基于遗传算法的电网无功优化

将遗传算法应用于电力系统无功优化,对遗传算法的编码方式、遗传算子以及中止判据方面做了详细的阐述,建立了基于遗传算法的电力系统无功优化模型,避免了常规数学优化方法的局部最优问题.计算机仿真结果表明,遗传算法能够更好地收敛于全局最优解,能更切合电力系统运行的实际,能有效提高电压质量和降低网损.该算法已应用于某地区无功优化软件,取得了较好的效果.     

基于人工免疫算法的电力系统最优潮流计算

基于一阶或二阶梯度的优化算法在计算电力系统最优潮流时经常陷入局部最优点，模拟进化算法具有较好的全局搜索能力，但是有时也由于过早成熟的现象而陷入局部最优点，文中提出了一种计算电力系统最优潮流的新算法－人工免疫算法，该算法是根据人或其他高等动物免疫系统的机理而设计的，将目标函数和一部分不等式约束条件作为抗原，将搜索空间的解作为抗体，依据抗原与抗体的结合力以及抗体之间的结合力对解进行评价和选择，通过抗体之间的相互激励作用提高了最优点附近的搜索效率，通过记忆细胞对抗体的抑制作用有效地摆脱局部最优点，应用此算法进行电力系统最优潮流计算，对IEEE30节点系统的计算结果说明了该算法的有效性。     

基于免疫算法以负荷均衡为目标函数的配电网络重构方法

在分析配电网重构的数学模型和免疫算法原理的基础上,提出了一种应用于配电网络重构的免疫算法(ImmuneAlgorithm,IA)。将满足基于负荷均衡的目标函数和约束条件的优化问题对应于免疫算法的抗原,优化问题的解作为免疫算法的抗体,解的优劣则通过亲和力的计算来评价,具有最大亲和力的抗体就是问题的最优解,即网络中联络开关和分段开关的最佳状态。实例分析表明,该算法具有较快的收敛速度和较强的全局搜索能力,克服了传统遗传算法易陷于局部极小和收敛速度慢的缺点。     

基于免疫算法的地区电网无功综合效益优化

电力系统无功优化分析中引入的免疫算法（IA）是根据生物免疫原理提出的，具有抗体的多样性、促进性、抑制性以及记忆等功能，是一种全局优化的概率搜索算法。将该算法应用到地区电网的无功综合效益分析中，在兼顾地区电网有功网损最小和功率因数达到要求值的同时，可使电网的无功综合效益达到最优。为此，基于Matlab7．0编制了无功优化程序，并与传统的遗传算法（GA）和Broden非线性规划法进行了比较，结果表明，该算法能加快计算速度，为地区电网经济运行带来可观的经济效益。     

一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法.综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解.在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势.在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解.     

遗传算法在电力系统无功优化中的应用

遗传算法根据自然界适者生存的原则进行搜索和优化。将遗传算法应用于电力系统无功优化，不仅能避免一般优化算法的局部最优问题，并能解决无功优化中变量的离散问题，避免维数灾难，提供最优及次优方案，使无功优化更切实际。遗传算法的引入，为电力系统无功优化提供了一种新的计算方法，使无功优化方法更加完善和实用。     

一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法。综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解。在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势。在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解。     

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.     

免疫遗传算法在无功优化中的应用

将免疫遗传算法用于电力系统无功优化,其特点在于用基因座信息熵和免疫选择机制,提高种群的多样性,增加搜索空间,促进全局最优。通过对IEEE33节点系统的计算,验证了该算法能有效提高无功优化的收敛速度和优化效果。     

遗传算法在电力系统无功优化中的应用综述

简要介绍了电力系统无功优化的现状 ,无功优化使用的各种经典方法均存在着只能得到局部最优解的缺陷。一种模拟自然界生物进化的新原理———遗传算法从其诞生之日起就蓬勃发展起来 ,广泛应用于各个领域。详细地阐述了简单遗传算法以及遗传算法与其它算法相结合的算法在电力系统无功优化中的应用和今后的发展方向。     

电力市场下日无功计划优化模型和算法的研究

针对电力市场下无功辅助服务的特点，提出了计及无功费用的日无功计划数学模型，并应用一种充分结合免疫原理和遗传算法各自优点的混合优化策略来求解该模型。该算法模拟免疫系统中抗体的自我平衡机制，调节遗传算法中个体浓度的抑制和促进；利用免疫记忆功能，实现了优良基因片的重组，提高遗传算法的总体搜索能力。依据抗体结构的可变区和稳定区，该文提出基于有效负荷变化指标的专家知识来对个体的基因进行修补，使遗传算法的优化过程具有指导性。IEEE30节点系统的计算和分析表明了该文所提出模型和算法的正确性和实用性。     

