基于粒子群算法的电力系统无功规划

对基于粒子群算法的无功规划进行了研究,建立了以无功设备投资和系统有功网损的综合费用最省作为目标的目标函数,同时将节点电压越限和发电机无功出力越限以罚函数的方式进行处理.将该算法应用到IEEE30节点系统,计算结果证明了该算法正确有效并具有较好的实用价值.     

计及阻塞管理及剩余容量的并行粒子群电网规划

基于电力市场阻塞管理技术,采取了综合调整网络架线及发电计划和安装潮流控制设备等措施,并计及网络剩余容量经济指标,建立了新的电力网络规划模型。在分析该模型特点的基础上,提出了对变量进行分类,使用并行粒子群算法(ParticleSwarmOptimization,PSO)对其进行求解的方法,该方法具有灵活性和可扩展性,适于解决多因素、多变量电网规划问题。算例表明,该模型可显著提高规划方案的经济性;并行PSO可有效地提高算法的计算速度和收敛性能。     

计及负荷静态电压特性的实时定价方法

提出了一种基于最优潮流且计及负荷静态电压特性的实时定价模型并讨论了负荷模型对交易的影响。采用原–对偶路径内点法对模型进行求解,因为特定的负荷模型对应着最优潮流计算中特定的雅可比矩阵的结构和信息,所以负荷模型对节点边际电价、节点阻塞电价及市场利益分配结果均有重要影响,基于K-T一阶最优性条件定义了能够综合评估负荷需求、报价和负荷静态电压特性对交易产生影响的灵敏度指标。IEEE30节点算例表明了本文所提出的模型和指标的可行性和合理性。     

基于粒子群算法的电力系统无功优化

将粒子群优化算法PSO应用到电力系统无功优化中,以网损最小为目标函数,建立了PSO无功优化的数学模型,并进行了仿真.仿真结果表明,PSO算法具有较好的全局寻优能力和较快的收敛速度,在无功优化领域有广阔的前景.     

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.     

计及静态电压稳定约束的无功优化规划

选择无功补偿设备投资和系统有功网损的综合费用作为目标函数,同时考虑满足电压水平和电压稳定性两个约束条件来探讨无功规划问题。选取用电压稳定裕度不低于某一个允许的最小稳定裕度来表示电压稳定约束。分别对正常运行工作点和电压崩溃点引入2组变量和潮流方程,从而使得电压稳定裕度可以用临界运行状态下负荷的总视在功率与正常运行状态下负荷的总视在功率之差来显式表达。该模型相对于传统无功规划模型的优势表现在能够根据稳定裕度的目标值直接求得在合理电压水平下的最佳无功补偿配置方案,但其优化模型的等式和不等式约束及变量的数目却大幅增加,使得计算量远大于传统的无功规划问题。在IEEE 14节点和118节点2个试验系统的计算表明,采用非线性原对偶内点法求解该模型时,其计算精度及收敛性都比较好。     

基于量子粒子群算法的电力系统无功优化

本文提出了一种量子粒子群算法解决电力系统无功优化问题。量子粒子群算法采用实数编码,融合了量子进化算法的概率性并进行计算和粒子群算法的更新策略,在全局寻优能力和保持种群多样性方面表现出了较大优势,而且寻优速度快。另外,为了避免大量不可行初始解,本文采用倾斜分布式启发方法得到初始种群。IEEE-30系统证明了量子粒子群算法的高效性和鲁棒性。     

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。     

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。     

基于IPSO优化发电调度的静态电压稳定分析

发电机出力增长方式对静态电压稳定临界点有一定的影响,优化发电机有功出力是提高系统静态电压稳定的主要控制手段。文中对粒子群算法中惯性权重和加速常数进行改进,提出以发电增量作为连续潮流的控制变量,实现负荷增量在发电机间的最优分配。该方法以系统静态电压稳定下的最大负载为目标,基于改进粒子群算法优化发电机有功出力,以连续潮流法计算IPSO的适应度函数,确定发电机最优调度模式下的系统最大静态电压稳定裕度。应用该法对IEEE30系统的评估,验证了该方法的正确性和有效性。     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散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。     

考虑静态电压稳定性的多目标无功优化

针对遗传算法容易出现早熟、局部寻优能力较差和收敛速度缓慢的问题,该文用模拟退火思想对适应度函数进行改善,用自适应算法对遗传算法的交叉、变异策略进行改进,采用精英保留策略,变异操作作用尾部占优原则,并把基于广义Tellegen定理的电压稳定裕度指标最小作为无功优化的目标函数之一,以改善电力系统的静态电压稳定性.用IEEE...     

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)...     

基于微粒群优化算法的电力系统动态无功优化

根据系统负荷曲线变化趋势按单调性将一天的预测负荷曲线划分为若干(小于24)个时段，并将动作次数约束还原为经济成本，将它与网损费用等之和作为目标函数，并考虑了各种运行约束条件，采用微粒群优化算法进行计算，该算法收敛速度较快。与静态无功优化模型相比表明，该无功优化模型更适合给定的地区电网，优化后全天的网损略有增大，但变压器抽头调节次数以及电容器组投切次数明显减少。     

基于粒子群及其改进算法的电力系统无功优化

介绍了电力系统无功优化的数学模型,论述了现代智能算法在解决无功优化的非线性规划问题中的应用,实现了粒子群优化(particle swarm optimization,PSO)算法在电力系统无功优化问题中的应用。引入离散粒子群(discrete particle swarm optimization,DPSO)算法,采用两种方法对离散变量进行处理。IEEE-30节点系统的算例分析验证了PSO和DPSO的可行性。这两种算法具有相近的优化效果,但PSO的收敛性优于DPSO,而DPSO对离散变量的处理比PSO更准确,也更切合实际。     

电力系统无功优化自适应粒子群算法

针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法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的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。     

基于量子粒子群算法的电力系统无功优化

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的缺点,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,应用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.通过对IEEE-30节点和IEEE-1...