基于改进型纵横交叉算法的电力系统无功规划优化

<正>将纵横交叉(CSO)算法应用到电力系统无功规划优化问题,并对CSO算法进行改进。运用混沌映射产生分布均匀的初始解,引进纵交叉微算子,并将量子粒子群算法搜索机制与CSO结合,增加算法的搜索能力。利用电压稳定裕度指标,找寻系统电压稳定性较薄弱节点,将其作为无功规划节点,并将综合规划费用和电压稳定裕度指标写入目标函数,追寻综合规划费用最低的同时提高电压稳定性。通过IEEE-30节点系统的仿真,验证了该规划方法和算法的有     

PSO-CSO算法在地区电网无功优化的应用

针对电力系统无功优化问题,建立以有功损耗最小为优化目标的数学模型,提出一种基于粒子群优化(particle swarm optimization,PSO)算法和纵横交叉优化(crisscross optimization,CSO)算法的混合智能算法(PSO-CSO)。该方法采用CSO算法横向交叉、纵向交叉的搜索方式,使算法具有很强的全局搜索能力;同时引入PSO算法中以个体最优值和全局最优值为引导的寻优机制,提高了算法的收敛速度。通过对IEEE57节点系统和地区电网模型进行仿真分析,并将优化结果与PSO和CSO等算法的优化结果进行比较,表明PSO-CSO算法在解决电力系统无功优化问题上具有更好的全局搜索能力和收敛能力。     

含分布式电源的地区电网无功优化研究

分析揭阳地区电网的基本特点和无功配置情况,针对含分布式电源的地区电网无功优化特点,以有功网损最小为目标,提出了基于纵横交叉算法(CSO)的电力系统无功优化方法。CSO算法中首次提出维局部最优概念和纵横交叉双搜索思想,相比其他主流群智能优化算法,CSO算法在解决维数灾问题和收敛精度方面取得了较大突破。算例仿真结果表明,CSO算法寻优质量高、收敛性好,适合求解大规模系统无功优化问题。     

基于鲸鱼优化算法的无功优化调度

针对目前电力系统中的无功优化问题尚缺乏一种能兼顾求解的高效性与全局搜索最优性的方法,本文将一种新的启发式算法--鲸鱼优化算法(WOA)运用到电网无功优化调度中,以系统有功功率损耗最低为目标函数,通过引入惩罚函数建立无功优化模型,对IEEE-14节点系统与IEEE-30节点系统进行仿真,并利用单因素方差分析法(One-way ANOVA)将所得结果与之前的粒子群优化算法(PSO)及引入加速度系数的时变粒子群优化(PSO-TVAC)进行比较,研究表明WOA算法在迭代次数、搜索能力及收敛问题上的潜力,并证明了在解决电力系统无功优化问题上的鲁棒性和有效性,同时也为解决非线性约束问题提供了新途径。     

基于群搜索算法的电力系统无功优化

为了提高电力系统的运行效率和经济性能,用群搜索优化算法(Group Search Optimizer)对电力系统各控制变量进行合理配置,以此减少电力系统无功损耗。群搜索优化算法是一种新兴的群智能优化算法,该算法把群成员分为发现者、追随者和游荡者三种,其中游荡者的位置随机选定,这有效地避免了其他算法容易陷入局部最小值问题。选定电力系统中无功投入量、电压变比、发电机端电压等作为控制变量,通过群搜索优化算法对控制变量进行迭代计算和潮流计算,最终计算出最小的网络损耗及其对应的控制变量值。最后用Matlab7.6对IEEE-14、30节点系统进行仿真,并与其他群智能优化算法进行对比,结果显示,群搜索算法的收敛较快且稳定,最终证明了群搜索算法对无功优化的优越性。     

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。     

三目标混合骨干粒子群算法的电力系统无功优化

电力系统无功优化通常以降低有功网损和减小电压偏移为目标,建立了综合考虑有功网损和电压偏移最小及电压稳定裕度最大的三目标无功优化模型。首次引入混合骨干粒子群算法用于解决电力系统无功优化问题。该算法利用关于粒子个体极值和全局极值的高斯分布对粒子位置进行更新,再通过K-均值聚类的方式,引入单纯形法对有代表性的粒子进行单纯形搜索,使算法既能够具备较强的全局搜索能力,又能够提高收敛速度和精度。将该算法和其他算法应用于IEEE-14节点系统中进行无功优化,通过数据的计算和比较,结果验证了该模型和算法用于解决多目标电力系统无功优化问题的优越性和实用性。     

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.     

基于NW小世界的量子进化算法在无功优化中的研究

针对量子进化算法的早熟问题,提出了一种适于电力系统无功优化的NW（newman-watts）小世界量子进化算法。该算法引入了NW小世界网络模型,以一种新颖的随机加边方式动态改变种群个体的邻域拓扑结构,从而保证了整个优化过程中的种群多样性,提高了算法的全局搜索能力。应用该算法对IEEE-14节点和IEEE-57节点系统进行无功优化的仿真分析,结果表明,NW小世界量子进化算法在电网无功优化计算中具有较强的全局寻优能力和较高的收敛精度。     

