实用的无功优化混合算法

为充分发挥遗传算法和内点法在求解无功优化问题中的优势,提出了一种混合算法用于电力系统的无功优化,将无功优化问题分解为离散优化和连续优化2个子问题,采用遗传算法和内点法分别求解。首先在遗传算法初始群体的确定中嵌入内点法计算,在改善遗传算法初始种群质量的同时求解连续优化子问题,并在初始种群中添加一组纯内点法的优化结果,使系统在一种次优状态再转入离散优化子问题,缩小搜索空间,大大加快了遗传算法的收敛速度。并对两种算法进行了实用性的改进,提高了算法的寻优效率。IEEE30节点系统仿真计算结果表明,与其他混合算法相比,该算法在计算速度和收敛能力方面都具有优势,且优化效果也可满足实际的需要。     

基于分布式协同粒子群优化算法的电力系统无功优化

该文提出一种新颖的用于求解无功优化问题的分布式协同粒子群优化算法.考虑到大规模电力系统集中优化难度较大,采用分层控制中的分解-协调思想将大系统分解成若干个独立的子系统,有效地降低求解问题的复杂度,并采用混合策略在各子系统问进行协同进化.此外,子系统的无功优化采用了一种改进的粒子群优化算法,考虑了更多粒子的信息,能有效地提高算法的收敛精度和计算效率.对4个不同大小规模的系统进行的仿真计算结果表明该文提出的方法能够获得高质量的解,并且计算时间短,效率高,适合求解大规模电力系统的无功优化问题.     

基于适应性权重遗传算法的多目标无功优化研究

研究一种多目标无功优化问题的求解方法。基于无功分层分区平衡以及保证紧急情况下电网安全的原则,给出了在电网正常情况下优先投切电容器、调节变压器分接头,然后设定机端电压的优化调控顺序,进一步提出将优化问题分解为连续变量优化和离散变量优化问题,并分别求解,迭代直至收敛的求解思路。鉴于多目标无功优化模型的复杂性,以及连续、离散控制变量并存,采用遗传算法求解,重点研究了控制变量的编码方案以及选择、交叉、变异以及保留操作策略。针对于多目标无功优化各个目标权重难以确定问题,又进一步引入了适应性权重遗传算法,随着遗传代数的进化算法能自适应地给出各个目标权重。仿真算例验证了文中所提的多目标无功优化求解方法的合理性。     

基于适应性权重遗传算法的多目标无功优化研究

研究一种多目标无功优化问题的求解方法.基于无功分层分区平衡以及保证紧急情况下电网安全的原则,给出了在电网正常情况下优先投切电容器、调节变压器分接头,然后设定机端电压的优化调控顺序,进一步提出将优化问题分解为连续变量优化和离散变量优化问题,并分别求解,迭代直至收敛的求解思路.鉴于多目标无功优化模型的复杂性,以及连续、离散控制变量并存,采用遗传算法求解,重点研究了控制变量的编码方案以及选择、交叉、变异以及保留操作策略.针对于多目标无功优化各个目标权重难以确定问题,又进一步引入了适应性权重遗传算法,随着遗传代数的进化算法能自适应地给出各个目标权重.仿真算例验证了文中所提的多目标无功优化求解方法的合理性.     

基于基因拟子协同进化算法的水电优化调度研究

设计了一种基因拟子协同进化算法(GMCA),并应用于水电优化调度问题.基于基因拟子协同进化理论,定义了算法中的拟子和文化的概念,设计了算法步骤,设计了发展、感染、复兴、消亡四个文化进化算子和判断文化衰老的方法,建立了算法求解水电优化调度问题的方法和流程,通过仿真验证了算法的有效性.与遗传算法(GA)、混合遗传算法(HGA)、粒子群算法(PSO)等相比较,基因拟子协同进化算法显得更为有效.这为水电优化调度等问题提供了新的求解技术.     

考虑大量分布式电源接入的主配网协同优化控制

大量分布式电源(DG)接入配网增强了主、配网间的联系,其优化控制需进行协同分析。提出了一种主配网一体化无功优化模型与算法,采用主从分裂法将问题分解为主网优化子问题、配网优化子问题、边界状态变量匹配子问题。采用分支定界-半正定规划法求解主网OPF子问题;采用二阶锥规划求解配网OPF子问题;通过分解协调计算确定优化控制策略,保证了主、配网无功优化的经济性和安全性。对IEEE30节点系统(主网)和IEEE33节点系统(配网)进行算例仿真,验证了模型和算法的有效性。     

基于分层分区协同进化算法的电力系统无功优化

随着电力系统的大范围互联以及电压等级的增多,无功优化问题变得越来越复杂。无功优化问题是一个多变量、非线性、非连续性问题,在不同电压等级电网中无功又有不同的特点。针对电力系统无功优化的上述特点以及大范围互联电网控制变量较多的问题,提出了按电压等级将电力系统分层,各层之间独立优化互不影响,层内分区域并采用协同进化算法优化的方法。对于电力系统分层的方法作了探讨,提出了节点分裂的方法。在此基础上针对层内无功优化详细讨论了协同进化算法的原理、步骤以及其应用。IEEE30节点的算例表明,该方法要优于DFP,BFS等经典优化算法以及普通遗传算法。     

协同进化算法及其在电力系统中的应用前景

协同进化算法是一种新的进化算法框架，该算法借鉴自然界中的协同进化机制，在传统单物种进化算法的基础上引入生态系统的概念。生态系统中多个物种相互作用，共同进化，从而使整个系统不断演进。将应用领域待求解的问题映射为生态系统，以生态系统的进化来达到问题求解的目的。协同进化算法符合进化博弈论的理论框架，对于各种不同领域问题的求解都取得成功。文中综述了国内外协同进化算法的发展状况，介绍了协同进化算法的基本理论，探讨了该算法在电力系统和电力市场中的可能应用。将该算法引入电力系统和电力市场的研究，可以为电力系统的优化规划和运行、电力市场的竞价机制设计和投标策略优化以及电力市场计算机模拟提供新的方法。     

