基于改进免疫算法的电力系统无功优化

在克隆选择原理的基础上提出了一种改进的免疫算法用于求解电力系统无功优化问题。该算法在上一代最优抗体的基础上,构造了一个较小的细胞克隆半径和一个较大的高频变异半径,即通过一个较小邻域范围和一个较大邻域范围的并行搜索,使该方法在加强对问题局部搜索的同时兼顾了全局搜索,有效地提高了算法的收敛速度和精度。通过对马尔可夫链的分析,证明了该算法的全局收敛性。对无功优化问题中离散变量的处理,提出了一种简单的“切割”技术,仅在适应值评估时对优化的离散变量进行“切割”。最后,对标准IEEE30节点系统和一个实际的118节点系统进行仿真,结果表明,该算法具有最优解质量高、收敛特性好的优点,有较强的实用意义。     

基于免疫记忆克隆选择算法的多目标无功优化

结合免疫记忆学说和克隆选择原理,提出了一种解决多目标无功优化问题的免疫记忆克隆选择算法。该算法针对多目标无功优化问题的特点,采用以拥挤距离为适应度的自适应克隆方式,实现了种群的扩张,保证了所得解集的均匀性;引入非一致性变异算子,使该算法同时具备全局均匀搜索能力和局部精确寻优能力;采用交叉重组算子实现了抗体间的协作,促进不同抗体间信息的交流;通过抗体群更新操作,一方面保证了算法的收敛速度,另一方面确保了所得解集均匀分布;引入记忆单元概念,可以有效抑制寻优过程中出现的退化现象,确保了种群的多样性。以IEEE-14和IEEE-118节点测试系统为例进行仿真计算,结果表明该算法可以有效提高系统运行的安全性和经济性,是求解多目标无功优化问题的有效方法。     

基于混沌量子免疫算法的电力系统无功优化

针对电力系统无功优化问题的离散性和多约束非线性特点,提出一种混沌量子免疫算法的电力系统无功优化方法。该算法利用量子比特和由Logistic映射产生的混沌变量来初始化寻优量子抗体,从而保证了算法的遍历寻优和搜索高效性。通过量子旋转门来实施抗体的克隆扩增和变异,利用线性变换将量子抗体由单位空间映射到寻优问题的解空间。IEEE30节点仿真验证混沌量子免疫算法用于电力系统无功优化的可行性和有效性。     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于改进AFSA算法的电力系统无功优化

将人工鱼群算法（AFSA）应用到电力系统无功优化问题的研究中,建立了相应的优化模型。为提高AFSA的搜索能力,对AFSA进行了改进,在算法中加入了生存机制、竞争机制。对IEEE6、14节点系统的仿真计算结果表明了算法的有效性。     

基于改进AFSA算法的电力系统无功优化

将人工鱼群算法(AFSA)应用到电力系统无功优化问题的研究中,建立了相应的优化模型.为提高AFSA的搜索能力,对AFSA进行了改进,在算法中加入了生存机制、竞争机制.对IEEE6、14节点系统的仿真计算结果表明了算法的有效性.     

基于共享免疫粒子群算法的电力系统无功优化

针对电力系统无功优化中的粒子群算法计算效率较低,而且易陷入局部最优解等问题,将共享免疫粒子群算法应用到无功优化中,该算法在进行初始化时,运用正交的思想,使得粒子分布均匀;并用记忆粒子和克隆选择来更新粒子,这样可以很好地保持优化过程中粒子群的多样性。经过算例计算证明,共享免疫粒子群算法与其他算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于改进PSO算法的电力系统无功优化

提出了一种多策略融合自适应粒子群优化(MSI-APSO)算法求解电力系统无功优化问题的新方法。该方法采用分阶段调整加速因子,结合适应值自适应调整惯性权重,然后基于群体信息改善部分性能差的粒子,迭代后性能改善的粒子,采取速度保持策略,从而提高了PSO全局寻优性能。针对IEEE30节点系统进行无功优化计算,并与带惯性权重的粒子群(PSO-w)算法、带压缩因子的粒子群(PSO-c)f算法、全面学习粒子群(CLPSO)算法进行了比较,表明MSI-APSO具有更好的全局寻优能力和收敛性能。     

基于改进免疫遗传算法的电力系统无功优化

针对无功优化问题的特点,在现有免疫遗传算法基础之上,提出一系列改进措施,形成了一种新的解决无功优化问题的改进免疫遗传算法。该算法将免疫遗传算法中常用的二进制编码改进为整、实数混合编码,提高了计算速度与精度;将通常的选择、变异操作与进化代数相联系,形成具有动态调整功能的改进Boltzmann退火选择、非均匀变异算子,提高了算法的全局收敛性,加快了计算速度;引入疫苗接种概念,有效地抑制了算法在进化过程中出现的退化现象,进一步加快了算法的收敛速度。以IEEE30节点系统为例对该改进算法的性能进行了测试,结果表明了该算法的有效性和可行性。     

基于改进免疫遗传算法的电力系统无功优化

针对无功优化问题的特点,在现有免疫遗传算法基础之上,提出一系列改进措施,形成了一种新的解决无功优化问题的改进免疫遗传算法.该算法将免疫遗传算法中常用的二进制编码改进为整、实数混合编码,提高了计算速度与精度;将通常的选择、变异操作与进化代数相联系,形成具有动态调整功能的改进Boltzmann退火选择、非均匀变异算子,提高了算法的全局收敛性,加快了计算速度;引入疫苗接种概念,有效地抑制了算法在进化过程中出现的退化现象,进一步加快了算法的收敛速度.以IEEE30节点系统为例对该改进算法的性能进行了测试,结果表明了该算法的有效性和可行性.     

