遗传算法在电力系统无功优化中的应用及研究

该文阐述了将遗传算法应用于电力系统无功优化模块中,目的是可以有效地降低电力系统网络有功损耗．提高系统的电压合格率．从而降低电力网络运行费用,提高供电质量。     

改进遗传算法在电力系统无功优化中的应用

遗传算法是一种模拟生物进化过程的优化算法,可用于求解包含离散化变量的复杂优化问题,是近些年发展起来的基于自然选择规律的一种优化方法.本文提出了一种应用于电力系统无功优化问题的改进遗传算法,该算法在一般遗传算法的基础上,对适应函数、编码方式以及变异操作等方面作了改进.经电力系统的无功优化问题实例计算表明,改进遗传算法的优化结果可以更有效地达到或接近全局最优.     

基于改进遗传算法的电力系统无功优化的研究

电力系统无功优化问题是一个多变量、多约束的混合非线性规划问题,其操作变量既有连续变量又有离散变量,其优化过程比较复杂。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应的全局优化搜索算法,可用于解决含有离散变量的复杂优化问题。本文选用遗传算法求解电力系统无功优化问题,并对基本遗传算法的编码、初始种群、适应度函数和交叉、变异策略等进行改进,使用本文提出的改进算法对IEEE1 4节点进行无功优化计算,结果证明本文模型和算法的实用性、可靠性和优越性。     

一种基于遗传算法的电力系统无功优化规划

遗传算法是一种基于自然选择规律的优化方法。文章针对电力系统长期存在的无功优化问题,提出了基于遗传算法的无功优化规划算法。该方法弥补了以往无功补偿规划没有考虑系统最小负荷方式和事故情况下无功补偿要求、以及不同年份下由于负荷变化对补偿有不同要求的缺陷。计算结果表明该算法合理、有效。     

改进型遗传算法及其在电力系统无功优化中的应用

通过对遗传算法原理的分析 ,得到一种改进型的遗传算法 ,并应用于电力系统的无功优化问题中 ,实例研究表明 :相对常规方法和简单最优保留的遗传算法 ,本文算法优化能力强 ,优化效果好 ,是实现无功优化的一种有效方法。     

改进遗传算法在配电网无功优化中的应用

针对传统的遗传算法在解决配电网无功优化问题时易陷入局部最优、收敛速度慢等缺点,本文研究将迭代群体进行科学分组,并在编码方式、算法选择、遗传操作以及终止判据等方面进行改进,提高算法收敛速度和解的质量。最后将本算法用于某13节点电网系统中,验证所提算法的有效性及实用性。     

人工智能算法在电力系统无功优化问题中的应用

介绍了电力系统无功优化问题及其模型,对人工智能算法在电力系统无功优化问题中的应用现状进行总结,指出了各种算法在解决此类问题时的优、缺点,并对其研究前景进行了展望。     

一种改进的遗传算法在无功优化中的应用

针对电力系统无功优化问题,采用遗传算法（GA）是一种有效的全局优化概率搜索算法。为了降低系统有功损耗,保证无功电力在规定范围之内,将混沌搜索引入到标准遗传算法,提出了一种结合混沌搜索的改进遗传算法。通过混沌序列搜索产生初始种群,同时对交叉、变异、选择算子进行了改进,进一步改善了遗传算法的全局寻优能力,并有效防止了局部收敛,提高了算法的收敛速度和计算精度。对系统进行了无功优化,并进行仿真。仿真结果表明,改进的遗传算法能更精确地寻找到全局最优解,并明显加快了收敛速度,性能优于标准遗传算法。     

配电网无功优化控制研究

设计了无功优化控制系统的软件体系结构，建立了动态无功优化数学模型。提出的高压配电网无功优化控制基于现有地调自动化系统，在母线负荷预测的基础上，利用遗传算法求解整个电网的无功优化问题，得到的优化结果为各个变电站VQC的合理限值。该方法将全局优化与VQC分散控制的优点结合起来，克服了各变电站无功、电压就地最优控制的弊端，节电效益显著。在某地区电网的应用中验证了该系统和方法的有效性，经过优化计算，在满足电压约束和控制设备动作次数限制的条件下，降低了电能损耗，有功损耗比优化前下降约3％。     

