基于MAQPSO 的电力系统无功优化研究

文中提出一种多智能体量子粒子群优化算法(Multi Agent Quantum Particle Swam Optimization,MAQPSO)求解电力系统无功优化问题,改善了传统量子粒子群算法后期收敛速度慢、易陷入局部最优解等缺点。该算法结合了量子粒子群算法和多智能体进化思想,每一个Agent相当于量子粒子群优化算法中的一个粒子,通过Agent的邻域竞争、自学习等操作,使得算法能够更迅速、更精确地收敛到全局最优解。通过对IEEE14、30、57和118节点系统的优化仿真,结果表明该算法有收敛精度高、寻优速度快等优点。     

电力系统无功优化的多智能体粒子群算法研究

为了更好地实现无功功率最优控制和提高电压质量,在现有基础上,提出了引用多智能体粒子群优化算法（MAPSO）.该算法结合了JADE系统和粒子群优化技术,粒子间构建了三维球形环境.PSO种群中,每一个Agent相当于算法中的一个粒子,他们通过Agent间进行竞争与合作操作和自学习操作,吸收了PSO算法的进化机理,能够更快地,更精确地收敛到全局最优解.经IEEE 14节点系统校验,并且与基于Matlab的PSO算法进行比较,结果表明,该算法具有收敛速度快,计算精度高的优点。     

基于多Agent粒子群优化算法的电力系统经济负荷分配

为更好地解决电力系统中经济负荷分配非连续、非凸、非线性的优化问题,提出一种新的基于多Agent系统竞争与合作机制的多Agent粒子群优化算法。该算法以粒子群算法和智能体技术为基础,将粒子群算法的群搜索特征和智能体的智能搜索特征相结合,使粒子在搜索过程中利用群体信息,环境信息共同决定搜索策略。每一个Agent相当于粒子群优化算法中的一个粒子,通过与其随机选取的邻居的竞争、合作操作,能够充分获得问题信息并自适应地权衡粒子的全局探索能力和局部开发能力,可更快、更精确地收敛到全局最优解。对IEEE3节点,IEEE13节点和IEEE40节点系统的仿真结果表明,该算法在求取电力系统ELD问题时具有较高质量的解和运行速度。     

多Agent结构的混沌PSO在无功优化中的应用

针对电力系统中,优化问题具有高维、多约束、非线性特点,提出一种基于多Agent体系结构的混沌粒子群优化算法。在分析粒子群算法的基础上,融合多Agent技术与混沌局部搜索算法,将粒子群算法的群搜索特征和Agent的智能搜索特征相结合。算法利用环境信息与周围Agent进行竞争合作,提升全局探索能力,增强信息多样性;同时依靠混沌局部搜索的无重复遍历性摆脱局部极值,提高算法在解空间中的收敛精确度。为验证算法有效性,对典型多约束、非连续的电力系统无功优化问题进行建模仿真。IEEE 30节点和118节点系统仿真计算的结果表明,与其他优化算法在收敛特性,最优解,鲁棒性等方面相比,该算法对解决电力系统无功优化问题是可行和有效的。     

一种用于AGC机组调配的混沌多Agent双重粒子群算法

AGC机组调配问题是一个含连续和离散变量的混合非线性优化问题,提出了一种基于混沌多Agent的双重粒子群算法。该算法以混沌和粒子群优化算法以及多Agent技术为基础,利用混沌映射提高初始种群的质量,引入临界算子增强Agent的多样性。在算法迭代中,每一个Agent通过与其随机配置的邻居竞争、合作,并且吸收了粒子群优化算法的进化机制,可以更稳定、快速地收敛到全局最优解。通过算例仿真结果表明,所提出的算法具有质量高的解、稳定性好的收敛特征和快的寻优速度。     

基于改进粒子群算法的电力系统无功优化研究

阐述了一种改进粒子群的无功优化方法.粒子群优化(PSO)算法是进化计算领域中的一个新的分支,其源于对鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,文章提出混沌粒子群算法,该算法可以较好地避免PSO算法过快收敛于局部最优解,有较快的收敛速度.文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的.     

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。     

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。     

基于模拟退火——二进制粒子群优化算法的配电网重构

提出了将模拟退火算法与二进制粒子群算法相结合的用于配电网重构的优化算法。该算法既发挥了粒子群算法收敛速度快的特点,又因为引入的模拟退火算法具有的较强的跳出局部最优解能力,因此有效地避免了粒子群算法易陷入局部极值点的缺点,提高了进化后期算法的收敛速度和精度,并应用IEEE16节点系统的算例,验证了模拟退火-二进制粒子群混合算法在配电网重构中的可行性和有效性。     

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.     

自适应粒子群优化算法及其在无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。某具有151个节点、71个控制变量的实际电网无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

改进粒子群算法在无功优化中的应用

建立了无功优化的数学模型,针对粒子群算法易陷入局部最优解、收敛精度差的缺点,将改进粒子群优化算法应用到电力系统无功优化中。对粒子群的速度公式进行了改进,并在算法中引入反正切惯性权重和阈值来增强搜索全局最优解的能力。通过对IEEE30节点的算例仿真,证明改进后的粒子群算法在电力系统无功优化问题上具有一定的可行性。与PSO的结果对比表明该算法在一定程度上提高了计算的精度。     

多目标无功优化的向量评价自适应免疫粒子群算法

为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。     

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)...     

A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch

This paper presents a new multi-agent based hybrid particle swarm optimization technique (HMAPSO) applied to the economic power dispatch. The earlier PSO suffers from tuning of variables, randomness and uniqueness of solution. The algorithm integrates the deterministic search, the Multi-agent system (MAS), the particle swarm optimization (PSO) algorithm and the bee decision-making process. Thus making use of deterministic search, multi-agent and bee PSO, the HMAPSO realizes the purpose of optimization. The economic power dispatch problem is a non-linear constrained optimization problem. Classical optimization techniques like direct search and gradient methods fails to give the global optimum solution. Other Evolutionary algorithms provide only a good enough solution. To show the capability, the proposed algorithm is applied to two cases 13 and 40 generators, respectively. The results show that this algorithm is more accurate and robust in finding the global optimum than its counterparts.     

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。     

基于改进微粒群算法的水火电力系统短期发电计划优化

微粒群算法(PSO)来源于对社会模型的模拟,是一种随机全局优化技术。该算法简单,容易实现,且功能强大。中对PSO进行了改进,引入了“分群”和“灾变”思想,并应用于求解水火电力系统的短期有功负荷最优分配问题。通过具体算例验证了改进PSO算法的有效性,而且其收敛速度比遗传算法(GA)快,求解精度比普通的PSO和GA的高。     

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.     

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.