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。     

微分进化算法在电力系统中的应用

微分进化是一种基于群体智能的新兴全局优化方法,具有收敛速度快、可调参数少、鲁棒性好、操作简单等特点.介绍了微分进化算法的基本理论,综述了近年来微分进化算法在电网规划、最优潮流、无功优化、机组组合、经济负荷分配、配网优化运行、优化设计等方面应用研究的主要成果与方法,最后对其在电力系统中的应用进行了展望.     

基于量子差分进化算法的电力系统无功优化

以系统有功网损最小为目标,建立了一种电力系统无功优化数学模型,并提出了一种基于量子差分进化算法的电力系统无功优化方法。该算法采用量子计算中的并行、坍缩等特性,增强了对解空间的遍历能力;同时在传统选择策略的基础上加入了量子计算的概率表达特性,有效地避免了算法的早熟现象。对IEEE-30节点测试系统进行仿真分析,并将优化结果与传统差分进化算法和粒子群优化算法进行对比分析,结果表明量子差分进化算法在解决系统无功优化问题上更科学、更有效。     

基于改进PSO算法的电力系统无功优化研究

将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程。为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第 3种极值指导粒子搜索方向,并引入了“飞回”策略。对IEEE-30节点系统的仿真计算结果表明了算法的有效性。     

基于改进PSO算法的电力系统无功优化研究

将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程.为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向,并引入了"飞回"策略.对IEEE-30节点系统的仿真计算结果表明了算法的有效性.     

融合鱼群和微分进化的蚁群算法的无功优化

对于求解电力系统无功优化问题,提出了一种融合鱼群和微分进化的蚁群优化算法（FDEACO）。受人工鱼群觅食、聚群和追尾行为的启发,在基本蚁群算法的基础上,应用人工鱼群算法的追尾行为对蚁群在可行域上搜索到的解进行改进,加快了向最优解收敛的速度。在信息素更新机制里,通过引入微分进化算法的发散项,增加一个随机扰动,减小了算法陷入局部最优的可能性。在IEEE30测试系统上对新提出的算法进行校验,并与其它算法比较,证明FDEACO算法收敛速度快、全局寻优能力强。     

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。     

改进差分进化算法在电力系统无功优化中的应用

针对电力系统无功优化具有非线性、多控制变量、多约束条件、连续变量和离散变量混杂的特点,提出了一种改进的差分进化算法。该算法根据进化学习过程中积累的经验,利用优良群体引导变异的方向,同时提取优良群体各维元素的信息,以优良群体信息指导个体每一维变量的交叉操作。IEEE 30节点系统算例表明,所提算法较基本差分进化算法和粒子群算法,收敛速度快、计算精度高、稳定性好、能有效地求解电力系统无功优化问题。     

基于IBBDE算法的交直流混联系统无功优化

随着高压直流输电工程(HVDC)投产规模持续增长,交直流混联电网的格局初步形成,给传统电网无功优化带来挑战。文中提出一种改进骨干差分进化算法(Improved Bare-bones Differential Evolution,IBBDE)求解交直流混联系统无功优化问题。在骨干差分进化算法的基础上,IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率的改进措施以提升种群的全局寻优能力。以含HVDC的IEEE 30节点系统为算例进行分析,结果表明,与差分进化算法和骨干差分进化算法相比,所提IBBDE算法可获得更优的无功优化效果,且寻优稳定性更好。     

基于差异进化和PC集群的并行无功优化

提出了一种在线求解电力系统无功优化问题的方法。该方法基于新的差异进化（DE）算法和并行计算技术,在PC集群上实现优化。IEEE118节点系统的算例表明：DE算法尽管简单,但可快速收敛到近似最优解;采用并行差异进化和适当规模的PC集群,可大大缩短电力系统无功优化的计算时间,使之满足在线应用的需要。     

基于细菌群体趋药性算法的电力系统无功优化

将细菌群体趋药性（BCC———bacterial colcony chemotaxis）优化方法应用在电力系统无功优化中,以网损最小为目标函数,建立了BCC无功优化数学模型。由发电机机端电压、变压器分接头和电容器组3部分控制变量构成初始矩阵,它们在算法中作为细菌位置坐标,表征细菌移动寻优时的空间位置。控制变量即细菌移动遵循在 n维空间中的移动寻优规律,每个细菌通过感知周围的信息不断向最优方向移动,从而提高了全局搜索能力。通过优化参数,加快了收敛速度。对IEEE 30,IEEE 57,IEEE 118测试系统进行了测试,与免疫记忆遗传算法和混沌粒子群算法相比较,结果令人满意。     

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。     

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。     

基于差异进化算法的并行容错无功优化

容错是应用分布式并行计算系统时必须解决的一个关键难点.在基于广域网络的新型计算环境下实现基于进化算法的电力系统优化应用时,需要对大量个体进行频繁的迭代评估,现有的各类容错技术难以实现对此类应用的高效容错.文中结合进化算法概率性搜索、个别个体失效不会影响系统整体性能的特点,提出以父代个体取代未按时返回的子代个体的方式实现容错,并结合基于差异进化算法的无功优化问题对所提出的方法进行了仿真分析.IEEE 118节点系统测试表明该方法能以优化性能的降低为代价实现高效容错.在该容错手段支持下,可通过采用更大范围网络计算资源基础上更大的群体规模,取得一致性更好、更接近全局最优的解.     

自适应多目标差分进化算法在计及电压稳定性的无功优化中的应用

计及电压稳定性的无功优化是一个兼顾降低有功损耗和提高静态电压稳定性的非线性约束多目标优化问题。提出了一种自适应多目标差分进化算法（self-adaptive multiobjective differential evolution,SAMODE）对多目标无功优化进行求解。在差分进化的寻优机制中嵌入非劣排序和拥挤距离排...     

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。