电力系统无功优化规划方法的研究

针对电力系统的长期规划问题，提出了基于启发式算法和Bender‘s分解技术的目标年无功优化规划算法，并分别考察了单负荷水平和多负荷水平两种情况，该算法把无功优化问题分解为投资和运行两个问题子，解决了线性化运动子问题求解时可能出现的不可行情况，计算结果表明，该算法是合理、有效的。     

基于改进遗传算法的电网无功优化

无功运行优化问题的关键在于获得最优解或较好的次优解。传统的线性规划法和非线性规划法不能很好地处理整型变量问题，而简单遗传算法的鲁棒性不高。结合高中压配电网的特点，本文对简单遗传算法进行了改进：采用十进制整型编码法和排序选择法，并对末位个体进行更新，最后采用模式法修正局部最优解。数值对比试验表明，本方法是合理的和可行的，具有一定的实用意义。     

基于改进遗传算法的配电网无功优化规划

以年综合费用最小为目标,建立了考虑系统多负荷水平的配电网无功优化规划数学模型;提出了在灵敏度分析的基础上以负荷功率阻抗矩法确定补偿节点,利用灵敏度分析和灾变思想改进遗传算法的配电网无功规划优化方法;该方法加强了遗传交叉、变异操作的针对性,提高了算法的收敛速度;算例结果表明了其有效性和实用性。     

基于改进遗传算法的电网无功补偿优化控制研究

电网无功功率补偿优化控制是一个多元非线性动态约束问题,传统的电网无功补偿非线性规划方案都需要精确的数学物理模型,且各参变量间的协调性较差,很难满足电网多目标优化控制的工程需要.利用改进蚁群算法分布式协同组合优化的思想,建立以电压越限畸变为惩罚函数,以电压和无功补偿综合满意度为目标函数的电网无功补偿优化控制模型.实例仿真试验表明,基于改进遗传算法的电网无功优化控制模型,通过自适应的目标函数最大路径寻优,获得电网无功功率补偿装置较优越的无功补偿组合,提高了电网无功补偿的综合效率,有利于系统电压的稳定性,为电网无功优化提供了一个新的智能运算模型.     

基于混沌遗传算法的配电网无功补偿优化

将遗传算法应用于配电网无功优化,介绍了混沌遗传算法的具体步骤,并将该算法对IEEE30节点系统进行了无功优化计算,将结果与遗传算法得到的结果进行比较,表明混沌遗传算法应用于无功优化是合理可行的。     

基于改进遗传算法的电网无功优化

无功运行优化问题的关键在于获得最优解或较好的次优解。传统的线性规划法和非线性规划法不能很好地处理整型变量问题 ,而简单遗传算法的鲁棒性不高。结合高中压配电网的特点 ,本文对简单遗传算法进行了改进 :采用十进制整型编码法和排序选择法 ,并对末位个体进行更新 ,最后采用模式法修正局部最优解。数值对比试验表明 ,本方法是合理的和可行的 ,具有一定的实用意义     

地区电网无功优化的研究

本文参考大量权威文献,对地区电网无功优化的几种方法进行了研究和分析,指出人工智能方法有广阔的发展前景.     

南京电网分区结构的形成及发展规划研究

在城市电网规划中,为保证各级电网协调发展,需要科学处理电网分区问题.回顾了南京电网现有分区结构的形成,将未来分区规划分为3个发展阶段.同时对电网分区的时机、原则进行了探讨,以期为南京电网规划提供参考.     

基于遗传算法的电力系统无功优化

在总结常用的电力系统无功电压优化方法的基础上,建立了以网损、电压质量和无功潮流分布为目标函数的数学模型．然后对基本遗传算法进行了一些改进,并将改进的遗传算法应用到IEEE30节点系统进行验证．测试结果表明,改进的遗传算法有助于解决无功电压优化问题．     

基于改进遗传算法的无功优化

遗传算法的基础上对其局限性进行改进,使该算法在电力系统无功优化的应用中具有一定优越性。通过改进编码和选择算子,自适应的交叉变异概率等策略,并引入基于模拟退火策略的适应度函数和混沌算法,使得改进遗传算法高速、准确的收敛于最优解,改善了传统遗传算法易陷入收敛性差、效率低的弊端。在此基础上建立无功优化数学模型,介绍了该算法具体实现步骤,并将其应用于IEEE30节点,证明所提算法是可行和有效的。     

基于粒子群遗传混合算法的配电网无功规划

提出了一种基于粒子群算法(PSO)和遗传算法(GA)相混合的配电网无功规划算法。该算法利用遗传算法收敛效果好和粒子群算法收敛速度快的特点,计算结果表明:该算法是收敛的、有效的。     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性,提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略,改进交叉和变异操作,并结合模拟退火算法（SA）的Metropolis判别准则的复制策略,使寻优过程能够跳出局部最优解,从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点,提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度,避免早熟收敛。     

A Genetic Algorithm for Reactive Power Optimization of Power System

oINTRODUCTIoNReactivepoweroptimizationisaneffec-tivemeasuretoreducethelossinpowersystem.However,GeneticAlgorithm(GA)drawsmoreattentionaspowersystemfurtherexpandsinsizeanditisasystemopti-mizationtoolbaseduponnaturalselec-tionandnaturalgenetics,andfeatureshigheffciencyandwideapplicability.lBASICMODELANDGENETICAL-GoRITHMl.lBasicModelforReactivePowerOpti-mizationThefollowingarethevariantstobecontrolledf(l)thecompensationamountontheloadernode,(2)thegeneratorvoltage,(3)theratiooft…     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

三目标遗传粒子算法的电力系统无功优化

电力系统无功优化是提高电网高效运行和节能的关键环节。建立了综合考虑有功网损最小、电压偏差最小及静态电压裕度最大的三目标电力系统无功优化模型。提出了遗传粒子群(GAPSO)混合算法,并将算法运用于IEEE14与IEEE30节点电力系统无功优化中。该算法先通过选择操作,选出优秀的样本,在利用交叉操作增加种群的多样性。然后进行变异操作提高种群的局部搜索能力。通过数据计算和比较GAPSO算法在收敛速度、精度和全局搜索能力上均优于常规GA算法和PSO算法。结果验证了模型和算法的有效性和实用性。     

基于遗传算法的网格资源任务调度策略研究

网格是当前高性能计算领域的一个研究热点。首先分析了网格任务的特点,给出了网格任务模型,在此基础上提出了一种层次结构的网格资源管理任务调度系统模型。采用了遗传算法作为调度策略,给出了调度策略的每一步具体实现方案。此模型可为网格的资源管理提供一个统一的高层管理框架,能实现全局最优调度,为网格调度提供了一种有效的方法和途径。