基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题。该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力。通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

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。     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收 敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题.该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力.通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快.     

基于家族优生学的配网重构

提出了用家族优生学(FEBE)的方法进行配网重构，该方法将正交设计技术引入家庭的子代培植过程中，以加强个体的行为改进，避免早熟，加快了进化后期的收敛速度，解决了大规模的配网重构收敛速度慢的问题。此外文中提出与配网结构特点相适应的编码方法，由联络开关所在的环确定基因组，以基因组中打开开关数量作为对子女的约束条件，修正不可行解，进一步提高计算效率。算例表明将FEBE用到配电网重构中，取得较好的效果。     

基于协同进化法的电力系统无功优化

针对无功优化问题非线性、非连续性等特点以及大范围内无功优化控制变量较多的问题，提出基于协同进化的无功优化算法以及相应的求解步骤。协同进化算法借鉴分解协调的思想，将无功优化问题分解为一系列相互联系的子优化问题，每个子优化问题对应于进化算法的一个种群，各种群通过共同的系统模型相互作用，共同进化，从而使整个系统不断演进，最终达到问题求解的目的。与常规的遗传算法相比，协同进化算法不但能得到更好的优化结果，收敛性好，而且克服了普通遗传算法计算时间过长的缺点，算例结果表明，该算法更适合于求解大系统的无功优化问题。     

基于协同进化算法的西北电网无功优化

西北电网全网无功分布具有典型的结构性特征。而常规遗传算法忽略了无功优化问题的结构性特征,计算时间过长,甚至找不到最优可行解。就此,采用协同进化算法对西北电网的无功优化问题进行研究,将西北全网划分成了甘青、陕西、宁夏3个子区,建立了每个子区自身的目标函数,采用常规遗传算法对子区内的控制变量先行优化,并将运算结果作为下一步协同进化计算的初始值,从而预先对参与运算的初始点进行了有效地筛选,以提高运算效率。实际运行算例表明,在收敛速度和迭代精度上,此协同进化算法均优于常规遗传算法。     

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.     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

基于混合优化微分进化算法的电力系统无功优化

阐述了一种基于混合优化微分进化算法的无功优化方法。混合优化微分进化算法是一种直接随机搜索方法,由在当前种群中随机采样的个体之间的基因差异来驱动,混合优化微分进化算法的主要思想是采用不同的策略产生变异算子,并在进化过程中采取父代和子代合群处理,来提高进化速度。将该无功优化方法在IEEE 30节点系统上进行了校验,并与基于其它算法的无功优化方法进行比较,仿真结果表明该算法具有收敛速度快、鲁棒性好、计算精度高的优点。     

基于电子电力变压器的配电网电压无功综合优化控制

将电子电力变压器EPT(E lectron ic Power Transform er)用于配电网,进行电压无功综合优化控制。电子电力变压器具有如下优点:可以发出和吸收无功,具有高度可控性;可以始终保持副方输出电压幅值恒定,不随负载变化且平滑可调;原方功率因数可调等等,这些都是常规的有载调压变压器(OLTC)所不具有的。但是,与常规OLTC的仿真研究不同,在含EPT的配电网无功优化中,遗传算法输出的控制变量是EPT原副方VSC的PWM调制系数和调制相角。另外,为了提高优化速度,文中还对简单遗传算法做了改进,改善了算法的收敛特性。算例分析表明,EPT取代配电网中常规的OLTC可有效降低网损,改善副方电压质量,大大减少无功补偿设备的投资费用,从而更好地满足用户对电能质量的要求。     

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。     

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。     

多场景下含风电机组的配电网无功优化的研究

研究了多场景下含风电机组的配电网无功优化问题。利用概率统计的思想解决了风电机组有功输出的不确定性问题,根据转子侧最大电流限制条件确立了风电机组无功输出范围。结合传统的电容器无功补偿方法,将风电机组作为连续可调无功源参与到配电网的无功优化。建立了以系统网损最小和节点电压越限惩罚为目标的无功优化模型。算例表明不同场景下的风电机组参与配电网无功优化可有效地降低系统的网损,提高各节点电压,同时,增强配电系统受风速影响的适应性。     

基于混沌遗传算法的电力系统无功优化

针对遗传算法在求解大规模电力系统无功优化问题中存在的收敛速度慢、易早熟的缺点,提出了一种新的无功优化算法——混沌遗传算法CGA。该方法结合混沌优化所具有的遍历性、随机性和规律性的特点,在遗传进化过程中引入混沌移民算子,通过混沌移民操作维持群体中染色体的多样性,以克服传统遗传算法中由于近亲繁殖所导致的早熟问题,确保算法的全局收敛性,加快计算速度。通过对某地区42节点系统进行仿真计算,该方法相比于简单遗传算法,计算速度提高了45%,收敛到全局最优的概率提高了1.25倍。     

基于协同粒子群优化算法的电力系统无功优化

为了解决粒子算法应用在电力系统无功优化中存在的问题,提出了一种改进的协同粒子优化算法.笔者根据电力系统无功优化问题非线性、不连续、大范围以及电压等级增多、无功优化控制变量较多的特点,建立了改进的协同粒子优化算法无功优化的数学模型,并将协同粒子群算法在无功优化中进行了应用.算例结果表明,该算法有效地改善了粒子群算法的局部收敛问题,缩短了搜索时间,提高了准确性.     

基于群搜索算法的电力系统无功优化

为了提高电力系统的运行效率和经济性能,用群搜索优化算法(Group Search Optimizer)对电力系统各控制变量进行合理配置,以此减少电力系统无功损耗。群搜索优化算法是一种新兴的群智能优化算法,该算法把群成员分为发现者、追随者和游荡者三种,其中游荡者的位置随机选定,这有效地避免了其他算法容易陷入局部最小值问题。选定电力系统中无功投入量、电压变比、发电机端电压等作为控制变量,通过群搜索优化算法对控制变量进行迭代计算和潮流计算,最终计算出最小的网络损耗及其对应的控制变量值。最后用Matlab7.6对IEEE-14、30节点系统进行仿真,并与其他群智能优化算法进行对比,结果显示,群搜索算法的收敛较快且稳定,最终证明了群搜索算法对无功优化的优越性。