基于改进免疫遗传算法的电力系统无功优化

电力系统无功优化是保证系统电压质量、降低网损的重要措施.基于遗传算法、免疫算法的优缺点,提出一种应用于电力系统无功优化的新算法-改进的免疫遗传算法.对IEEE-30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.     

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．     

基于遗传算法的电力系统无功优化研究

电力系统无功优化主要是指在负荷给定的情况下,有载可调变压器分接头位置、无功补偿的最佳容量和发电机机端电压大小的优化。本文以有功网损最小为目标函数建立主网无功优化的数学模型,对于目标函数中的无功电压越界和发电机无功出力越界,采用罚函数予以解决。针对遗传算法应用于求解无功优化等复杂非线性优化问题中容易发生“早熟”和收敛速度慢等问题,本文作了一些改进。通过改进,遗传算法能够跳出局部最优解,增强了全局寻优能力,使寻优速度和精度在一定程度上得到了提高。     

基于并行遗传算法的电力系统无功优化

为了快速有效地求解大型电力系统无功优化的问题,提出了一种基于局域网的分布式并行遗传算法,采用主从式模型来组织局域网内的多台计算机进行并行计算,整个并行系统由一个主处理器和若干个从处理器组成。根据无功优化的特点,为了找到全局最优解,就目标函数及相关参数值的选取和遗传操作进行了改进。算例表明,该方法不仅有效地减少了系统的网络损耗,而且显著地提高了计算速度。     

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。     

基于改进粒子群算法的电力系统无功优化

简单介绍了基本的粒子群算法,阐述了在电力系统无功优化中的数学模型和变量的约束条件。对于粒子群算法容易陷入局部最优解和后期收敛速度比较慢的问题提出了两个改进的方法,并且在IEEE-6节点系统上进行仿真实验,证明了本算法的可行性和优越性.     

模拟退火遗传算法在电力系统无功优化中的应用

电力系统无功优化是保证系统安全、经济运行的一项有效手段．针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,在遗传算法（GA）和模拟退火算法（SA）的基础上,提出了更加有效的算法即模拟退火遗传算法．使用该文提出的算法对IEEE-14节点系统进行了无功优化计算,结果表明该模拟退火遗传算法应用于无功优化是合理可行的．     

基于线性规划的电力系统无功优化

电力系统无功优化对保证电能质量及系统安全经济运行有着重要的意义．本文研究的电力系统无功优化算法是以整个网络的损耗最小为目标函数,以无功补偿设备出力、发电机端电压和可调变压器变比为控制变量,以发电机的无功出力和变压器端电压幅值为状态变量建立了线性规划模型方程．采用内点法来求解线性规划模型方程组,获得了各控制变量和状态变量的最优值．优化后的结果表明,降低了目标电力系统的网络损耗．     

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.     

基于模拟退火PSO的电力系统无功优化

对粒子群优化算法方法进行改进,把模拟退火机制引入到粒子群优化算法方法中,提出了基于模拟退火粒子群优化PSOSA(PSO with Simulated Annealing)算法,通过适当选择种群大小、调整惯性权重系数ω和退火系数C,以温度的缓慢下降来控制粒子的寻优过程,提高了粒子群优化算法的全局收敛性,改善了粒子的局部搜索能力.建立了以网损最小为目标的电力系统无功优化模型.通过对IEEE-30系统的无功优化计算,结果表明,PSOSA算法具有更好的全局收敛性和良好的搜索能力.     

基于蚁群系统的电力系统无功优化

无功优化是电力系统电压稳定与经济运行的核心问题之一,也是提高电力系统电压质量的重要措施.将蚁群系统应用在电力系统无功优化,给出优化模型.对IEEE 6节点系统进行仿真计算,将计算结果与传统优化结果进行比较,表明蚁群系统的有效性.     

改进随机试验法用于电力系统无功优化

随机试验法具有过程简单、限制条件少、方便处理离散问题、全局搜索效果好及依概率收敛等优点,但传统方法存在计算量大、耗时多等缺点,因而不便于处理电力系统无功优化问题。改进随机试验法把每批次的抽样次数和抽样区间适当减小,以达到减少计算量和计算时间的目的,从而实现试验法在电力系统无功优化控制中的应用。通过对IEEE-14节点系统的算例分析,证明了方法的可行性。     

改进遗传算法在无功优化算法中的应用

无功优化是电力系统运行中的一个典型难题，遗传算法具有线性时间复杂度和全局收敛的特点，正好适合于该问题的求解。文章首先对遗传算法进行了探讨，对其中的杂交算子作了较为深入的研究，提出了一种新型的启发式杂交算子，克服了传统算术杂交算子中经常发生的“种群早熟”问题。为了提高求解速度，结合无功优化问题和遗传算法的特点对其中潮流计算的运算精度进行了动态控制。通过对IEEE30节点测试算例的求解，证明了本文提出的改进遗传算法具有很强的全局寻优能力，求解速度比传统遗传算法快了近1倍。     

电力系统无功优化研究

针对部分区域无功分布不合理,引发线损高、电压质量差、电力系统稳定性差等问题的现状,提出了通过电力系统内部无功优化的方式来解决这些问题,建立了以线损最低和电压质量最好为目标函数的多目标无功优化模型,并以实际算例对数学模型进行验证,分析结果表明:模型能够有效降低线损,增强经济效益,提高电压质量,保证电力系统安全运行。     

基于生物地理学优化算法的电力系统无功优化

将模拟物种迁移规律的生物地理学优化算法（BBO）应用于求解电力系统无功优化问题。区别于遗传算法中局限于染色体两两之间分享特征信息的模式,BBO独特的迁移模式使得好的栖息地特征信息得以在多个栖息地之间广泛传播,从而加快了优化进程。IEEE14节点和IEEE57节点的测试结果表明：BBO算法在与相关文献中的算法相当的迭代次数内能够得到更优的解,且算法对参数的依赖性不强,适用于求解电力系统无功优化这一类复杂的工程组合优化问题。     

基于改进小生境帝国竞争算法的多目标电力系统无功优化

电力系统无功优化可以提高电能质量、降低网损,预防事故发生和扩大,而现有的无功优化算法容易陷入早熟和局部收敛的不足。采用改进小生境帝国竞争算法对多目标无功优化问题进行求解,使用动态聚类分析法划分国家联盟,采用竞争度共享技术对联盟国家内各个国家的竞争度进行调整,以提高全局寻优能力,有效避免算法早熟现象。选取IEEE-30和IEEE-57节点系统进行测试仿真,并将优化结果与遗传算法和传统帝国竞争算法进行对比分析,结果表明改进小生境帝国竞争算法在解决无功优化问题中具有更强的全局搜索能力,能得到更好的收敛效果。