基于协同进化法的电力系统无功优化

针对无功优化问题非线性、非连续性等特点以及大范围内无功优化控制变量较多的问题，提出基于协同进化的无功优化算法以及相应的求解步骤。协同进化算法借鉴分解协调的思想，将无功优化问题分解为一系列相互联系的子优化问题，每个子优化问题对应于进化算法的一个种群，各种群通过共同的系统模型相互作用，共同进化，从而使整个系统不断演进，最终达到问题求解的目的。与常规的遗传算法相比，协同进化算法不但能得到更好的优化结果，收敛性好，而且克服了普通遗传算法计算时间过长的缺点，算例结果表明，该算法更适合于求解大系统的无功优化问题。     

无功优化协同进化计算的控制变量分区方法研究

在无功优化协同进化计算中,将控制变量合理地分区分组是算法正常运行的前提,也是获得良好并行性能的关键。参考无功优化控制变量分区问题与分级电压控制中电网分区问题之间的关系,提出将控制变量分区问题转换为降阶电网分区问题,并构造降阶电网分区优化模型。在此基础上,引入种子分区编码方法,提出一种能自动确定分区数目的方法。该方法使用向上归并法进行初步分区,降低了分区规模,并采用种子分区编码法将分区数目等信息编入染色体,解决了分区数目难以确定的问题。系统计算表明,新分区方法能自动确定分区数目,快速地对系统控制变量进行合理地划分。将该方法应用到协同进化计算中,能提高协同进化计算的并行性,保证算法寻优效率。     

基于混合差异进化优化算法的电力系统无功优化

无功优化是电力系统实现电压和无功功率最优控制和调度的基础,阐述了一种基于混合差异进化算法的新无功优化方法。混合差异进化算法是一种直接随机搜索方法,由在当前种群中随机采样的个体之间的基因差异来驱动,且为缩短计算时间、避免陷入局部最优,在算法中嵌入了加速操作和种群迁移操作。将该无功优化方法在IEEE 30节点系统上进行了校验,并与基于其他算法的无功优化方法进行比较,仿真结果表明该算法具有收敛速度快、鲁棒性好、计算精度高的优点。     

基于协同粒子群优化算法的电力系统无功优化

为了解决粒子算法应用在电力系统无功优化中存在的问题,提出了一种改进的协同粒子优化算法.笔者根据电力系统无功优化问题非线性、不连续、大范围以及电压等级增多、无功优化控制变量较多的特点,建立了改进的协同粒子优化算法无功优化的数学模型,并将协同粒子群算法在无功优化中进行了应用.算例结果表明,该算法有效地改善了粒子群算法的局部收敛问题,缩短了搜索时间,提高了准确性.     

基于改进微分进化算法的电力系统无功优化

针对传统无功优化模型对于大系统编程实现十分困难的缺点,采用矩阵形式的数学模型进行优化.对标准微分进化算法提出了改进,引入增强算子,并采用模拟赌盘操作的方法有目的地使种群中的较差个体参与增强运算,提高了算法的寻优能力.由于微分进化算法中,初始种群的优劣对算法的收敛性有重要影响,根据无功优化的本质,依据初始潮流结果启发初始种群产生,加快收敛速度.在IEEE-14系统上进行校验,并与其他方法比较,结果表明,提出的改进算法具有收敛特性好、运行速度快的突出优点.     

基于改进微分进化算法的电力系统无功优化

针对传统无功优化模型对于大系统编程实现十分困难的缺点,采用矩阵形式的数学模型进行优化。对标准微分进化算法提出了改进,引入增强算子,并采用模拟赌盘操作的方法有目的地使种群中的较差个体参与增强运算,提高了算法的寻优能力。由于微分进化算法中,初始种群的优劣对算法的收敛性有重要影响,根据无功优化的本质,依据初始潮流结果启发初始种群产生,加快收敛速度。在IEEE-14系统上进行校验,并与其他方法比较,结果表明,提出的改进算法具有收敛特性好、运行速度快的突出优点。     

基于混合优化微分进化算法的电力系统无功优化

阐述了一种基于混合优化微分进化算法的无功优化方法.混合优化微分进化算法是一种直接随机搜索方法,由在当前种群中随机采样的个体之间的基因差异来驱动,混合优化微分进化算法的主要思想是采用不同的策略产生变异算子,并在进化过程中采取父代和子代合群处理,来提高进化速度.将该无功优化方法在IEEE 30节点系统上进行了校验,并与基于其它算法的无功优化方法进行比较,仿真结果表明该算法具有收敛速度快、鲁棒性好、计算精度高的优点.     

