电力系统无功优化多目标处理与算法改进

电力系统无功优化属于典型的多目标非线性复杂优化问题,求解非常困难。近年来,众多智能优化算法应用于该问题,其中粒子群优化(Particle Swarm Optimization,PSO)算法最具代表性;但PSO算法性能仍有待提高,如可能陷入局部极值。提出一种多策略融合粒子群优化(Particle Swarm Optimization with Multi-Strategy Integration,MSI-PSO)算法,对速度更新公式引入选择操作,分阶段加速因子调整和惯性权重动态调整,以平衡粒子局部搜索与全局探索能力;同时,随机选取部分性能差的粒子,将其速度更新公式中的个体认知部分修改为社会认知部分,以提高算法搜索精度和收敛速度。建立以系统网络损耗最小和系统电压稳定裕度最大为目标的无功优化仿真模型,分别考虑加权法、隶属度函数法和Pareto法实施多目标处理。针对IEEE30节点测试系统进行仿真实验,结果表明,和其他几种改进PSO算法以及基于pareto最优解集PSO算法进行对比,所提MSI-PSO算法具有更好的性能,能够有效求解电力系统多目标无功优化问题。     

多目标电网无功优化的量子遗传算法

在传统无功优化模型中引入静态电压稳定指标,建立了以网损最小、静态电压稳定裕度最大为目标的多目标无功优化模型。还介绍了量子遗传算法,它是一种基于量子计算概念的智能算法,用量子比特为基本信息位编码染色体,用基于量子概率门的量子变异实现个体进化,其收敛速度和全局寻优能力优于传统进化算法。将该算法用于电力系统无功优化并仿真计算了IEEE14、30节点系统,结果验证了模型和算法的有效性。     

基于改进粒子群算法的电压稳定约束无功优化

建立了考虑电压稳定性的电力系统无功优化模型,该模型以同时降低系统有功网损和提高静态电压稳定性为优化目标函数。针对标准粒子群算法(particle swarm optimization,PSO)容易陷入局部收敛和早熟的缺点,提出一种改进PSO算法对无功优化模型进行求解。利用适应度共享技术对粒子的适应度进行调整,以提高种群的全局寻优能力;引入学习因子动态调整策略,进一步平衡种群在解空间的全局探索能力和局部开发能力。IEEE 30节点系统的仿真结果验证了本文所提无功优化策略的合理性和有效性。     

基于差分策略的多目标电力系统无功优化

针对计及有功网损、电压偏差和电压稳定裕度的多目标无功优化问题,提出一种基于差分策略的粒子群算法对多目标电力系统无功优化进行求解。在粒子的速度更新操作中引入差分策略,防止算法陷入局部最优;应用目标序列排序矩阵评价个体适应度,根据适应度大小选择最优引导粒子;该算法在寻优机制中嵌入非劣排序和拥挤距离排序以对种群实施精英选择操作,使算法快速收敛到Pareto前沿;引入自适应参数调整策略,提高了算法的鲁棒性。对IEEE14节点系统和IEEE 30节点系统进行测试仿真,结果验证了所提方法的有效性和可行性。     

快速多目标无功优化方法在实际系统中的应用

多目标进化算法（MOEA）已经被应用到电力系统无功优化这一问题的求解,但是由于MOEA算法需要相当长的寻优时间,同时其优化结果针对性不强,因此难以用于电网的无功电压自动实时控制。将以ε-支配域为基础的多目标优化方法应用到实际系统的无功电压自动实时控制中,该方法包括多目标模糊评价函数、自适应ε-MOEA优化算法以及后评价模糊控制器。通过在一个实际35节点系统上的应用,验证了所提方法的有效性与实用性。     

基于免疫进化细菌觅食算法的多目标无功优化

为了更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,提出了一种基于免疫进化的改进多目标细菌觅食优化算法。该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。IEEE14,IEEE30节点测试系统的算例结果表明所提的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。     

三目标混合骨干粒子群算法的电力系统无功优化

电力系统无功优化通常以降低有功网损和减小电压偏移为目标,建立了综合考虑有功网损和电压偏移最小及电压稳定裕度最大的三目标无功优化模型。首次引入混合骨干粒子群算法用于解决电力系统无功优化问题。该算法利用关于粒子个体极值和全局极值的高斯分布对粒子位置进行更新,再通过K-均值聚类的方式,引入单纯形法对有代表性的粒子进行单纯形搜索,使算法既能够具备较强的全局搜索能力,又能够提高收敛速度和精度。将该算法和其他算法应用于IEEE-14节点系统中进行无功优化,通过数据的计算和比较,结果验证了该模型和算法用于解决多目标电力系统无功优化问题的优越性和实用性。     

基于多目标决策协调进化算法的电力系统无功优化

在传统无功优化模型基础上,建立了以系统有功网损、静态电压稳定裕度、电压偏差、无功补偿容量和发电机发电成本的多目标无功优化模型。采用多目标决策协调进化算法对电力系统无功进行优化,将多目标决策协调算法与群体进化理论有机结合起来,在有限的群体内对每个个体按协调算法进行排序,以提高优化方法的有效性。通过Matlab7．0编程对IEEE30和IEEE14节点算例系统进行计算。计算结果表明,该方法具有系统网损、电压偏差及无功补偿容量小、发电机发电成本低和系统稳定裕度高的特点。     

