含维变异的量子粒子群算法在无功优化中的应用

量子粒子群优化算法(QPSO)避免了粒子群算法(PSO)不能保证收敛到全局最优解这个缺点,认为粒子具有量子的行为,并且可以在整个可行解空间进行搜索。无功优化问题是带有离散变量的非线性、不连续、多约束、多变量的复杂优化问题。本文考虑到优化过程中避免陷入局部最优,应用含维变异QPSO算法并结合动态调整罚函数的方法来解决无功优化问题。并对标准IEEE-30节点系统进行仿真计算,并与QPSO、PSO、GA算法进行了比较,表明该算法能够获得更好的全局最优解。     

基于种群替代的量子粒子群算法的含风电网无功优化

针对量子粒子群算法后期收敛速度慢,且易陷入局部最优解等问题,将粒子种群全局最优替代的思想和多种群并行搜索策略相结合,设计了一种基于含局部种群变异的多种群并行搜索替代的量子粒子群算法。该算法采用种群并行搜索替代的方式引入变异,增加了种群的多样性,同时在局部种群中利用全局最优替代平均最优,加快收敛速度。分别应用基本粒子群、量子粒子群和种群替代的量子粒子群算法对某含风电网进行仿真,验证了种群替代的量子粒子群算法在含风电网无功优化中的有效性和实用性。     

基于改进粒子群优化算法的电力系统无功电压综合控制

在基本粒子群优化算法的基础上,提出了一种改进的粒子群优化算法用于电力系统无功电压综合控制.该算法改进了随机初始化种群的方法,采用均匀初始化,引进了粒子的自身探索机制,用多个位于可行域中的粒子个体引导粒子的更新,以保证全局搜索的有效性,同时采用混沌变异算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能.通过对IEEE-30节点标准系统模型的无功电压综合控制计算和分析,证明了此改进的粒子群优化算法具有更高的全局寻优效率.     

基于改进粒子群优化算法的电力系统无功电压综合控制

在基本粒子群优化算法的基础上,提出了一种改进的粒子群优化算法用于电力系统无功电压综合控制。该算法改进了随机初始化种群的方法,采用均匀初始化,引进了粒子的自身探索机制,用多个位于可行域中的粒子个体引导粒子的更新,以保证全局搜索的有效性,同时采用混沌变异算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。通过对IEEE-30节点标准系统模型的无功电压综合控制计算和分析,证明了此改进的粒子群优化算法具有更高的全局寻优效率。     

基于区间三相潮流的配电网故障恢复优化算法

本文采用区间值来描述负荷并计算三相潮流。由于粒子群算法存在早熟的问题,采取非线性递减惯性权重的策略,使惯性权重随着迭代次数的增加而减小,同时,采用种群适应度方差判断算法是否陷入早熟,以便对早熟的种群进行自适应变异,动态的变异数目先大后小地控制了变异过程,保证了前期粒子的多样性和后期粒子算法的收敛。改进的粒子群算法保证了粒子在迭代初期有较强的全局搜索能力和后期有较高的搜索精度,保证了算法能够得到全局最优解,并提高了搜索速度。算例表明,基于区间三相潮流的改进粒子群算法能够有效地解决配电网故障恢复的问题,具有一定的工程价值。     

多目标无功优化的向量评价自适应粒子群算法

为了克服粒子群算法在高维复杂问题寻优时有相当可能陷入局部极优的现象,提出了一种自适应粒子群算法。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优点的束缚。对基于向量评价的粒子群算法进行了扩展,提出了基于向量评价的自适应粒子群算法(vector evaluated particle adaptive swarm optimization,VEAPSO)来解决多目标无功优化问题,求解出问题的Pareto最优解集。为帮助决策者从Pareto最优解集中选取合适的最优解,该文提出一种基于决策者偏好及投影寻踪模型的多属性决策法,使决策结果更加真实可靠。将该算法应用于多目标无功优化问题中,IEEE 30和IEEE 118节点系统算例仿真表明该方法用于解决多目标无功优化问题是有效可行的。     

