电力系统无功优化算法研究综述（上）

综述了电力系统无功优化的相关概念、研究的关键问题和经典模型,系统地阐述了优化算法中的常规算法、智能算法及其改进算法在电力系统无功优化中的应用情况及存在的问题,并对各种优化算法的优缺点进行了分析比较.针对各种优化算法的不同特征,提出了一种综合各单一算法优点的混合算法求解无功优化问题.总结了近年来其它新型算法的无功优化的应用情况.最后指出了随着智能电网的发展,电力系统无功优化算法当前存在的问题及有待于深入研究的几个方面.实现无功优化的实时计算将是今后无功优化算法问题新的研究方向.     

广义蚁群算法用于电力系统无功优化

将广义蚁群算法用于电力系统无功优化,建立了相应的的无功优化模型和求解算法,并比较了几种改进方法对优化结果的影响。通过IEEE 6,14,30节点系统仿真计算以及与传统优化方法的比较,表明所提出的方法是有效、可靠的。     

电力系统无功优化的分段线性同伦算法研究

提出了采用分段线性同伦算法进行电力系统无功优化的新方法。文中以系统有功损耗最小为目标函数，以运行变量为约束条件，利用状态变量与控制变量之间的灵敏度矩阵建立了无功优化数学模型。经过ＩＥＥＥ－６节点实验系统的计算分析，取得了满意的结果。     

电力系统无功优化模型的研究综述

总结了考虑系统网损最小、无功补偿设备容量最小、电压偏差最小、静态电压稳定裕度最大以及多目标加权等几种常用的经典电力系统无功优化数学模型,结合近年来关于智能电网关键技术的研究成果,分别对交直流混合输电系统、计及无功电价的电力市场、考虑负荷的变化影响及包含风电、光伏发电的分布式电源介入等智能电网背景下的无功优化模型进行综述,指出了各相关领域无功优化模型研究中存在的问题,并给出了解决方案.并就上述各研究领域中无功优化的代表性模型进行具体阐述,其中包括各种情况下无功优化的关键因素、目标函数及约束条件,并对其模型进行了评价.     

基于生物地理学优化算法的电力系统无功优化

将模拟物种迁移规律的生物地理学优化算法（BBO）应用于求解电力系统无功优化问题。区别于遗传算法中局限于染色体两两之间分享特征信息的模式,BBO独特的迁移模式使得好的栖息地特征信息得以在多个栖息地之间广泛传播,从而加快了优化进程。IEEE14节点和IEEE57节点的测试结果表明：BBO算法在与相关文献中的算法相当的迭代次数内能够得到更优的解,且算法对参数的依赖性不强,适用于求解电力系统无功优化这一类复杂的工程组合优化问题。     

三目标遗传粒子算法的电力系统无功优化

电力系统无功优化是提高电网高效运行和节能的关键环节。建立了综合考虑有功网损最小、电压偏差最小及静态电压裕度最大的三目标电力系统无功优化模型。提出了遗传粒子群(GAPSO)混合算法,并将算法运用于IEEE14与IEEE30节点电力系统无功优化中。该算法先通过选择操作,选出优秀的样本,在利用交叉操作增加种群的多样性。然后进行变异操作提高种群的局部搜索能力。通过数据计算和比较GAPSO算法在收敛速度、精度和全局搜索能力上均优于常规GA算法和PSO算法。结果验证了模型和算法的有效性和实用性。     

电力系统无功优化与电压控制

本文提出了利用调节控制变量使电力系统平衡节点有功功率变量为最小的无功优化与电压控制新方法,建立了相应的数学模型,导出了状态变量与控制变量之间的新的灵敏度关系矩阵,对状态变量的不等式约束利用了迭代约束检索技术进行处理,采用了带上,下界变量的线性规划求解,对6节点算例和24节点实际网络的计算证明该算法具有收剑性好,占用内存少,计算速度快的优点.     

基于新型两阶段混合算法的电力系统无功优化

针对电力系统无功优化领域现有的人工智能算法易早熟和收敛精度不佳的缺点,将萤火虫算法和量子粒子群算法相结合,形成一种新型两阶段混合优化算法。该混合算法采用串联的方法将GSO算法与QPSO算法混合,使两种算法优势互补。在算法迭代前期充分利用萤火虫算法可同时搜索全部局部最优解的特性,保证了寻优的全面性。在迭代中后期,利用量子粒子群算法收敛速度快、解的精度高的特点进行寻优,保证了算法的收敛精度。同时基于黄金分割点理论,引入了群体替代算子,避免了迭代后期算法陷入局部最优。经过算法在IEEE30节点算例中的对比仿真,结果表明:在无功优化领域中,两阶段混合算法的全局搜索能力,收敛速度及精度均优于对比算法。     

