电力系统无功优化的LRS-PSO算法

提出一种应用局部随机搜索粒子群优化（LRS—PSO）算法求解电力系统无功优化的新方法。使用概率调用策略调用局部随机搜索（LRS）算子。给出了适合无功优化问题的LRS算子的具体实现以及应用LRS—PSO算法求解电力系统无功优化的步骤。对IEEE30节点测试系统进行了无功优化计算,并与标准遗传算法（SGA）、粒子群优化（PSO）算法的测试结果进行了比较。仿真结果表明,与SGA、PSO算法相比,应用LRS—PSO算法求解无功优化问题具有质量更高的解,收敛特性更好。     

A hybrid genetic algorithm-interior point method for optimal reactive power flow

By integrating a genetic algorithm (GA) with a nonlinear interior point method (IPM), a novel hybrid method for the optimal reactive power flow (ORPF) problem is proposed in this paper. The proposed method can be mainly divided into two parts. The first part is to solve the ORPF with the IPM by relaxing the discrete variables. The second part is to decompose the original ORPF into two sub-problems: continuous optimization and discrete optimization. The GA is used to solve the discrete optimization with the continuous variables being fixed, whereas the IPM solves the continuous optimization with the discrete variables being constant. The optimal solution can be obtained by solving the two sub-problems alternately. A dynamic adjustment strategy is also proposed to make the GA and the IPM to complement each other and to enhance the efficiency of the hybrid proposed method. Numerical simulations on the IEEE 30-bus, IEEE 118-bus and Chongqing 161-bus test systems illustrate that the proposed hybrid method is efficient for the ORPF problem.     

混合粒子群优化算法在电网规划中的应用

在含被动聚集因子的粒子群优化(particle swarm optimization with passive congregation,PSOPC)算法和和谐搜索(harmony search,HS)的基础上,构建了一种新的混合粒子群优化(heuristic particle swarm optimization,HPSO)算法。该算法根据电网规划的特点,采用“飞回机制”处理变量的约束条件,利用和谐搜索处理规划问题的约束条件,使粒子群在迭代过程中始终保持在可行域内,同时该算法中引入了被动聚集因子,有效改善了粒子的进化机制,提高了粒子的自由搜索能力。18节点算例验证了该算法应用于电网规划的正确性和有效性,HPSO算法、粒子群优化算法和PSOPC算法的比较结果表明该HPSO算法具有较好的收敛性能。     

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。     

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。     

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。     

Solution of optimal reactive power dispatch of power systems using hybrid particle swarm optimization and imperialist competitive algorithms

Management of reactive power resources is essential for secure and stable operation of power systems in the standpoint of voltage stability. In power systems, the purpose of optimal reactive power dispatch (ORPD) problem is to identify optimal values of control variables to minimize the objective function considering the constraints. The most popular objective functions in ORPD problem are the total transmission line loss and total voltage deviation (TVD). This paper proposes a hybrid approach based on imperialist competitive algorithm (ICA) and particle swarm optimization (PSO) to find the solution of optimal reactive power dispatch (ORPD) of power systems. The proposed hybrid method is implemented on standard IEEE 57-bus and IEEE 118-bus test systems. The obtained results show that the proposed hybrid approach is more effective and has higher capability in finding better solutions in comparison to ICA and PSO methods.     

多目标混合进化算法及其在经济调度中的应用

鉴于环境保护的要求,对于经济调度问题,需同时考虑环境要求、发电费用等多个目标。提出一种基于进化规划(evolutionary programming,EP)和粒子群优(particle swarm optimization,PSO)的多目标混合进化算法(multi-objective evolutionary programming and particle swarm optimization,MOEPPSO),MOEPPSO采用了EP的变异操作,用来抑制PSO的快速收敛所带来的种群早熟问题,而PSO的记忆、协作能力则弥补了EP收敛速度慢的缺点。此外,MOEPPSO应用自适应网格算法对外部库中的Pareto解集进行调整,对一个30节点IEEE系统进行计算,结果显示MOEPPSO在获得最优Pareto解集、降低计算复杂度、提高收敛效率等方面具有很强的优越性。     

含维变异的量子粒子群算法在无功优化中的应用

量子粒子群优化算法(QPSO)避免了粒子群算法(PSO)不能保证收敛到全局最优解这个缺点,认为粒子具有量子的行为,并且可以在整个可行解空间进行搜索。无功优化问题是带有离散变量的非线性、不连续、多约束、多变量的复杂优化问题。本文考虑到优化过程中避免陷入局部最优,应用含维变异QPSO算法并结合动态调整罚函数的方法来解决无功优化问题。并对标准IEEE-30节点系统进行仿真计算,并与QPSO、PSO、GA算法进行了比较,表明该算法能够获得更好的全局最优解。     

New optimal placement of capacitors and dispersed generators using bacterial foraging oriented by particle swarm optimization algorithm in distribution systems

The shunt capacitor devices are utilized in distribution systems to possibly reduce reactive component of power losses. Besides, the dispersed generator (DG) units can be used to supply active power of loads and reduce active component of power losses. In this paper, by applying the multi-objective problem, optimal placements of these devices are determined based on bacterial foraging (BF) oriented by particle swarm optimization (PSO) algorithm (BF-PSO). The considered objective function includes the cost reduction of power losses and installation costs of shunt capacitor devices and DG units. Also, the problem solution at different load levels and the utilization of capacitor discrete values are performed for optimization. Finally, the proposed method is compared with genetic algorithm (GA), differential evolution (DE), and PSO methods. They are investigated on the IEEE 69-bus distribution system. The simulation results indicate the advantages of the proposed method for the optimization problem.     