基于连锁环网与改进离散粒子群算法的多目标配电网重构

配电网重构本质上是一个复杂的高维数非线性组合优化问题。为避免其不可行解的影响,同时实现快速寻优,提出了一种通过连锁环网矩阵快速判断粒子是否满足配电网拓扑约束的方法。采用基于Pareto准则的离散二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)以求解配电网重构多目标优化问题。从三方面对BPSO算法进行改进:改进粒子更新策略以提升新代粒子的可行概率;改进sigmoid函数同时提出邻域搜索机制以强化算法后期的收敛能力;提出基于次优解保留策略的小生境共享机制以改进群体最优粒子更新方式,进而强化算法的全局搜索能力。对IEEE33系统算例进行仿真,结果表明改进BPSO算法在求解含分布式电源(Distributed Generation,DG)的配电网重构多目标优化问题时,能够更加精确高效地收敛至Pareto最优前沿。     

基于差分进化混合粒子群算法的电力系统无功优化

差分进化混合粒子群算法(DEPSO)首先利用差分进化(DE)的变异和选择算子产生新的群体,然后通过使用粒子群优化算法(pSo)进行局部搜索.该算法发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,具有收敛速度快、搜索能力强、鲁棒性好的特点.将该算法用于电力系统无功优化,通过IEEE30节点系统的仿真计算证明了该算法的快速性和有效性.     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是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,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

随机差分变异粒子群混合优化算法

针对传统粒子群优化算法与差分进化算法都易出现早熟等问题,提出了一种随机差分变异粒子群混合优化算法。算法结合粒子群与差分算法的各自特点,首先采用差分变异方法产生试探性候选个体,再将其代入到粒子群速度更新公式,引导粒子飞行方向,从而扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解,采用随机差分变异方式对当前最优粒子进行扰动,使算法在有效提高局部开采能力的同时,有效避免停滞现象的发生。算法分别在单峰及多峰等8个测试函数上与3个相关算法进行对比实验,实验结果表明,新的混合算法优于其他对比算法,有效提高了算法的性能。     

基于自适应变异特性粒子群算法的无功优化

针对电力系统无功优化问题,提出了1种自适应变异特性粒子群算法来克服粒子群优化方法容易早熟而陷入局部最优解的缺点。该方法以种群适应度方差为量化指标,动态衡量和监视粒子群体的聚集情况,并对聚集的粒子赋予变异操作,用以提高整个群体的全局寻优能力。通过对IEEE-6和IEEE-30测试系统的无功优化问题计算及结果分析表明该方法快速、高效、准确。     

基于双适应度微粒群优化算法的最优潮流计算

在分析最优潮流(0PF)理论及其算法的基础上,引入微粒群优化算法(PSO).考虑到传统PSO算法应用罚函数处理OPF约束条件时容易造成对优良个体的湮灭,提出双适应度概念对微粒进行评估.利用双适应度PSO算法对算例进行分析并与其他算法比较,结果表明双适应度微粒群优化算法可较好处理最优潮流约束条件,在处理最优潮流问题上具有一定的有效性和优越性.     

基于改进微粒群算法的梯级水库群优化调度

为了进一步增强微粒群算法的优化性能,提出了一种改进微粒群算法,并将其用于求解梯级水库群的优化调度.该算法引进了类似遗传算法的交叉和变异算子来提高搜索效率,其中交叉是微粒在解空间中的位置以一定的概率随机进行算术交叉,变异是微粒以一定的概率随机使速度矢量的某一维分量变为0.为了加速收敛,初始微粒群生成时采用了有条件的随机自动生成方式,并利用惩罚函数法来处理边界条件和其它非等式约束.实例计算结果表明,改进微粒群算法具有比常规动态规划法和常规微粒群算法更快的计算速度,且优化调度结果比较满意.     