模拟渔夫捕鱼寻优算法在多目标无功优化中的应用

模拟渔夫捕鱼寻优算法（Optimization algorithm on simulating the fisher fishing,SFOA）是模拟渔夫捕鱼行为习惯而提出的一种新的智能算法。通过对该算法的研究,并将SFOA算法用于求解电力系统多目标无功优化问题。无功优化模型采用计及网损和电压平均偏离两个指标,并提出了基于考虑用户偏爱区域把目标函数转化为约束条件的方法,它可以有效地处理多目标优化问题。由于无功优化是多变量优化问题,而SFOA算法在处理多维问题时寻优速度受到限制,因此,采用在方体内随机初始化方法,简化了移动搜索和收缩搜索在方体内的复杂搜索,提高了算法的搜索速度。通过IEEE-30节点和IEEE-57节点算例仿真结果表明,该算法有较好的全局搜索性能和较稳定的收敛速度,能有效提高系统运行的经济性和安全性。     

基于自适应模糊粒子群算法的电力系统无功优化研究

针对传统粒子群算法搜索精度低和易早熟的缺点,提出了一种自适应模糊粒子群算法(AFPSO)对电力系统进行无功优化.该算法对惯性权重进行非线性的调整,有效地提高了算法的收敛速度和精度,并对位置的更新采用模糊控制,较好地解决了粒子群易早熟的问题.将该算法应用于无功优化问题中,在IEEE-30节点系统上进行测试,证明了AFPSO算法的有效性和优越性.     

基于改进非支配排序遗传算法的电力系统无功–潮流多目标协同优化调度

提出了一种改进非支配排序遗传（Non-dominated sorting genetic algorithms,NSGA）-Ⅱ算法,其种群局部搜索和外部种群的设置有效提高了算法的收敛性和解集的多样性。将该算法应用于电力系统无功–潮流多目标协同优化调度问题的求解。采用IEEE-14和IEEE-30母线系统进行算例分析。算例仿真的结果表明,应用所提方法能够兼顾电力系统运行的无功优化目标和潮流优化目标,实现无功最优和潮流最优的折中;同时,改进NSGA-Ⅱ算法在收敛性和解集多样性上都优于传统NSGA-Ⅱ算法。     

改进PSO算法用于电力系统无功优化的研究

由于电力系统无功优化为一有多变量、多约束、非线性的组合优化问题,针对传统粒子群算法收敛精度不高、易陷入局部最优的缺点,提出了一种改进的算法:分别赋予传统算法中的粒子以不同的初始惯性权重,权重较大的粒子拓展搜索空间,惯性权重较小的粒子完成局部强化寻优的工作。用改进的PSO算法无功优化计算IEEE-14节点系统的结果表明:新算法不仅避免了惯性因子权重调整的困难,而且较好地协调了算法的局部与全局搜索能力,可较好地解决电力系统的无功优化问题。     

基于量子粒子群算法的电力系统无功优化

量子粒子群优化算法(QPSO)避免了粒子群算法(PSO)不能保证收敛到全局最优解的缺点,认为粒子具有量子的行为,并且可以在整个可行解空间进行搜索.无功优化问题是带有离散变量的非线性、不连续、多约束、多变量的复杂优化问题,应用QPSO算法并结合动态调整罚函数的方法来解决无功优化问题.通过对IEEE-30节点和IEEE-1...     

基于细菌群体趋药性的电力系统无功优化

提出了一种基于细菌群体趋药性的电力系统无功优化算法。细菌群体趋药性引入了群体信息交互策略,使得单个细菌在利用自身信息随机移动的同时,通过种群的信息交互,有效地改善了个体移动时的随机性和盲目性,加强了细菌趋于最优的移动策略。建立了基于细菌群体趋药性的无功优化数学模型,并对标准IEEE-6和IEEE-30节点测试系统进行了无功优化计算,通过结果分析表明,细菌优化算法在解决电力系统无功优化问题上,具有很好的应用前景。     

基于细菌群体趋药性的电力系统无功优化

提出了一种基于细菌群体趋药性的电力系统无功优化算法.细菌群体趋药性引入了群体信息交互策略,使得单个细菌在利用自身信息随机移动的同时,通过种群的信息交互,有效地改善了个体移动时的随机性和盲目性,加强了细菌趋于最优的移动策略.建立了基于细菌群体趋药性的无功优化数学模型,并对标准IEEE-6和IEEE-30节点测试系统进行了无功优化计算,通过结果分析表明,细菌优化算法在解决电力系统无功优化问题上,具有很好的应用前景.     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

电力系统无功优化自适应粒子群算法

针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。     

基于最优值临近搜索的灾变粒子群算法在无功优化中的应用

粒子群算法在电力系统无功优化中容易出现局部收敛和早熟的现象,对传统粒子群算法进行了改进。改进算法对当前全局最优粒子进行临近搜索（NSGOP-PSO）,加快了粒子群的搜索速度和搜索精度。并加入了仿生进化算法中的灾变算法（NSGOP-CPSO）,按一定规律对群体全部粒子或部分粒子施行灾变,用于解决粒子群算法中的不收敛和早熟现象的问题。对该算法的作用原理进行了细致的分析和说明,并以IEEE-30节点系统的仿真图形及统计数据说明了该改进粒子群算法是有效的。     

带免疫的蚁群算法用于电力系统无功优化

针对电力系统无功优化具有非线性、多变量、多约束、多目标的特点,提出带免疫的蚁群优化算法。通过对连续的控制变量进行编码,实现了蚁群算法在函数优化问题上的应用。引入蚂蚁分工机制,可以大大减少每只蚂蚁的搜索空间,降低蚁群算法求解问题的难度。引入免疫算法的思想,可以避免在搜索过程中出现早熟,提高了蚁群算法的搜索效率。以IEEE-14节点系统为算例,比较分析基本算法与带免疫系统算法的计算结果,从而验证改进蚁群算法的有效性。