实现无功优化的新算法——遗传算法

阐述了遗传算法〖ＢＦ〗(GA)〖ＢＦＱ〗在电力系统无功优化中的应用。实例计算表明，与常规无功优化方法比较，GA收敛性好，适应性强，可以达到全局最优，是实现离散无功优化的一种好方法。     

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。     

影响遗传算法PID参数优化性能的主要因素

针对影响遗传算法性能的主要因素进行讨论，并结合PID励磁调节器参数优化，对不同编码方式、遗传算法的控制器参数优化情况进行比较分析。所得结果对应用遗传算法在线调整控制参数具有指导意义。     

电网无功优化的改进遗传算法

针对遗传算法在电力系统无功优化实时控制中中速度较慢的问题，提出了一种改进的分段进化遗传算法，改变常规算法固定群体规模和最大迭代次数的做法，将其进化过程分为几个阶段，逐次对其群体规模进行扩充，并规定适应于每个阶段群体规模的迭代次数。这样既可以改善寻优方向，防止过早收敛，又可以保证进化后期每次迭代的有交笥，加快计算速度。在IEEE30节点系统的实验中，与其他常规算法进行对比分析，结果表明分段进化遗传算法具有较强的全局寻优能力，愉的收敛速度，更加适应于实时无功控制。     

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。     

基于改进遗传算法的配电网无功优化

针对传统遗传算法在电网无功优化领域应用中存在的不足,结合配电网的特征,建立了综合考虑全年网损、电压品质和补偿设备投资的无功优化数学模型。同时应用自适应遗传算法对传统遗传算法的遗传算子和终止判据等进行了改进,提出了一种配电网无功优化的改进遗传算法,使其计算效率和全局寻优能力均有提高。实例计算表明,其优化效果优于传统遗传算法。     

遗传算法及其改进

本文首先对遗传算法的来源,基本原理,数学机理,特点及其应用进行了论述。这了提高遗传算法的收敛性能,同时考虑到交叉率和变异率的选取问题,本文简要介绍了一种基于个体适应度值的自适应调整交叉率和变异率的自适应遗传算法。     

基于改进遗传算法的配电网无功优化

针对配电网的特征,建立了综合考虑全年网损、电压品质和补偿设备投资的无功优化数学模型。对传统遗传算法的遗传算子和终止判据等方面进行了改进,提出了一种配电网无功优化的改进遗传算法,使其计算效率和全局寻优能力均有提高。采用本文提出的改进遗传算法,通过实例计算,结果表明其优化效果优于传统遗传算法。     

改进遗传算法的无功优化

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数学模型，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IEEE30节点算例表明了本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。     

改进遗传算法在电力系统无功优化中的应用

根据电力系统无功优化问题的特点,提出了一种基于近似最优个体、学习算子和浑沌算子的改进遗传算法。传统遗传算法应用于电力系统无功优化问题,虽然收到了比较好的效果,但并没有充分利用电力系统本身的特点。而本研究所提的改进遗传算法,可以充分利用已有的信息和运行经验,从而达到在保证解的全局最优性的同时大大加快计算的速度。具体的算例表明了所提算法的正确性和有效性。     

基于遗传算法的无功优化模型研究

遗传算法是近十年发展起来的基于自然选择规律的一种优化方法。本文阐述了遗传算法（GAs)在电力系统无功优化中的应用。实例证明计算表明,与常规无功优化方法相比,该算法成功地解决了无功优化中变量的离散问题,避免了常规数学优化方法的局部最优现象。     

遗传算法在电力系统无功优化中的应用

遗传算法根据自然界适者生存的原则进行搜索和优化。将遗传算法应用于电力系统无功优化，不仅能避免一般优化算法的局部最优问题，并能解决无功优化中变量的离散问题，避免维数灾难，提供最优及次优方案，使无功优化更切实际。遗传算法的引入，为电力系统无功优化提供了一种新的计算方法，使无功优化方法更加完善和实用。     

一种基于混和遗传算法的电力系统优化无功问题研究

为了解决电力系统的无功规划问题,本文在分析简单传算法缺陷的基础上,在ＳＧＡ中引入Ｂｏｌｔｚｍａｎｎ生存机制,提出了一种新型的退火选择遗传算法,对ＩＥＥＥ３０节点系统的仿真表明,该算法收敛速度快,逃脱局部极值的能力强,对电力系统优化问题提供了和中新颖的方法。     

结合专家知识的遗传算法在无功规划优化中的应用

在遗传算法中采用专家知识辅助寻优,有助于改善寻优方向,防止过早收敛,由于无功功率不家远距离传输。因此电力系统中的无功平衡和电压调整具有很强的地区性。依据专家知识对少数被选中的个体动态形成本厂、站的就地无功／电压控制的有效变量集进行人工调整,可以改善遗传算法的局部寻优能力。该专家知识包括三个主要方面：消除电压越限、减少投资和降低网损。为了更符合实际情况,建立了母线电压对调节裕度的模糊隶属函数。对某实际系统的计算表明,结合专家知识的遗传算法能够更有效地找到全局最优。     

基于遗传算法的无功优化在福建电网的实用化改进

分析了基于遗传算法的无功优化在实际系统应用中存在的问题,在传统遗传算法的基础上,对适应度函数和群体多样性的保持进行了改进,并将设备动作优先级和历史负荷经验数据引入遗传算法,根据福建电网的实际情况完成了遗传算法在无功优化中的实用化改进.实际应用表明,改进后的算法使得控制设备动作合理,动作次数少,能有效地提高电网的电压合格率并降低网损.     

分布计算的遗传算法在无功优化中的应用

为了快速有效地求解电力系统无功优化问题,提出了一种分布式并行计算的遗传算法。它采用主从方式来组织局域网内的多台机器进行并行计算——由1台主机进行选择和遗传操作,并根据负荷均衡的原则调度多台从机计算潮流以给出个体适应值。根据无功优化的特点,为了增加算法并行度,就编码方案、基于多目标函数的适应度求解和遗传操作等方面对遗传算法进行了详尽的设计。文中还着重分析了并行处理效率的相关问题。算例表明该方法不仅取得了较好的优化效果,而且显著地提高了计算速度。     

遗传算法在无功优化应用中的改进

将遗传算法应用于电力系统无功优化的同时,针对无功优化的实际,文章提出了在不同优化阶段,对目标函数各项罚因子采用不同权重,并且构造出分阶段适应性函数,以及提出了选择式杂交方式等改进措施。通过典型算例和实际系统的测试,证明了这些改进方法对遗传算法应用于无功优化计算的寻优速度和收敛特性都有明显提高。     

伪并行遗传算法在无功优化中的应用

在无功优化中，应用矩阵奇异值分解理论，引入了静态电压稳定裕度最大化目标和并行遗传算法思想，提出了用于无功优化的伪并行遗传算法。该算法在一定程度上避免了常规遗传算法容易出现的“早熟”现象，收敛速度也有一定提高。对Ward＆Hale 6节点和IEEE 14节点系统进行了测试，计算结果表明，本文所提模型和算法是合理可行的。     

电力系统无功优化的变尺度混沌优化算法

变尺度混沌优化(MSCOA)是一种改进的混沌优化方法(COA),利用混沌运动的内在随机性、遍历性和规律性进行全局寻优;通过尺度变换不断缩小优化变量的搜索空间,通过改变"二次搜索"的调节系数提高搜索精度,从而提高局部细化搜索能力.文章将该算法应用于电力系统无功优化问题,并对IEEE 6节点系统以及某地区54节点系统进行了仿真计算,计算结果验证了算法的有效性.