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.     

基于粒子群算法的电力系统无功优化

将粒子群优化算法PSO应用到电力系统无功优化中,以网损最小为目标函数,建立了PSO无功优化的数学模型,并进行了仿真.仿真结果表明,PSO算法具有较好的全局寻优能力和较快的收敛速度,在无功优化领域有广阔的前景.     

基于自然选择粒子群算法含DG接入的配电网无功优化

以分布式电源接入配电网运行时产生的有功网损最小并能改善电压质量为目标,提出将自然选择机理与粒子群算法相结合的配电网无功优化方法。将DG向系统注入的无功功率作为配电网无功优化的控制变量,建立了包括目标函数、潮流方程等式约束和不等式约束的配电网无功优化数学模型。基于自然选择的粒子群算法其核心思想为每次迭代过程中将整个粒子群按适应值排序,用群体中最好的一半的粒子的速度和位置替换最差的一半的速度和位置,同时保留原来每个个体所记忆的历史最优值。通过对改进后的IEEE33节点配电系统进行仿真分析,结果表明所提出的算法具有很强的全局收敛性和稳定性,并能以最快的收敛速度搜索到系统最小网损值。     

基于自然选择粒子群算法的含DG接入的配电网无功优化

以分布式电源接入配电网运行时产生的有功网损最小并能改善电压质量为目标,提出将自然选择机理与粒子群算法相结合的配电网无功优化方法。将DG向系统注入的无功功率作为配电网无功优化的控制变量,建立了包括目标函数、潮流方程等式约束和不等式约束的配电网无功优化数学模型。基于自然选择的粒子群算法其核心思想为每次迭代过程中将整个粒子群按适应值排序,用群体中最好的一半的粒子的速度和位置替换最差的一半的速度和位置,同时保留原来每个个体所记忆的历史最优值。通过对改进后的IEEE33节点配电系统进行仿真分析,结果表明所提出的算法具有很强的全局收敛性和稳定性,并能以最快的收敛速度搜索到系统最小网损值。     

基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

基于环形拓扑的粒子群优化算法在无功优化中的应用

电力系统无功优化是一个复杂非线性的动态问题,将粒子群优化算法用于电力系统优化虽然取得了广泛的应用,但粒子群本身存在早熟的问题使得无功优化过程中容易陷入局部最优,导致优化效果不理想。针对粒子群因为全连接拓扑造成的早熟问题,将一种环形拓扑的粒子群算法用于无功优化,使用标准测试函数测试表明其性能较一般粒子群好,然后将其用于IEEE14节点的无功优化,结果表明其收敛结果明显优于原粒子群。     

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)...     

改进PSO算法在电力系统无功优化中的应用

将改进后的粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法运算过程繁琐、收敛精度不高、易陷入局部最优的缺点。该优化方法对粒子群算法进行了如下改进:采用简化粒子群优化方程和添加极值扰动算子两种策略,提出了简化粒子群优化(简称SPSO)算法、带极值扰动粒子群优化(简称DPSO)算法,将二者结合起来提出了带极值扰动的简化粒子群优化(简称DSPSO)算法。DSPSO以更小的种群数和进化代数获得了非常好的优化效果,使PSO算法更加实用化。对IEEE 6节点进行无功优化计算,并与其它算法进行了比较,表明该算法具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法。     

基于多目标混沌粒子群算法的矿区电网无功优化

为了提高矿区电网电能质量,降低电网线路有功网损,在无功优化基本数学模型的基础上,综合系统电压的静态稳定性,建立了多目标无功优化数学模型。针对粒子群优化算法在进化中易出现早熟收敛等问题,引入混沌粒子群优化算法。以IEEE30节点系统为算例,验证了多目标混沌粒子群算法的可行性。将该算法应用于矿区电网无功优化中,仿真结果进一步验证了该算法的有效性。     

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。     

基于改进粒子群优化算法的电力市场下的无功优化

在厂网分开、竞价上网的市场模式下综合考虑电力系统安全约束，建立了以有功网损和无功费用最小为目标函数并包含各种运行约束条件的电力系统无功优化数学模型。应用改进粒子群优化算法求解该无功优化模型，并结合动态调整罚函数法将无功优化问题转化成无约束求极值问题，从而有效地提高了改进粒子群优化算法的全局收敛能力和计算精度，使电网公司取得了最大经济效益。以IEEE30节点系统为例进行了仿真计算，结果表明了本文采用的无功优化模型和算法的正确性、适用性和较好的经济性。     

基于改进粒子群算法的配电网无功优化的研究

以有功网损最小为目标函数,以负荷节点电能质量和发电机的无功出力为罚函数,建立配电无功优化的模型。首先采用无功灵敏度分析方法确定补偿地点,然后对基本粒子群算法进行改进,最后用matpower中的算例对比分析了两种算法的优化结果,证明了无功优化模型和改进的粒子群算法的有效性与准确性。     

基于改进粒子群算法的中压配电网无功优化

建立了以年费用最小为目标函数的无功优化数学模型,提出一种融合裂变和变异操作的分合群粒子群算法求解该模型,并结合对系统分区、合理设置补偿上限等方法减小搜索范围,实现了同时求解补偿点和补偿量。算法在标准粒子群优化(particle swarm optimization,PSO)算法的基础上通过分群和裂变,保持粒子的多样性,避免收敛早熟;通过合群和变异,加强算法的搜索精度,提高算法的收敛稳定性。用IEEE 33节点系统进行仿真计算,与标准PSO算法对比表明,改进PSO算法在计算精度、收敛稳定性等方面具有明显优势;与无功二次精确矩法对比表明,改进PSO算法具有自动调整补偿点个数的能力,补偿方案经济性更好,能有效解决中压配电网的无功优化问题。     

基于改进粒子群算法的含DG配电网无功优化

含分布式电源(DG)配电网的无功优化是一个复杂的非线性优化问题,文中采用改进的粒子群算法(PSO)对配电网进行无功优化计算,建立以系统网损和电压平均偏离最小为目标函数,节点电压和电容器投切容量为约束条件的优化模型。在PSO中引入位置方差防止PSO陷入局部最优解,根据种群中粒子的适应度值对粒子进行变异处理,在保证算法收敛速度的基础上,改善算法性能。以含分布式电源的IEEE14节点配电系统为例进行无功优化分析,结果表明DG能增强电网运行的稳定性,所提算法具有较好的优化性能。     

基于量子粒子群混合算法的电力系统无功优化

针对传统粒子群算法在无功优化中易陷入局部最优和后期收敛慢等问题,提出了基于量子粒子群混合算法的无功优化计算方法.该算法将量子叠加态思想引入到粒子群算法中,使得单个粒子能表示更多的状态和量级,增加了种群的多样性;采用量子旋转门更新粒子的速度和位置,提高了收敛的速度.用该算法对IEEE 30节点系统进行无功优化计算,并与粒...     

基于SA-PSO的电力系统无功优化

粒子群优化算法是一种简便易行,收敛快速的演化计算方法。但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和模拟退火算法的思想,提出了一种新的模拟退火粒子群优化(simulated annealing particle swarm optimization,SA-PSO)算法,并将其应用于电力系统无功优化。对IEEE14节点系统进行了仿真计算,并与PSO算法作了比较,结果表明SA-PSO算法全局收敛性能及收敛精度均较PSO算法有了较大提高。     

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.