基于混合优化微分进化算法的电力系统无功优化

阐述了一种基于混合优化微分进化算法的无功优化方法。混合优化微分进化算法是一种直接随机搜索方法,由在当前种群中随机采样的个体之间的基因差异来驱动,混合优化微分进化算法的主要思想是采用不同的策略产生变异算子,并在进化过程中采取父代和子代合群处理,来提高进化速度。将该无功优化方法在IEEE 30节点系统上进行了校验,并与基于其它算法的无功优化方法进行比较,仿真结果表明该算法具有收敛速度快、鲁棒性好、计算精度高的优点。     

基于多目标决策协调进化算法的电力系统无功优化

在传统无功优化模型基础上,建立了以系统有功网损、静态电压稳定裕度、电压偏差、无功补偿容量和发电机发电成本的多目标无功优化模型。采用多目标决策协调进化算法对电力系统无功进行优化,将多目标决策协调算法与群体进化理论有机结合起来,在有限的群体内对每个个体按协调算法进行排序,以提高优化方法的有效性。通过Matlab7．0编程对IEEE30和IEEE14节点算例系统进行计算。计算结果表明,该方法具有系统网损、电压偏差及无功补偿容量小、发电机发电成本低和系统稳定裕度高的特点。     

基于协同进化算法的西北电网无功优化

西北电网全网无功分布具有典型的结构性特征。而常规遗传算法忽略了无功优化问题的结构性特征,计算时间过长,甚至找不到最优可行解。就此,采用协同进化算法对西北电网的无功优化问题进行研究,将西北全网划分成了甘青、陕西、宁夏3个子区,建立了每个子区自身的目标函数,采用常规遗传算法对子区内的控制变量先行优化,并将运算结果作为下一步协同进化计算的初始值,从而预先对参与运算的初始点进行了有效地筛选,以提高运算效率。实际运行算例表明,在收敛速度和迭代精度上,此协同进化算法均优于常规遗传算法。     

基于解空间分解的电力系统无功优化

为解决大型电力系统无功控制变量维数灾的问题,提出一种基于解空间分解的方法对电力系统进行无功优化。通过摄动分析选出无功优化中最活跃的控制变量,根据该控制变量分解解空间,最后在JADE(Java agent development)平台上对分解后的问题进行并行计算。应用该方法对IEEE30节点系统进行无功优化计算,结果表明基于解空间分解的办法在电网无功优化计算中具有较强的全局搜索能力和较高的收敛精度。     

无功优化分区迭代算法的改进及其应用

文章提出一种改进的电网分区无功优化迭代模型和算法,将上下层电网进行更为清晰的划分,利用界面节点的电压和功率进行上下层迭代来求得全网的无功优化解。并且给出了迭代算法的收敛判据。通过在某地区电网的应用表明,分区迭代算法在优化质量、收敛可靠性和时间方面都比全网整体优化有优势。     

基于引力搜索算法的电力系统无功优化

无功优化是一个多变量、多约束、高维数的非线性规划问题,其离散变量与连续变量并存的特性使得传统优化算法难以对其进行求解。根据无功优化问题的特性,提出了一种适用于无功优化问题求解的引力搜索算法,该算法是受牛顿引力定律和粒子间相互作用的启发而提出来的一种新的优化算法,其理论基础深厚,物理意义明确,便于理解,简单易行。算例结果表明,引力搜索算法可以有效求解电力系统无功优化问题,且收敛速度快,数值稳定性好。     

