改进遗传算法在电力系统无功优化中的应用

电力系统的无功优化控制,不仅能有效地降低系统的有功功率损耗,而且还可以改善电网的电压质量,对系统的安全稳定、经济运行具有非常重要意义。无功优化问题是一个含有连续变量和离散变量的混合优化问题,求解过程相当复杂,电力系统无功优化问题属于最优潮流问题的一个组成部分。探讨了求解无功优化的现代人工智能算法,总结分析了遗传算法的特点及使用情况。为提高解的质量与计算效率,对遗传算法做了改进,并将其应用于电力系统无功优化中。     

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。     

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。     

改进量子遗传算法在无功优化中的应用

提出了一种基于改进量子遗传算法的电力系统无功优化方法。采用量子比特对控制量进行编码,通过改进量子旋转门来提升寻优质量,它能够自适应地计算旋转角度,提高全局的搜索能力,缩减搜索代数,加快搜索速度,同时避免陷入局部最优,通过采用IEEE14节点和IEEE30节点进行验证,结果表明其效果良好。     

遗传算法在电力系统无功优化中的应用

在利用遗传算法求解电力系统的无功优化问题，在优化编码和变异概率取值两个方面进行了研究，进一步推动了遗传算法在实际系统优化问题中的应用。在电力系统无功优化这个具有多局部极小值的寻优方面，把遗传算法所求得的无功优化结果和传统的基于梯度寻优方向的非线性规划法所得的优化结果进行比较，指出了遗传算法在处理非连续的和非平滑的函数寻优方面优于传统的寻优方法，具备全局寻优的能力。     

遗传算法在电力系统无功优化中的应用

遗传算法(GA)是近10年来发展的基于自然选择规律的一种优化方法,算法能成功的解决无功变量中的离散问题,避免常规数学优化方法的局部最优现象。根据众多参考文献,阐述了简单遗传算法(SGA)以及GA与其他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。     

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。     

遗传算法及其在无功优化中的应用

遗传算法是近几年发展起来的一种全局优化算法，它将生物遗传学的一些机理应用于工程问题。本文将其应用于电力系统无功优化，算例表明它是降低电网损耗的一种有效算法。     

改进遗传算法的无功优化规划在伊盟电网中的实现

电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划。用常规的线性和非线性等方法进行优化计算,存在离散变量的近似处理问题,不符合无功规划的实际。而遗传算法由于自身特点,特别适合于解决多目标混合优化方面的问题,具有稳定的收敛特性,是一种先进的全局优化方法。基不足之外在于计算时间长,在种群和遗传代数不是足够大的情况下,易于收敛于局部极值点。为些提出了改进遗传算法,在计算速度和计算精度方面较传统遗传算法均有明显提高。     

应用于电力系统无功优化的改进遗传算法

遗传算法是近些年发展起来的基于自然选择规律的一种优化方法。本文在传统遗传算法的基础上，对遗传操作进行了进一步研究和改进，提出了改进遗传算法，电力系统的无功优化问题实例计算表明，改进遗传算法的优化结果可以更有效地达到或接近全局最优。     

分布计算的遗传算法在无功优化中的应用

为了快速有效地求解电力系统无功优化问题,提出了一种分布式并行计算的遗传算法。它采用主从方式来组织局域网内的多台机器进行并行计算——由1台主机进行选择和遗传操作,并根据负荷均衡的原则调度多台从机计算潮流以给出个体适应值。根据无功优化的特点,为了增加算法并行度,就编码方案、基于多目标函数的适应度求解和遗传操作等方面对遗传算法进行了详尽的设计。文中还着重分析了并行处理效率的相关问题。算例表明该方法不仅取得了较好的优化效果,而且显著地提高了计算速度。     

基于改进遗传算法的多目标无功优化

阐述了用于无功优化的改进遗传算法,在已有改进简单遗传算法的基础上,提出在含有多个目标的目标函数中采用线性变化和指数变化规律的越界罚系数,并对适应度函数进行模拟退火修正以保持种群的多样性和加快收敛;采用遗传因子自适应变化和改进的变异操作,可使遗传算法的全局优化和局部寻优能力大为提高.IEEE14节点系统的仿真计算结果表明,该方法在计算速度和收敛能力上优于简单遗传算法,且罚系数采用指数规律变化比采用定值或线性变化规律时收敛能力有明显改善.     

无功功率优化的改进退火选择遗传算法

作提出的改进退火选择遗传算法用于电力系统无功优化,其特点在于采用灵敏度选择无功补偿地点,缩小了遗传算法的搜索范围;用退火选择进行个体更新,保持了群的多样性,避免陷入局部最优;采用十进制编码、竞争繁殖和逐代记录最优法来加快计算速度和精度;用不定交叉和变异概率来更好地发挥交叉和变异的作用,并且进行适应度定标,促进全局最优。通过对TEEE6节点系统计算分析表明,该方法和简单遗传算法相比有更快的计算速度和更强的全局收敛能力。     

多目标优化改进遗传算法在电网规划中的应用

针对电网规划的多目标性,提出一种改进的多目标优化遗传算法。该算法利用多种群概念很好地完成了优化过程中的多目标归一问题,提高了优化速度,算法中的变权重因子使规划工作人员可以方便地将决策的侧重倾向加入到优化过程中,从而更好地符合实际需要。     

具有优化路径的遗传算法应用于电力系统无功优化

在对遗传算法深入研究的基础上,针对其求解时间过长的问题,引入优化搜索路径的思路,提出无功功率分层分块优化控制和进化灵敏度分析的方法,对常规遗传算法搜索路径的随机性和变异,交叉这两种遗传操作进行本质上的改善,另外,在常规无功优化目标函数的基础上,提出了包括含“调节代价”的目标函数,通过对算例的优化计算结果可以看出,文中介绍了的无功优化算法比常规算法优越,计算速度快,实用性强。     

基于遗传算法的无功规划优化

提出了一种应用于电力系统无功规划优化问题的改进遗传算法。该算法对传统遗传算法的编码方式、群体规模以及遗传３算法等方面进行了     

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。     

基于遗传算法的无功优化在鄂州电网中的实现

在简要分析传统的电力系统无功优化方法的局限性之后,指出在无功优化问题中引入遗传算法（ＧＡ）的必要笥和可行性,然后将基于遗传算法的无功优化方法用一以往多操作要管理专家系统无功优化子系统中,论述了基于ＧＡ的无功优化方法的程序流程,着重解决了在实际应用时遇到的几个问题,即无功优人强离散变量的处理、目标函数及相关参数值的选取等。所开发系统的实际运行结果表明,该算法可有效地减少系统的网络损耗,产生较好的社会