基于遗传禁忌混合算法的电力系统无功优化

为了使遗传算法(GA)和禁忌搜索算法(TS)的优点被保持,缺点被削弱,提出了电力系统无功优化的遗传禁忌混合算法(GATS);针对电力系统无功优化中控制变量的离散性和连续性相混合的特点,提出了混合编码策略并相应地采用启发式算术进行杂交.用GATS算法对IEEE30节点系统进行了无功优化计算,并就优化结果和简单遗传算法(SGA)及二进制编码的禁忌搜索法(TSB)的优化结果进行了比较,结果表明GATS方法具有更好的收敛性和更强的全局寻优能力.     

基于变尺度混沌理论与免疫遗传算法的电力系统无功优化

提出一种基于变尺度混沌理论与免疫遗传算法的混合智能无功优化算法。该算法利用混沌变量的遍历性、随机性和规律性特点，将混沌运动自身的遍历区域变换成优化变量的取值范围，通过对整个解空间进行考察实现了可行域内的全局优化搜索。同时通过变尺度方法不断缩小优化变量的搜索范围来实现局部细化搜索，从而增强混沌局部搜索能力，加快解的收敛速度，提高解的精度。文章最后以某地区实际电网为例，分别采用免疫遗传算法和混合智能算法对其进行无功优化计算，结果表明本文提出的混合智能算法在计算速度和全局收敛性方面有很大的提高。     

基于改进免疫遗传算法的无功优化

针对目前电力系统无功优化算法所存在的问题提出了一种改进的免疫遗传算法，该算法把模糊逻辑、模拟退火和免疫算法相结合，根据模糊逻辑获得变化的交叉和变异算子，采用退火免疫方法对抗体进行选择，用免疫算子进行个体更新，从而增加了群的多样性，避免陷入局部最优。同时，还采用十进制整数编码和保存最优个体法来提高计算速度和精度。最后以IEEE 30-bus系统为例对算法的性能和求解精度进行了测试，结果表明本文提出的算法比其他遗传算法在计算速度和全局收敛方面有了很大提高。     

伪并行遗传算法在无功优化中的应用

在无功优化中，应用矩阵奇异值分解理论，引入了静态电压稳定裕度最大化目标和并行遗传算法思想，提出了用于无功优化的伪并行遗传算法。该算法在一定程度上避免了常规遗传算法容易出现的“早熟”现象，收敛速度也有一定提高。对Ward＆Hale 6节点和IEEE 14节点系统进行了测试，计算结果表明，本文所提模型和算法是合理可行的。     

改进的免疫遗传算法在无功优化应用中的研究

无功优化是电力网络优化的主要措施,其实质是一个多目标非线性混和优化问题。采用免疫遗传算法来研究该问题的求解方法就是在传统遗传算法的基础上,借鉴生物免疫机制中抗体的多样性保持策略和记忆抗原的特点,大大提高了算法的全局搜索和局部搜索能力。实验表明,免疫遗传算法具有很好的全局收敛性,能有效解决无功优化问题。     

结合专家知识的遗传算法在无功规划优化中的应用

在遗传算法中采用专家知识辅助寻优,有助于改善寻优方向,防止过早收敛,由于无功功率不家远距离传输。因此电力系统中的无功平衡和电压调整具有很强的地区性。依据专家知识对少数被选中的个体动态形成本厂、站的就地无功／电压控制的有效变量集进行人工调整,可以改善遗传算法的局部寻优能力。该专家知识包括三个主要方面：消除电压越限、减少投资和降低网损。为了更符合实际情况,建立了母线电压对调节裕度的模糊隶属函数。对某实际系统的计算表明,结合专家知识的遗传算法能够更有效地找到全局最优。     

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。     

遗传算法在无功优化应用中的改进

将遗传算法应用于电力系统无功优化的同时,针对无功优化的实际,文章提出了在不同优化阶段,对目标函数各项罚因子采用不同权重,并且构造出分阶段适应性函数,以及提出了选择式杂交方式等改进措施。通过典型算例和实际系统的测试,证明了这些改进方法对遗传算法应用于无功优化计算的寻优速度和收敛特性都有明显提高。