基于并行协同粒子群优化算法和PC集群的无功优化

针对大规模电力系统无功优化高维度、非线性、不连续的问题,提出一种并行协同粒子群优化算法.该算法基于消息传递接口技术,采用二级并行的方案求解无功优化问题.第1级并行是通过控制变量分组,将原优化问题分解成几个相互关联的子优化问题,每一个子优化问题对应一个子粒子群,各子粒子群相互协同,共同求取最优解.第2级并行是指用粒子群优化算法求解子优化问题时使用多个进程并行求解,进程间采用对等模式分配计算任务,提高了优化效率.此外,为了增强粒子群优化算法的全局寻优能力,在优化过程中对其参数进行了动态调整.通过在PC集群上对IEEE 118节点系统和IEEE 300节点系统进行仿真计算,验证了该算法能取得较好的优化结果,具有较高的加速比和可扩展性,能满足大规模电力系统无功优化的需要.     

发电机组优化组合的模型与算法综述

给出了机组优化组合的数学模型,重点探讨了求解该问题的各种模拟进化算法,包括遗传算法、免疫算法、蚁群优化算法、粒子群优化算法、社会演化算法、协同进化算法以及混沌优化方法等。     

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。     

利用强度Pareto进化算法的多目标无功优化

为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,首次将强度Pareto进化算法(SPEA2)应用于多目标无功优化,为真正意义上的多目标无功优化提供了依据。SPEA2是一种新型的多目标进化算法,参数设置少,收敛速度快,寻优能力强,求得的Pareto最优解分布均匀。IEEE30节点测试系统的算例结果表明所提出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。     

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)...     

计及UPFC的电力系统多阶段多目标无功优化算法

统一潮流控制器(UPFC)并联侧连续的无功调节能力为电力系统无功优化提供了新的控制手段。基于此,首先建立适用于新型UPFC拓扑的UPFC稳态模型;然后考虑无功设备动作次数的约束,明确多目标无功优化问题的目标函数和约束条件,建立计及UPFC的多目标无功优化模型;接着,提出一种多阶段方法对其进行求解,其中,第一阶段将原问题进行松弛并采取归一化的方法统一多个目标的量纲,第二阶段基于规格化平面约束法获取松弛问题的Pareto最优候选解集,并给出折衷解的选取方法,第三阶段基于三角罚函数法对折衷解中的整数变量进行归整,获取原问题的最优折衷整数解。最后,对南京西环网实际等值系统进行算例测试,验证了算法的有效性及UPFC在无功优化问题中的应用前景。     

Quasi-oppositional differential evolution for optimal reactive power dispatch

This paper presents quasi-oppositional differential evolution to solve reactive power dispatch problem of a power system. Differential evolution (DE) is a population-based stochastic parallel search evolutionary algorithm. Quasi-oppositional differential evolution has been used here to improve the effectiveness and quality of the solution. The proposed quasi-oppositional differential evolution (QODE) employs quasi-oppositional based learning (QOBL) for population initialization and also for generation jumping. Reactive power dispatch is an optimization problem that reduces grid congestion with more than one objective. The proposed method is used to find the settings of control variables such as generator terminal voltages, transformer tap settings and reactive power output of shunt VAR compensators in order to achieve minimum active power loss, improved voltage profile and enhanced voltage stability. In this study, QODE has been tested on IEEE 30-bus, 57-bus and 118-bus test systems. Test results of the proposed QODE approach have been compared with those obtained by other evolutionary methods reported in the literature. It is found that the proposed QODE based approach is able to provide better solution.     

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。     

含新型统一潮流控制器的电力系统安全校正模型

统一潮流控制器(UPFC)串联侧和并联侧接于不同母线的新型拓扑使得UPFC的传统稳态模型难以适用,灵敏度类安全校正方法忽略了无功功率的影响,可能会引入新的不安全因素。基于此,提出一种适应性更强的UPFC稳态模型,并提出一种含UPFC的潮流计算优化模型。在考虑无功功率的影响后,引入0-1变量将安全校正问题转化为以调整设备数目最少和调整量最少为目标的多目标优化问题。然后,通过权重区分发电机节点和负荷节点,减少切负荷动作的发生。最后,利用极大值法将多目标优化问题转化为单目标优化问题,降低模型求解难度。116节点实际等值系统的算例测试表明,所述安全校正模型可利用最少的调整设备和调整量,消除系统过载故障。UPFC参与调控可提高系统安全校正效率。     

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.     

基于改进遗传算法的电力系统多目标无功优化

针对遗传算法在求解多目标无功优化方面存在的缺陷,本文提出了基于蜜蜂双种群进化型云自适应遗传算法(double bee population evolutionary cloud adaptive genetic algorithm,BEPE-CAGA)。该算法根据蜜蜂双种群进化思想,引入了雄峰通过竞争参与交叉及雄峰与决定双峰群优秀遗传基因的蜂后交叉的策略,并结合正态云模型云滴的随机性和稳定倾向性特点对其进行改进,改善了算法陷入早熟的问题,提高了算法的收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并以BEPE-CAGA算法求解该模型。最后通过对IEEE14和IEEE30节点系统进行算例仿真,仿真结果验证了本文所提算法的有效性,同时也证明了该算法在收敛速度和优化效果上具有比基本GA算法和CAGA算法更佳的性能。