基于电压稳定影响的多目标无功优化研究

传统的无功优化问题常以经济性指标为主,会使系统运行在临界点附近,极易引发电压崩溃事故。在传统无功优化模型基础上,综合考虑系统有功网损最小、电压波动最小和静态电压稳定裕度最大,建立了集经济运行和安全稳定于一体的多目标优化模型。针对约束多目标优化问题提出了一种多策略多目标粒子群优化算法(MSMOPSO)。将提出的MSMOPSO算法应用到多目标无功优化问题中,通过对IEEE-30节点系统进行仿真校验,结果表明所提算法在收敛速度、精度及鲁棒性上均具有明显优势,是求解多目标无功优化的有效方法。     

考虑新能源接入的电网有功无功协调双层优化策略研究

随着高比例新能源接入电力系统,电网的安全、经济运行面临巨大的挑战。该文提出了考虑储能和多无功源的有功无功协调多目标优化控制策略。建立以有功网损和电压偏差最小的双层优化调度模型;采用鲸鱼群算法对该模型进行求解,得到帕累托最优解的分布;根据优化结果制定无功补偿装置的投切功率以及储能系统充放电策略,提升系统电压稳定性与平缓新能源出力波动,有效减少功率损耗,实现电网的安全、节能运行;在改进IEEE39节点系统上进行分析,验证所提模型与求解算法的有效性与合理性。     

基于混沌优化算法的电力系统无功优化

混沌优化利用混沌变量的特定内在随机性和遍历性来跳出局部最优点 ,而线性搜索可以提高局部空间的搜索速度和精度。本文将基于线性搜索的混沌优化算法用于电力系统无功优化。应用该算法对IEEE6、1 4、30节点系统进行了无功优化计算 ,结果表明该算法是正确可行的     

基于自适应小生境粒子群优化算法的电力系统无功优化

针对电力系统无功优化问题,提出用自适应小生境粒子群优化ANPSO(Adaptive Niche Panicle Swarm Optimization)算法来克服粒子群优化(PSO)算法容易早熟而陷入局部最优解的缺点.以粒子的位置状况及其2个向量点积的符号动态生成小生境半径,根据各粒子之间的距离组成小生境种群.在小生境群体中运用粒子群优化算法进行寻优,对于更新后的群体根据粒子间的距离,利用共享机制改变粒子的适应度,用以提高整个群体的全局寻优能力.通过对IEEE 6、14、30和118节点测试系统的无功优化问题计算及结果分析,并且与其他算法进行比较,结果表明该算法收敛成功率高,能获得较好的解.     

基于改进粒子群算法的多目标无功优化

提出了一种基于粒子群算法的多目标优化方法,该算法采用Pareto支配关系来更新粒子的个体最优和全局最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分散性;采用动态惯性权重来平衡粒子的局部和全局搜索能力,并将该算法应用于IEEE14节点系统的多目标无功优化     

基于强引导粒子群与混沌优化的电力系统无功优化

为解决粒子群优化后期搜索速度较缓慢,易陷入局部最优的问题,提出一种基于强引导粒子群与混沌寻优相结合的电力系统无功优化算法,该算法在采用强引导型粒子群的基础上引入混沌优化以进一步提高全局寻优能力,即在粒子群算法的基础上引入强引导思想,在搜索初期,对粒子位置的更新加以引导,减少算法随机性以提高搜索效率。为进一步解决寻优后期粒子可能陷入早熟收敛的问题,利用混沌优化具有"奇异吸引子"的特性,在解空间进一步搜索,两者的结合可以更有效地搜索到全局最优解。通过对某高压配电网的具体计算,最优降损率可以达到14.04%,节点最低电压从0.895 0 p.u.提高到0.995 6 p.u.,结果表明该算法应用在电力系统无功优化领域的可行性和有效性。     

多智能体搜寻者优化算法在电力系统无功优化中的应用

针对无功优化这个典型的非线性问题,提出了一种基于多Agent系统的搜寻者优化算法MASOA (Multi-agent Seeker Optimization Algorithm)来求解.该算法针对SOA算法邻域划分随意性较大,融入智能体技术,在改进SOA算法邻域划分合理性的同时,提高粒子寻优的准确度;利用SOA算法的进化机制,引入自适应思想,使新算法具有良好的非线性搜索能力,更好地适应无功优化问题.以网损最小为目标函数,在IEEE 30节点系统上进行测试,并与四种智能算法进行比较,结果表明,MASOA在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中.     

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.     

多智能体搜寻者优化算法在电力系统无功优化中的应用

针对无功优化这个典型的非线性问题,提出了一种基于多Agent系统的搜寻者优化算法MASOA (Multi-agent Seeker Optimization Algorithm)来求解。该算法针对SOA算法邻域划分随意性较大,融入智能体技术,在改进SOA算法邻域划分合理性的同时,提高粒子寻优的准确度;利用SOA算法的进化机制,引入自适应思想,使新算法具有良好的非线性搜索能力,更好地适应无功优化问题。以网损最小为目标函数,在IEEE 30节点系统上进行测试,并与四种智能算法进行比较,结果表明,MASOA在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法(AFPSO)是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法.通过采用AFPSO算法,对电力系统进行无功优化.该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30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AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性.     

仿生粒子群算法在电力系统无功优化中的应用

本文在标准粒子群算法的基础上,遵循群体寻优的生物特性,提出了仿生粒子群算法。初期将群体动态地分成多个子群,每个子群相对独立地向一个目标进化,子群的成员随着进化过程不断地更迭。后期增加子群间的信息交流,使算法更快收敛。该算法不仅丰富了种群的多样性,避免过早收敛于局部最优解,而且有较快的收敛速度。文中将该算法应用于电力系统无功优化中并与标准粒子群算法进行了比较,通过对IEEE30节点和IEEE118节点的算例仿真,证明了该算法的可行性和有效性。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30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AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性。