改进量子遗传算法在无功优化中的应用

在传统的无功优化模型中引入静态电压稳定指标,建立以网损最小的优化模型.量子遗传算法(quantum genetic algorithm,QGA)将量子的态矢量引入遗传编码,将量子比特的几率幅表示应用于染色体的编码,实现染色体的演化,效果比常规遗传算法要好.常规量子算法中的量子门角度的选取决定着进化的速度和方向,也影响着最终的优化效果,本文提出一种改进的量子旋转门算法,它能够自适应地计算旋转角度,能够提高全局的搜索能力,缩减搜索代数,加快搜索速度,同时避免陷入局部最优,之后采用IEEE14节点和IEEE 30节点进行验证,取得了较好的效果.     

改进量子遗传算法在无功优化中的应用

提出了一种基于改进量子遗传算法的电力系统无功优化方法。采用量子比特对控制量进行编码,通过改进量子旋转门来提升寻优质量,它能够自适应地计算旋转角度,提高全局的搜索能力,缩减搜索代数,加快搜索速度,同时避免陷入局部最优,通过采用IEEE14节点和IEEE30节点进行验证,结果表明其效果良好。     

改进遗传算法在电力系统无功优化中的应用

电力系统的无功优化控制,不仅能有效地降低系统的有功功率损耗,而且还可以改善电网的电压质量,对系统的安全稳定、经济运行具有非常重要意义。无功优化问题是一个含有连续变量和离散变量的混合优化问题,求解过程相当复杂,电力系统无功优化问题属于最优潮流问题的一个组成部分。探讨了求解无功优化的现代人工智能算法,总结分析了遗传算法的特点及使用情况。为提高解的质量与计算效率,对遗传算法做了改进,并将其应用于电力系统无功优化中。     

应用于电力系统无功优化的改进遗传算法

遗传算法是近些年发展起来的基于自然选择规律的一种优化方法。本文在传统遗传算法的基础上，对遗传操作进行了进一步研究和改进，提出了改进遗传算法，电力系统的无功优化问题实例计算表明，改进遗传算法的优化结果可以更有效地达到或接近全局最优。     

基于改进选择操作的遗传算法的电力系统无功优化

电力系统实现无功优化控制是保证系统电压质量、降低网损的重要措施。对于高维、非线性和连续变量与离散变量共存的电力系统无功优化问题,该文对一般遗传算法的无功优化算法在遗传操作过程中进行了“灾变”,在选择操作中将轮盘赌和竞标赛方法相结合,对交叉变异算子根据每代个体的实际状况进行自适应调整。通过1EEE6节点算例表明了该文方法可有效提高每代种群的多样性,从而提高了一般遗传算法的无功优化的收敛速度和全局优化特性。     

基于改进遗传算法的电力系统无功规划优化

简要分析了几种无功优化方法的局限性,通过比较得出遗传算法是求解无功优化的一种有效的方法,并在简单遗传算法(SGA)的基础上,提出了更加有效的算法即改进遗传算法(IGA)。该算法针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,借鉴了模拟退火思想在遗传算法的执行过程中对个体适应度不断进行修正,并采用了浮点数编码、双层结构群体、自适应的交叉率和变异率等改进措施。算例表明这种改进的遗传算法优化效果好,而且在精度和收敛度上都有较大提高。     

基于改进遗传算法的电力系统无功规划优化

简要分析了几种无功优化方法的局限性,通过比较得出遗传算法是求解无功优化的一种有效的方法,并在简单遗传算法(SGA)的基础上,提出了更加有效的算法即改进遗传算法(IGA).该算法针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,借鉴了模拟退火思想在遗传算法的执行过程中对个体适应度不断进行修正,并采用了浮点数编码、双层结构群体、自适应的交叉率和变异率等改进措施.算例表明这种改进的遗传算法优化效果好,而且在精度和收敛度上都有较大提高.     

局部搜索量子遗传算法及其无功优化应用

针对量子遗传算法局部寻优能力差的不足,提出一种局部搜索量子遗传算法,用于电力系统无功优化.该方法将局部搜索引入到量子遗传算法中,先进行全局寻优,当全局寻优搜索到的最优解经过多次迭代没有变化时,在此解附近产生小的寻优区间,进行局部寻优,以使算法同时具有较强的全局和局部搜索能力.复杂测试函数和IEEE30节点测试系统的仿真实验表明,该方法在寻优能力、收敛速度和稳定性方面优于文献中的新量子遗传算法、进化规划等多种方法.     