人工鱼群算法在无功优化中的应用

人工鱼群算法总结出了鱼群的行为所具有的基本特点,并结合动物自治理论,提出了一种新型优化模型。通过鱼的觅食行为、群聚行为、追尾行为、随机行为这4种行为对人工鱼的活动属性进行了描述。通过建立无功优化的数学模型,并将人工鱼群算法应用在配电网的动态无功优化过程中,通过IEEE-30标准节点系统进行仿真,验证了该算法的稳定性和可靠性。     

基于改进细菌觅食算法的无功优化

采用改进的细菌觅食(MBFO)算法求解电力系统无功优化问题,引入了步长递减的控制策略,改善了算法前期的全局搜索能力和后期的局部搜索能力;引入了SA-PSO变异算子,从而使个体可以相互交流,并从精英那里得到经验;引入遗传算法的交叉和赌盘选择,保护了精英个体,同时降低了解劣化的概率.以IEEE-30节点为例的算例结果表明,较其他几种优化方法而言,M BFO具有更快的收敛速度和更好的优化效果,故该算法在解决无功优化问题上可行且有效.     

A Genetic Algorithm for Reactive Power Optimization of Power System

oINTRODUCTIoNReactivepoweroptimizationisaneffec-tivemeasuretoreducethelossinpowersystem.However,GeneticAlgorithm(GA)drawsmoreattentionaspowersystemfurtherexpandsinsizeanditisasystemopti-mizationtoolbaseduponnaturalselec-tionandnaturalgenetics,andfeatureshigheffciencyandwideapplicability.lBASICMODELANDGENETICAL-GoRITHMl.lBasicModelforReactivePowerOpti-mizationThefollowingarethevariantstobecontrolledf(l)thecompensationamountontheloadernode,(2)thegeneratorvoltage,(3)theratiooft…     

电力系统无功优化研究

针对部分区域无功分布不合理,引发线损高、电压质量差、电力系统稳定性差等问题的现状,提出了通过电力系统内部无功优化的方式来解决这些问题,建立了以线损最低和电压质量最好为目标函数的多目标无功优化模型,并以实际算例对数学模型进行验证,分析结果表明:模型能够有效降低线损,增强经济效益,提高电压质量,保证电力系统安全运行。     

基于现代数学算法的配电网动态无功优化研究

较为全面的研究了国内外学术界对配电网无功动态优化调度问题的研究状况;概括了动态无功优化与静态无功优化的具体区别;通过对动态无功优化模型求解算法的分析,总结了该项目研究的四种典型算法,即动态规划法、非线性混合整数优化法、其他数学计算方法和人工智能算法;通过综合比对,发现第三种计算方法数学模型清晰简单,有利于对配电网动态无功优化算法的进一步研究。     

基于GA的电力系统多目标模糊无功优化

针对传统无功优化的目标单一性,建立了以有功网络损耗和节点电压偏差均最小为目标的无功优化模型,采用模糊数学将不同量纲目标进行归一化,并转化为单目标模糊规划模型.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,采用遗传算法搜索全局最优解.对某21节点系统进行了多目标无功优化分析,验证了该模型的可行性和优越性.     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

基于改进粒子群算法的配电网无功优化的研究

针对电力系统无功优化问题多变量、不连续、非线性的特点,本文建立了以系统年运行费用最小为目标函数、以有功功率和无功功率为约束条件的数学模型,并应用改进的粒子群算法对无功优化问题进行求解.该算法在权重系数和不活动粒子两方面进行改进,有效地解决了进化过程中陷入局部最优和搜索精度差的特点.最后,通过对IEEE30节点系统进行无功优化算例分析,仿真结果验证了该算法解决电力系统无功优化问题的有效性和可行性.     

基于混合智能算法的无功优化研究

根据电力系统中负荷不断变化的情况,提出了目标为全天网损最小的动态无功优化数学模型。以序列二次规划法作为遗传算法的一个局部搜索算子,嵌入到实数编码遗传算法中,构成一种基于序列二次规划法和实数编码的遗传算法的高效的混合智能算法。这样既保留了遗传算法具有收敛快,全局搜索能力强的优点,又克服了容易陷入局部最优点的缺陷。 IEEE9节点系统算例分析表明,混合智能算法能有效降低系统网损。     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性,提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略,改进交叉和变异操作,并结合模拟退火算法（SA）的Metropolis判别准则的复制策略,使寻优过程能够跳出局部最优解,从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点,提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度,避免早熟收敛。