基于改进平衡优化器的电力系统最优潮流计算

针对原始平衡优化器(equilibrium optimizer,EO)难以较好平衡算法搜索能力和利用能力的不足,提出一种基于自适应生成概率的改进平衡优化器(modified equilibrium optimizer,MEO)来求解电力系统的最优潮流计算问题。以系统网损、电压偏移和发电成本为目标,将改进平衡优化器用于IEEE118节点系统的潮流计算问题。通过与原始平衡优化器和粒子群算法(particle swarm optimization,PSO)进行对比,改进平衡优化器在3个目标上均取得了较好的求解结果,验证了改进算法的优越性。     

邻域拓扑粒子群优化算法在电力系统无功优化中的应用

提出了一种基于邻域拓扑粒子群优化算法(NTPSO)的大规模电力系统无功优化新算法。该算法在概念上比标准PSO算法更精确,认为每个粒子是受它邻域范围内最优粒子的影响。研究了当前流行的五种邻域拓扑结构得到五种邻域拓扑粒子群优化算法,其中包括已在一系列标准函数上测试过的比其它拓扑效果更好的Square拓扑。文中应用这五种NTPSO分别对IEEE30节点系统和IEEE57节点系统进行了无功优化的仿真计算,结果表明基于Square拓扑的NTPSO算法的优化效果最好,为求解大规模电力系统无功优化问题提供了新的思路。     

改进粒子群优化算法及其在电网无功分区中的应用

提出一种改进粒子群优化算法并将其应用于电网无功分区,以复杂网络社团结构理论为基础,建立以电气距离为权重的电力系统加权网络模型,以模块度为标准量化地评价无功分区的划分质量。改进粒子群优化算法采用了新的粒子编码方式与位置更新方式,提高了以模块度为目标函数的启发式算法的收敛速度并减少了存储空间。通过改进粒子群优化算法得到的无功网络具有较强的区域解耦特性,分区内部电气联系紧密,区域之间联系稀疏,无功分区结构合理。该算法在IEEE 39节点系统、IEEE 118节点系统及大型电网的应用结果表明了该算法的合理性及有效性。     

Optimal Rescheduling of Generators for Congestion Management Based on Particle Swarm Optimization

Power system congestion is a major problem that the system operator (SO) would face in the post-deregulated era. Therefore, investigation of techniques for congestion-free wheeling of power is of paramount interest. One of the most practiced and an obvious technique of congestion management is rescheduling the power outputs of generators in the system. However, all generators in the system need not take part in congestion management. Development of sound formulation and appropriate solution technique for this problem is aimed in this paper. Contributions made in the present paper are twofold. Firstly a technique for optimum selection of participating generators has been introduced using generator sensitivities to the power flow on congested lines. Secondly this paper proposes an algorithm based on particle swarm optimization (PSO) which minimizes the deviations of rescheduled values of generator power outputs from scheduled levels. The PSO algorithm, reported in this paper, handles the binding constraints by a technique different from the traditional penalty function method. The effectiveness of the proposed methodology has been analyzed on IEEE 30-bus and 118-bus systems and the 39-bus New England system.      

一种混合智能算法在配电网络重构中的应用

提出了一种新的混合智能方法用来解决配电网络重构问题。该方法结合了遗传算法（GA）和粒子群优化算法（PSO）两者的优点，体现出较GA和PSO更好的寻优性能。在寻优过程中，部分个体以PSO方法迭代，其它个体进行GA中的交叉和变异操作，整个群体信息共享，同时采用自适应参数机制和优胜劣汰的思想进化。通过对IEEE16节点、IEEE33节点、IEEE69节点测试系统的计算和分析表明，该方法在解决配电网络重构问题上具有很高的搜索效率和寻优性能。     

基于自适应模糊粒子群算法的电力系统无功优化研究

针对传统粒子群算法搜索精度低和易早熟的缺点,提出了一种自适应模糊粒子群算法(AFPSO)对电力系统进行无功优化.该算法对惯性权重进行非线性的调整,有效地提高了算法的收敛速度和精度,并对位置的更新采用模糊控制,较好地解决了粒子群易早熟的问题.将该算法应用于无功优化问题中,在IEEE-30节点系统上进行测试,证明了AFPSO算法的有效性和优越性.     

基于TCSC技术和粒子群优化算法的电力系统阻塞疏导方法

提出了一种基于晶闸管控制的串连电容器(thyristor controlled series capacitor,TCSC)技术和粒子群优化算法的电力系统阻塞疏导方法。首先根据线路灵敏度分析确定安装TCSC的线路;然后提出了电力市场环境下电网中含有TCSC装置的阻塞疏导计算数学模型;最后运用粒子群优化算法对这一数学模型进行参数优化,达到疏导电网阻塞的目的。IEEE 14节点系统算例表明,基于TCSC技术进行电网阻塞疏导是有效、合理的。     

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。     

基于鲸鱼优化算法的无功优化调度

针对目前电力系统中的无功优化问题尚缺乏一种能兼顾求解的高效性与全局搜索最优性的方法,本文将一种新的启发式算法--鲸鱼优化算法(WOA)运用到电网无功优化调度中,以系统有功功率损耗最低为目标函数,通过引入惩罚函数建立无功优化模型,对IEEE-14节点系统与IEEE-30节点系统进行仿真,并利用单因素方差分析法(One-way ANOVA)将所得结果与之前的粒子群优化算法(PSO)及引入加速度系数的时变粒子群优化(PSO-TVAC)进行比较,研究表明WOA算法在迭代次数、搜索能力及收敛问题上的潜力,并证明了在解决电力系统无功优化问题上的鲁棒性和有效性,同时也为解决非线性约束问题提供了新途径。