基于改进进化策略的配电网无功规划

无功规划旨在保证系统电压质量的前提下,可尽量降低系统网损。该文分别以系统不同负荷运行方式下的电能损耗和无功设备的投资费用之和最小为目标,把变压器的分接头位置作为等式约束条件处理,建立了配电网无功规划的数学模型,分别求解。在灵敏度中加入支路集分析,同时对进化策略法进行了改进,为了更好地引入竞争机制和在种群规模较小下获得较大规模的多样性,在算法中引入双种群和"灾变"。进化策略法的变异环节采用服从柯西分布的变异,两个种群采用不同的适应度函数选择,通过对适应度函数的改进降低了适应度值的"欺骗性"。利用改进的进化策略法对一算例进行分析计算,结果表明改进算法具有更好的全局寻优能力。     

基于改进差分进化算法的配电网无功优化

采用改进差分进化算法(Improved Differential Evolution Algorithm,IDEA)求解配电网无功优化问题。该算法引入基于反学习的种群初始化方法,使算法得到的初始种群具有多样性,能够充分提取搜索空间的信息;引入高斯扰动机制到交叉操作中,提高了在维尺度上的种群多样性;在进化过程中融入人工蜂群搜索思想,引入蜂群加速进化与侦查操作策略,使算法能快速跳出局部最优,避免了早熟问题。建立了配电网无功优化数学模型,并采用IDE算法对IEEE30节点系统求解该模型,并与基本DE算法进行对比,仿真结果证明了所提IDE算法具有更佳的性能,能够有效的求解配电网无功优化的问题。     

基于改进微分进化算法的输电网络规划

提出一种改进微分进化算法来求解输电网络规划问题。该算法采用控制参数自适应调整策略,保持了种群的多样性并提高了全局搜索能力。同时引入联赛选择算子,避免了应用惩罚函数法构造适应度函数时难以选择惩罚系数的问题。18节点测试系统的计算结果验证了所提算法的有效性。     

基于改进教与学算法的含电能路由器的电力系统无功优化

针对传统智能算法在求解计及电能路由器的电力系统无功优化模型时存在的收敛性和多样性问题,提出一种基于轮盘赌选择和自适应柯西变异策略的改进教与学算法,并应用于含电能路由器的电力系统无功优化。该算法在学习阶段引入轮盘赌选择法,提高群体的学习效率,在教学完成后引入自适应柯西变异策略,增强班级种群的多样性,避免迭代过程陷入局部最优解。然后,建立以有功网损和电压偏离度最小为目标函数的电力系统无功优化模型,并以修改后的IEEE RTS-79标准测试系统为算例进行仿真分析,结果表明改进后的算法兼顾了收敛性和多样性,相比于传统算法具有更好的优化效果。     

基于改进量子进化算法的变电站选址方法

传统的变电站选址方法通常搜索时间长,且搜索质量不高,本文首次将量子进化算法(QEA)引入到变电站选址模型中,并且改进了传统的量子进化算法,提出了变电站选址的改进量子进化算法(IQEA)。IQEA对QEA的修复操作和进化方向进行改进;修复操作采用贪心修复,进化方向以适应度值作为评价的标准,以适应度值作为吸引子进行下一代的更新,从而更好地维持了种群的多样性,提高了算法性能。背包问题测试结果表明,对QEA的改进措施增强了QEA的搜索能力,提出的IQEA性能最优。且实际算例表明,本文所提出的IQEA是正确且有效的,其选址方法是科学、可行的。     

基于自适应折射学习和精英搜索SSO算法的电力系统无功优化

对电力系统无功优化问题进行研究,提出了一种基于自适应折射学习和精英搜索SSO算法(ARLESSO)的电力系统无功优化方案。针对群居蜘蛛优化(SSO)算法易于陷入局部最优和收敛精度不高的缺陷,引入多功能子族群划分策略:依据蜘蛛个体适应度大小,动态地将蜘蛛种群划分为精英群、扰动群和保持群;精英群和扰动群分别采用精英搜索和自适应折射学习进化机制,以提高算法全局深度搜索能力和种群样本多样性,在此基础上,构建最小网络损耗无功优化模型,并采用ARLESSO算法进行问题求解。IEEE节点测试系统仿真结果表明,同其他无功优化方案相比,所提算法全局寻优能力更强、精度更高,并且能够有效给出电力系统无功优化结果。     

