞争算法进行对比分析,结果表明改进帝国竞争算法在解决无功优化问题中具有更强的全局搜索能力,能得到更好的收敛效果。     

基于改进BCC算法的含分布式发电的配电网无功优化

介绍了含分布式发电的配电网无功优化问题,改进了细菌群体趋药性算法(BCC),引入微分进化算子和线性幂函数混合映射混沌模型,动态调整细菌移动速度和感知范围,提高了算法的寻优速度和全局搜索能力。算例结果表明采用改进的BCC算法优化后的配电网网损最低,迭代次数最少。     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

基于引入禁忌表的改进粒子群算法的多目标无功优化研究

针对无功优化面临的实际问题,建立了融合有功网损、节点电压偏移和无功补偿成本的多目标优化模型。在传统粒子群算法(PSO)的基础上,动态调节惯性权重并引入禁忌搜索算法(TS)的禁忌表,设置灵活存储结构和禁忌准则,保证有效搜索多样化,弥补了全局寻优能力不足、易陷入局部最优的缺点。IEEE14节点系统的仿真结果表明提出的方法具有较好的全局寻优能力和搜索性能。     

基于改进小生境遗传算法的电力系统无功优化

针对电力系统无功优化问题,提出一种改进小生境遗传算法来克服小生境遗传算法中小生境难以确定的不足,改善遗传算法容易陷入局部收敛和早熟的缺点。通过模糊动态聚类分析方法实现小生境群体的划分,然后利用适应度共享技术对小生境内个体适应度进行调整,以提高全局寻优能力。提出和运用隔代小生境共享机制、最优个体邻域搜索及保留策略等以提高算法的计算速度和收敛速度。通过对IEEE 57节点测试系统进行无功优化计算及结果分析,说明所提出算法的全局搜索能力强、效率高,能得到较好的结果。     

电网无功优化的改进遗传算法

针对遗传算法在电力系统无功优化实时控制中中速度较慢的问题，提出了一种改进的分段进化遗传算法，改变常规算法固定群体规模和最大迭代次数的做法，将其进化过程分为几个阶段，逐次对其群体规模进行扩充，并规定适应于每个阶段群体规模的迭代次数。这样既可以改善寻优方向，防止过早收敛，又可以保证进化后期每次迭代的有交笥，加快计算速度。在IEEE30节点系统的实验中，与其他常规算法进行对比分析，结果表明分段进化遗传算法具有较强的全局寻优能力，愉的收敛速度，更加适应于实时无功控制。     

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。     

混沌模拟退火算法在无功优化中的应用

为了更有效地改进处理无功优化问题的方法,提出了混沌模拟退火(CSA)算法,该算法是一种基于混沌变量的改进模拟退火算法,结合了混沌算法的全局遍历性和模拟退火算法的启发式规则,在模拟退火算法的搜索过程中加入了混沌算法的优点。利用混沌算法确定算法的初始温度,有效地减小了搜索空间,同时利用混沌算法确定模拟退火算法中的扰动准则,使算法有效跳出局部最优解。最后将混沌模拟退火算法应用于电力系统无功优化中,通过对IEEE 6和IEEE 30节点以及实际129节点系统的仿真验证了该算法应用的有效性。     

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。     

基于自适应聚焦粒子群优化算法的电力系统多目标无功优化

自适应聚焦粒子群算法(adaptive focusing particle swarm optimization,AFPSO)是根据粒子群算法的全局搜索与局部搜索平衡特性,并予以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。作者将此算法用于电力系统无功优化。该方法以最优控制原理为基础,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大的多目标无功优化模型。IEEE 30节点系统仿真结果表明,AFPSO算法在实现系统经济运行的同时也增强了电网的电压稳定性,证明了AFPSO算法的有效性和优越性。     

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.     

电力市场中最优潮流模型及算法研究

对传统最优潮流模型做了改进,提出了基于模糊理论和多目标优化理论的最优潮流模型,综合考虑了网损量最小和有功、无功购电费用最低3个目标;将免疫克隆算法和变尺度混沌搜索方法有机地结合起来,形成了免疫克隆混沌优化算法,并应用于改进最优潮流模型的求解。用IEEE 14节点算例进行了仿真分析,结果表明改进最优潮流模型有效,采用免疫克隆混沌算法对改进最优潮流模型求解是可行和高效的。     

基于改进遗传内点算法的电网多目标无功优化

将遗传算法和内点法相结合求解电力系统无功优化问题。改进了传统的遗传算法,采用混合编码和动态调整选择、交叉、变异算子,并在适应度函数中引入了内点法的对数障碍函数,有效地解决了实际系统的离散变量和状态变量易在边界取得的问题。在无功优化模型中,计及了网损,电压平均偏离,静态电压稳定裕度和调控费用4个指标。IEEE 14和IEEE 57节点算例系统的仿真结果表明,该算法稳定且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NW小世界的量子进化算法在无功优化中的研究

针对量子进化算法的早熟问题,提出了一种适于电力系统无功优化的NW（newman-watts）小世界量子进化算法。该算法引入了NW小世界网络模型,以一种新颖的随机加边方式动态改变种群个体的邻域拓扑结构,从而保证了整个优化过程中的种群多样性,提高了算法的全局搜索能力。应用该算法对IEEE-14节点和IEEE-57节点系统进行无功优化的仿真分析,结果表明,NW小世界量子进化算法在电网无功优化计算中具有较强的全局寻优能力和较高的收敛精度。