基于改进PSO算法的电力系统无功优化研究

将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程。为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第 3种极值指导粒子搜索方向,并引入了“飞回”策略。对IEEE-30节点系统的仿真计算结果表明了算法的有效性。     

基于改进PSO算法的电力系统无功优化研究

将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程.为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向,并引入了"飞回"策略.对IEEE-30节点系统的仿真计算结果表明了算法的有效性.     

基于改进人工蜂群算法的电力系统无功优化

针对电力系统无功优化存在的问题,提出了一种基于改进人工蜂群算法的无功优化。运用反学习法对人工蜂群算法进行了优化,克服了人工蜂群算法本身容易陷入局部收敛的缺点,并且对IEEE30节点进行仿真计算,结果表明该算法对于求解复杂无功优化问题的可行性和有效性。     

基于改进ICA算法的电力系统无功优化

电力系统无功优化可以提高电能质量、降低网损,预防事故发生和扩大,而现有的无功优化算法容易陷入早熟和局部收敛的不足。提出一种改进帝国竞争算法求解无功优化问题,通过模糊动态聚类分析法对帝国群体进行划分,采用适应度共享技术对联盟国家内各个国家的适应度进行调整,以提高全局寻优能力,有效避免算法早熟现象。选取IEEE 30节点系统进行测试仿真,并将优化结果与遗传算法和传统帝国竞争算法进行对比分析,结果表明改进帝国竞争算法在解决无功优化问题中具有更强的全局搜索能力,能得到更好的收敛效果。     

带免疫的蚁群算法用于电力系统无功优化

针对电力系统无功优化具有非线性、多变量、多约束、多目标的特点,提出带免疫的蚁群优化算法。通过对连续的控制变量进行编码,实现了蚁群算法在函数优化问题上的应用。引入蚂蚁分工机制,可以大大减少每只蚂蚁的搜索空间,降低蚁群算法求解问题的难度。引入免疫算法的思想,可以避免在搜索过程中出现早熟,提高了蚁群算法的搜索效率。以IEEE-14节点系统为算例,比较分析基本算法与带免疫系统算法的计算结果,从而验证改进蚁群算法的有效性。     

一种新型的电力系统无功优化方法

粒子群优化算法在进化中随种群多样性减少易出现早熟收敛等问题。基于免疫克隆选择学说理论,提出了一种免疫克隆粒子群算法。在算法进化过程中,引入克隆复制算子、免疫基因算子、克隆选择算子。成比例克隆复制可以使优良个体得到保护,加快算法收敛;免疫基因操作可以增加种群的多样性;克隆选择从所有子代、父代中选择出最优个体,避免算法退化。将该算法应用于电力系统无功优化中,以IEEE30节点的电力系统为例进行了仿真,结果表明：使用该算法优化的网损平均值更低,寻优性能更好,优化的网损值集中在比较小的区间。     

基于改进粒子群算法的电力系统无功优化

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题。提出了一种改进粒子群算法用以解决这一复杂优化问题。在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻了粒子初始位置的选择对算法优化性能的影响;在进化过程中引入了自探索行为,使得粒子的搜索过程更加符合实际;引入了变异机制及3种判断陷入局部最优的标准,当发现粒子群陷入局部最优时,通过变异,帮助粒子跳出局部陷阱,增加发现最优解的机会。给出了问题的求解方法,并对IEEE 6、14节点系统进行了仿真计算,实验数值对比表明了算法的可行性和有效性。     

免疫算法及其在电力系统无功优化中的应用

提出一种用于电力系统无功优化的免疫算法(Immune Algorithm,IA).该算法是根据生物免疫原理提出的,与遗传算法相比,它具有抗原识别、记忆、抗体的抑制和促进等显著特点.IA将目标函数和约束条件比作抗原,将问题的解比作抗体.通过亲和度的计算来评价抗体并促进或抑制抗体的产生,减小了进化过程陷入局部最优解的可能性;通过抗原记忆,提高了局部搜索能力,加快了计算速度.将IA用于69节点实际电力系统的无功优化计算,并与传统遗传算法的计算结果进行了比较.结果表明IA能够以更快的速度得到最优解,其性能明显优于遗传算法.     

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.     

电力系统无功优化算法综述

为全面概括电力系统无功优化算法研究的现状、取得的成果和存在的不足,介绍了通用的无功优化模型,总结了多种目前电力系统无功优化中常用的传统优化算法和人工智能优化算法,包括线性规划法、非线性规划法、动态规划法、现代启发式搜索方法、专家系统等。对每种算法的原理和优缺点进行了分析,并针对列出的每种基本优化算法存在的缺陷,介绍了几种改进的优化算法。最后,介绍了几种效果良好的混合优化算法,并对未来无功优化研究的方向提出了建议。