基于改进的Tabu搜索算法的电力系统无功优化

将一种改进的Tabu搜索算法用于电力系统的无功优化，建立了相应的数学模型，并以有功网损为目标函数。在传统的Tabu搜索算法的基础上，对补偿电容分组投切的二进制优化编码、退出迭代的判定条件、Tabu表深度、不同循环起点的选择等问题做了分析讨论，并做出了一定的改进，使得更容易跳出局部最优解，保证可以搜索整个可行域，从而得到最优解的可能性更大。文章应用改进的Tabu搜索算法对IEEE6节点系统进行了无功优化计算，与传统的Tabu算法进行了比较．结果袁明改进的Tabu搜索算法具有更强的全局寻优能力。     

基于集群划分的高渗透率分布式系统无功优化

可再生能源在电力系统的渗透率不断增长,大规模分布式电源的接入对电力系统的优化调度带来新的挑战。在考虑分布式电源大规模接入的基础上,对电力系统进行集群划分和无功优化研究。首先引入改进的电气距离的概念,以此作为聚类算法的距离量度,应用谱聚类方法,将含高渗透率分布式可再生能源系统划分为若干亚群落,并确定各集群内关键节点。再以网损和电压波动最小为优化目标,调节关键节点处光伏逆变器的无功功率,达到减小网损和稳定电压输出的目的。为求解所建立的双目标无功优化问题,提出基于改进粒子群优化算法的智能调压策略,对多个亚群落进行无功优化。将集群划分方法和无功优化策略应用于IEEE 33节点标准系统,提高了节点电压稳定性,降低了网损。针对大规模分布式能源系统,进一步提出快速智能调压策略,应用于安徽省金寨县某台区实际系统,得到良好控制效果,且在调节时间、运行成本、投入成本方面均有大幅削减。     

基于混合混沌算法的电力系统无功优化

提出了一种基于混沌算法的主动禁忌混合混沌算法(RTSCOA),该算法结合了混沌算法的全局遍历性和禁忌算法的“记忆”功能,利用主动禁忌法的反馈机制控制管理禁忌表长度,能够有效地跳出局部极小点。分别对IEEE 6和IEEE 30节点进行仿真,并与标准遗传算法/改进遗传算法(SGA/AGA)进行比较,以证明该算法在电力系统无功控制中应用的有效性。经比较,该方法较其他算法在计算速度、寻优能力上有一定的提高。     

基于多种群遗传算法的电网无功功率优化

利用新型优化理论-遗传算法进行电网无功功率优化,分析了简单遗传算法各个进化参数对无功优化性能的影响,并对简单遗传算法的生殖操作做了改进,引入多个种群同时进行优化搜索,大大降低遗传控制参数的不当设定对优化结果的影响.通过算例表明多种群遗传算法对抑制未成熟收敛的发生有明显的效果,并且经过同IEEE14节点配电网的算例结果比较,证明了该方法在电网无功优化中的有效性.     

基于SA-PSO的电力系统无功优化

粒子群优化算法是一种简便易行,收敛快速的演化计算方法。但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和模拟退火算法的思想,提出了一种新的模拟退火粒子群优化(simulated annealing particle swarm optimization,SA-PSO)算法,并将其应用于电力系统无功优化。对IEEE14节点系统进行了仿真计算,并与PSO算法作了比较,结果表明SA-PSO算法全局收敛性能及收敛精度均较PSO算法有了较大提高。     

基于改进遗传算法的电力系统多目标无功优化

针对遗传算法在求解多目标无功优化方面存在的缺陷,本文提出了基于蜜蜂双种群进化型云自适应遗传算法(double bee population evolutionary cloud adaptive genetic algorithm,BEPE-CAGA)。该算法根据蜜蜂双种群进化思想,引入了雄峰通过竞争参与交叉及雄峰与决定双峰群优秀遗传基因的蜂后交叉的策略,并结合正态云模型云滴的随机性和稳定倾向性特点对其进行改进,改善了算法陷入早熟的问题,提高了算法的收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并以BEPE-CAGA算法求解该模型。最后通过对IEEE14和IEEE30节点系统进行算例仿真,仿真结果验证了本文所提算法的有效性,同时也证明了该算法在收敛速度和优化效果上具有比基本GA算法和CAGA算法更佳的性能。