基于改进遗传算法的电力系统动态无功优化研究

建立本文了所用到的动态无功优化数学模型,然后对基本遗传算法进行改进,并应用IEEE30节点系统进行了验证。利用改进算法针对电力系统动态无功优化问题进行仿真。仿真结果表明该算法提高了电压合格率,更加合理分配动作设备动作时刻,实现了电网优化的实时性。     

改进遗传算法在无功优化中的应用

本文提出了一种应用于电力系统无功优化问题的改进遗传算法。该算法在一般遗传算法的基础上，对编码方式、遗传算子以及终止判据等方面作了改进。通过对IEEE14节点系统的计算分析表明，该算法优于一般遗传算法。     

基于改进遗传算法与原对偶内点法的无功优化混合算法

基于改进遗传算法和原对偶内点法提出一种求解无功优化问题的混合算法。首先通过改进遗传算法求解无功优化问题中的离散变量,然后采用原对偶内点法求解与已获得离散变量最匹配的连续变量。在改进遗传算法中采用交叉、变异算子并基于可行域规则处理离散约束,有效提高了混合优化算法的整体寻优效率。在IEEE 118节点系统中的仿真计算结果验证了本文方法的有效性。该方法已应用于福建电网自动电压控制系统中。     

基于内点法和改进遗传算法的无功优化组合策略

提出了一种求解无功优化问题的组合策略,该策略将无功优化问题分解为连续优化和离散优化2个子问题,分别用预测–校正内点法和改进遗传算法进行求解。考虑到实际电网在进行无功优化控制时,发电机是主要的调节手段,先不考虑离散变量的约束,采用预测–校正内点法优化连续变量;然后保持连续变量不变,用改进遗传算法优化离散变量;再返回到连续优化阶段,如此交替求解。当出现相邻的连续优化阶段和离散优化阶段网损变化的差值小于设定值时,停止优化。IEEE14、30、57、118节点系统的仿真结果表明,该策略比其它组合算法在收敛性和计算效率上更具优越性。     

基于改进遗传算法的配电网无功优化

本文在分析了电网安全经济运行现状的基础上,阐明了配电网无功优化的必要性,提出了以节省损耗电费最大为目标的无功优化数学模型,并基于传统遗传算法,提出了一种改进的遗传算法对无功优化模型进行求解：采用十进制编码、最优个体保存策略以及变异操作采用十进制码加减变异范围内随机数操作。最后将本算法用于某14节点电网系统中,结果表明,本文算法在优化效果基本相同的情况下,还具有迭代次数少,计算速度快等优点,具有重要的现实应用价值。     

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.     

基于改进小生境遗传算法的电力系统无功优化

针对电力系统无功优化问题,提出一种改进小生境遗传算法来克服小生境遗传算法中小生境难以确定的不足,改善遗传算法容易陷入局部收敛和早熟的缺点。通过模糊动态聚类分析方法实现小生境群体的划分,然后利用适应度共享技术对小生境内个体适应度进行调整,以提高全局寻优能力。提出和运用隔代小生境共享机制、最优个体邻域搜索及保留策略等以提高算法的计算速度和收敛速度。通过对IEEE 57节点测试系统进行无功优化计算及结果分析,说明所提出算法的全局搜索能力强、效率高,能得到较好的结果。     

基于混沌遗传算法的电力系统无功优化

针对遗传算法在求解大规模电力系统无功优化问题中存在的收敛速度慢、易早熟的缺点,提出了一种新的无功优化算法——混沌遗传算法CGA。该方法结合混沌优化所具有的遍历性、随机性和规律性的特点,在遗传进化过程中引入混沌移民算子,通过混沌移民操作维持群体中染色体的多样性,以克服传统遗传算法中由于近亲繁殖所导致的早熟问题,确保算法的全局收敛性,加快计算速度。通过对某地区42节点系统进行仿真计算,该方法相比于简单遗传算法,计算速度提高了45%,收敛到全局最优的概率提高了1.25倍。     

改进自适应遗传算法用于电力系统无功优化

为了克服自适应遗传算法早熟现象和改善收敛速度,在自适应遗传算法中引入二次变异操作。考虑到遗传操作后存在大量相同个体,捡出这些重复的个体进行二次变异,产生邻近的个体,这种方法不仅避免了重复计算而且增强了算法局部搜索能力,并且改善了算法的收敛性。通过对IEEE30节点系统进行计算测试,验证了该算法的合理性和可行性。     

基于改进免疫遗传算法的无功优化

针对目前电力系统无功优化算法所存在的问题提出了一种改进的免疫遗传算法,该算法把模糊逻辑、模拟退火和免疫算法相结合,根据模糊逻辑获得变化的交叉和变异算子,采用退火免疫方法对抗体进行选择,用免疫算子进行个体更新,从而增加了群的多样性,避免陷入局部最优。同时,还采用十进制整数编码和保存最优个体法来提高计算速度和精度。最后以IEEE 30-bus系统为例对算法的性能和求解精度进行了测试,结果表明本文提出的算法比其他遗传算法在计算速度和全局收敛方面有了很大提高。     

基于改进遗传模拟退火算法的无功优化

针对目前电力系统无功优化算法所存在的问题,提出了一种将遗传算法与模拟退火算法及牛顿下山法相结合的混合求解算法。首先根据个体适应度值进行自适应交叉和变异操作并采用模拟退火进行个体更新,以便增加群的多样性,避免陷入局部最优;然后采用牛顿下山法加快模拟退火部分的求解过程,并采用十进制整数编码和保存最优个体法来提高计算速度和精度。以IEEE 30-bus系统和一某实际电力系统为例对所提出算法的性能和求解精度进行了测试,结果表明改进的混合遗传算法比传统的遗传算法在计算速度和全局收敛方面有了很大提高。