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。     

并行自适应粒子群算法在电力系统无功优化中的应用

针对传统粒子群优化算法"早熟"与后期收敛速度慢的缺点,提出了一种基于并行自适应粒子群优化算法的电力系统无功优化方法。该方法首先将初始种群随机划分成N个子群,然后分别在各子群中以所提方法寻优,从而实现了算法的并行计算。为避免各子群陷入局部最优解,采用二值交叉算子使各子群间的信息共享并更新相关粒子位置,保证了算法的全局搜索能力并维持了种群的多样性。同时,各子群寻优过程中,根据利己、利他及自主3个方向对当前搜索方向自适应更新,提高了算法的收敛速度。将所提出算法在IEEE 30节点系统上进行了仿真验证,结果证明了并行自适应粒子群算法用于无功优化的可行性和有效性。     

基于改进粒子群算法的中压配电网无功优化

建立了以年费用最小为目标函数的无功优化数学模型,提出一种融合裂变和变异操作的分合群粒子群算法求解该模型,并结合对系统分区、合理设置补偿上限等方法减小搜索范围,实现了同时求解补偿点和补偿量。算法在标准粒子群优化(particle swarm optimization,PSO)算法的基础上通过分群和裂变,保持粒子的多样性,避免收敛早熟;通过合群和变异,加强算法的搜索精度,提高算法的收敛稳定性。用IEEE 33节点系统进行仿真计算,与标准PSO算法对比表明,改进PSO算法在计算精度、收敛稳定性等方面具有明显优势;与无功二次精确矩法对比表明,改进PSO算法具有自动调整补偿点个数的能力,补偿方案经济性更好,能有效解决中压配电网的无功优化问题。     

An optimal power flow plus transmission costs solution

This paper is aimed at the solution of the optimal power flow (OPF) problem with embedded security constraints (OPF-SC) by the particle swarm optimizer. The major objective is to minimize the overall operating cost while satisfying the power flow equations, system security, and equipment operating limits. The overall operating cost is composed by the generation cost, transmission cost, and the consumer benefit. A modification of the conventional particle swarm optimizer (PSO) has been used as the optimization tool, which uses reconstruction operators and dynamic penalization for handling constraints. The reconstruction operators allow the increase of the number of particles within the feasible region. The power equations mismatch, loss active power transmission, and voltages are calculated by the Newton–Raphson method. To demonstrate its robustness, the proposed algorithm was tested on systems from the open literature. Several cases have been studied to test and validate the proposed approach.     

基于改进PSO算法的优化特定消谐PWM技术

提出一种改进的粒子群优化（Particle Swarm Optimization,PSO）算法,与传统PSO算法的区别是借鉴模拟退火算法,当微粒个体的适应值小于个体最优值时,以一定的概率接受为个体的最优值。这种处理可以增大算法的全局搜索能力,避免陷入局部最小值。应用改进PSO算法对特定消谐PWM的开关角进行求解,算例证明可以在更小的误差范围内找到方程的解。     

日无功计划优化模型和算法的研究

根据实际无功电压管理工作的需要,建立了日无功计划数学模型。应用一种充分结合粒子群优化算法和遗传算法各自优点的混合优化策略来求解该模型,提出将遗传算法中的变异原理引入传统粒子群优化算法,以弥补粒子群优化算法全局搜索能力较弱的欠缺,充分发挥两种算法的优点,改善优化的性能。对北京市电网的计算和分析表明了本文所提出模型和算法的正确性和实用性。     

基于粒子群优化算法和动态调整罚函数的最优潮流计算

在电力市场环境下,诸多问题(例如实时电价,网络阻塞等)都需要最优潮流作为理想的工具.本文应用了一种简单有效、且收敛性很好的演化计算算法--粒子群优化算法(PSO)进行最优潮流问题的求解.在求解过程中,根据约束条件的越界量大小,动态的调节其罚函数,避免其收敛到局部最小点.应用此算法对IEEE 30 节点系统进行最优潮流计算,并且与线性规划和遗传算法进行了比较,结果表明该算法能够更好的获得全局最优解,具有实用意义.