基于改进粒子群算法的电压稳定约束无功优化

建立了考虑电压稳定性的电力系统无功优化模型,该模型以同时降低系统有功网损和提高静态电压稳定性为优化目标函数。针对标准粒子群算法(particle swarm optimization,PSO)容易陷入局部收敛和早熟的缺点,提出一种改进PSO算法对无功优化模型进行求解。利用适应度共享技术对粒子的适应度进行调整,以提高种群的全局寻优能力;引入学习因子动态调整策略,进一步平衡种群在解空间的全局探索能力和局部开发能力。IEEE 30节点系统的仿真结果验证了本文所提无功优化策略的合理性和有效性。     

基于改进 DE 的含风电机组配电网多目标无功优化

电网无功优化是保障电网安全、经济、可靠运行的基本手段,普遍方法是应用智能优化算法以确定电网无功设备投切方案,为此引入差分进化算法解决含风电机组的配电网无功优化问题。考虑风电机组出力的随机性,采用基于场景概率方法,建立了全场景下计及有功网损、静态电压稳定指标、无功补偿设备投资成本的多目标无功优化模型。针对基本差分进化算法的不足,结合免疫原理和二次变异思想改进了差分算法,改进后算法在充分利用进化过程中优良信息的同时,又能保持种群多样性。算例分析结果验证了所建模型与改进方法的可行性和有效性。     

一种改进的免疫遗传算法在电压无功优化问题中的应用

本文应用免疫遗传算法对系统进行电压无功优化。在编码时采用了实整混合编码形式,并对其进行了归一化处理,抗体的选择操作结合抗体的适应度和浓度来进行,可以保证算法在进化前期保持种群多样性,而在进化后期仍能有较快收敛速度。取IEEE—30节点标准系统为例,利用开发的优化计算程序进行电压无功优化计算,验证了本文算法较其他算法在计算和收敛能力上具有优势。     

基于动态多种群粒子群算法的无功优化

提出了一种基于动态多种群策略的改进粒子群算法。该算法将传统粒子群优化算法(particle swarm optimization,PSO)中的种群划分成多个子群,每个子群相对独立地朝同一目标进化,仅通过一种轮形结构的弱联系进行交流。在进化过程中各种群不断分裂和聚类重组,动态调整种群规模以更好地适应进化。该算法可以较好地避免PSO算法过快收敛于局部最优解,并且有较快的收敛速度。文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的。     

基于改进微分进化算法的电力系统无功优化

提出了一种改进的微分进化算法求解电力系统无功优化问题。在进化过程中，该算法根据进化情况采用动态参数调整机制提高算法的搜索效率，并且对种群重叠状况进行实时监视，对重叠个体利用混沌搜索策略来进一步提高算法的全局寻优能力。通过对IEEE 6、IEEE 30、IEEE 118标准测试系统及某地区实际系统的无功优化问题计算及结果分析表明，文中提出的改进微分进化算法高效、且全局寻优能力强。     

引入改进迭代局部搜索的灰狼算法及应用

针对标准灰狼算法(GWO)收敛速度慢,易陷入局部最优等缺点,提出一种引入改进迭代局部搜索的灰狼算法(IGWO)。首先,通过佳点集策略增强初始种群的均匀性与多样性;其次,采用双收敛因子,收敛因子基于种群位置非线性自适应更新,在种群寻优全期平衡全局勘探与局部开发能力;再次,在种群位置更新公式引入欧氏动态权重与莱维飞行策略,提升寻优精度,并帮助种群跳出局部最优值;最后,引入改进迭代局部搜索,使算法的搜索能力更加灵活,帮助算法加速收敛。通过10个基准测试函数的仿真分析及种群寻优平衡性对比,证明了IGWO具有更优的寻优精度、稳定性及收敛速度,随后将IGWO应用于工程优化问题中,相比GWO、GJO、WOA、HSSAHHO、SCHOA、NCPGWO、DSFGWO 7种算法,适应度分别优化了3.25%、27.2%、28.9%、3.15%、3.04%、0.23%、0.07%,证实了在工程应用中的可行性和有效性。     

基于GATS的电网无功电压综合控制

简述了无功电压综合控制的必要性及其设计思想和主要功能。根据电力系统实际运行情况及本系统自身特点,就PV节点给定电压,适应度函数的构造,交叉率、变异率的取值及禁忌搜索(TS)算法与遗传算法(GA)的结合等主要问题,详细介绍了GATS混合优化策略的具体实现形式,以实现逆调压要求,保证电压合格,避免早熟收敛,同时加速搜索进程。在IEEE118节点系统的计算中,混合优化算法与简单遗传算法相比,有效降低了计算时间,提高了优化效果,从而证明了GATS混合优化策略的实用性。     

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。     

基于均匀设计的免疫克隆算法在无功优化中的应用

提出了一种基于均匀设计的免疫克隆无功优化算法。该方法将初始种群均匀地分布在解空间中,使初始种群更多地表征解空间的信息,这样有利于在降低种群规模的同时保持种群多样性,有效提高算法的计算效率。提出了一种基于"距离"的疫苗接种策略,按照"距离"从大到小的原则确定接种位,有效地避免了"接种浪费";引入克隆算法的高频变异操作,对每一代的最优个体进行邻域搜索,提高算法的局部搜索能力。对IEEE 30节点和IEEE 57节点系统进行仿真表明:该算法在种群规模较小的情况下依然具有计算效率高、收敛性好等优点,适合求解电力系统无功优化问题。     

Quasi-oppositional differential evolution for optimal reactive power dispatch

This paper presents quasi-oppositional differential evolution to solve reactive power dispatch problem of a power system. Differential evolution (DE) is a population-based stochastic parallel search evolutionary algorithm. Quasi-oppositional differential evolution has been used here to improve the effectiveness and quality of the solution. The proposed quasi-oppositional differential evolution (QODE) employs quasi-oppositional based learning (QOBL) for population initialization and also for generation jumping. Reactive power dispatch is an optimization problem that reduces grid congestion with more than one objective. The proposed method is used to find the settings of control variables such as generator terminal voltages, transformer tap settings and reactive power output of shunt VAR compensators in order to achieve minimum active power loss, improved voltage profile and enhanced voltage stability. In this study, QODE has been tested on IEEE 30-bus, 57-bus and 118-bus test systems. Test results of the proposed QODE approach have been compared with those obtained by other evolutionary methods reported in the literature. It is found that the proposed QODE based approach is able to provide better solution.     

云模型改进萤火虫算法优化的模拟电路故障诊断

针对萤火虫算法(FA)优化最小二乘支持向量机(LSSVM)的结构参数时,存在早熟和后期收敛速度慢等问题,提出了一种云模型改进型萤火虫算法(CCAFA)优化LSSVM参数的算法。首先,混沌映射初始化FA的初始位置,以获得群体的多样性;其次,依据萤火虫的适应度值将种群划分为三个区间,利用云自适应进化策略调整某一区间的惯性权重,之后采用云模型对萤火虫的初始位置实施变异操作;最后,使用混沌序列对群体最优位置进行优化处理,增强群体的全局搜索能力。通过对典型的4个参考函数进行测试,以测验该算法的可行性。并将CCAFA-LSSVM模型应用于模拟电路的故障诊断中,实验结果表明,改进型算法的收敛速度快、全局搜索能力强,有一定的有效性。