变异蚁群算法在电力系统无功优化中的应用

蚁群算法是新型的模拟进化算法,具有正反馈、分布式计算等特点;对蚁群算法进行变异,把其中的一些重要参数进行寻优,提高了算法的收敛速度。无功优化是一个混合整数优化问题,通过引入变异的蚁群算法,对不同类型的控制量使用不同的编码长度,从而同时处理连续和离散空间的变量,能更稳定的控制选择压力,即使陷入局部最优也能有很高的逃离概率。     

基于改进遗传算法的配电网无功补偿优化

建立以降低网损之后带来经济效益最大为目标函数的模型,通过引入灵敏度分析,得到候选补偿节点以减小寻优时的计算量,再用遗传算法作为配电网无功补偿优化算法,确定补偿节点和最适合的补偿容量。在遗传算法计算过程中通过保存最优秀个体的办法,在提高计算速度的同时还能提高计算精度。     

基于粒子群优化算法的电力系统无功优化

针对粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题,结合全局-局部最优模型,提出一种改进的全局-局部参数最优粒子群优化算法。利用全局-局部最优惯性权重及全局-局部最优加速度常数,简化速度更新方程,使算法性能得到改善。将该算法应用于电力系统无功优化中,仿真结果表明,网损平均值更低,寻优性能更好,优化的网损值集中在较小的区间。     

基于随机自适应粒子群算法的电力系统无功优化

无功优化是保证电力系统安全经济运行的有效手段,是提高电力系统电压质量的重要措施之一。本文首先介绍无功优化的一般数学模型,然后重点分析粒子群优化算法的组成结构与工作原理,进而提出一种改进的粒子群优化算法。该算法采用随机自适应策略,能够对当前所产生的局部最优值进行变异,再重回粒子群算法中搜寻全局最优值,从而可以有效改善传统粒子群算法求解电力系统无功优化问题时存在的收敛精度不高、容易陷入局部最优等不足,一定程度上提高了粒子群算法的寻优能力。最后,通过在IEEE 30节点上进行仿真实验比较,结果表明该算法是可行和有效的,达到了提高供电质量、降低线损的目的。     

基于遗传算法无源电力滤波器的优化设计

针对无源电力滤波器的参数选择比较困难,普通设计方法中过分依赖经验,优化能力不强的问题,研究了一种基于遗传算法的无源电力滤波器设计方法。利用遗传算法全局寻优的特点,对无源滤波器成本、无功补偿和滤波效果3个指标进行全局优化,并通过改变遗传交叉和变异概率来克服算法早熟收敛的情况。同时开发出界面友好,多种参数自选的自动设计软件,可帮助设计人员方便地进行无源电力滤波器的设计。某大型电机的实际滤波结果表明,所提出的设计方法正确有效,所开发的软件实用性强。     

基于APSO算法的电力系统无功优化

针对粒子群优化算法易早熟收敛的缺点,提出一种自适应粒子群优化算法(ASPO),将物种的概念引入种群多样性测度中,利用种群多样性信息对惯性权重进行非线性的调整,并引入速度变异算子和位置交换算子,增强算法的全局收敛性能。将APSO算法应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,仿真结果表明,系统网损从5.988 MW降到4.889 MW,下降率为18.36%,算法的收敛精度和收敛稳定性均较当前常用方法有明显的提高。     

基于遗传算法的机械优化设计

本文提出了用遗传算法解决轴承优化设计的方法。针对简单遗传算法(Simple Genetic Algorithms，简称SGA)在机械设计中出现的进化过程缓慢问题，采用最优保存策略(Elitist Genetic Algorithm)对计算过程进行处理。同时，针对后代个体不满足约束条件的问题，采用罚函数的方法进行处理。并给出在轴承行业中的算例。     

基于遗传算法的电力系统机组组合问题研究

针对遗传算法应用于机组组合问题的具体实现技术进行了深入的研究.以电力系统机组组合为研究对象,用遗传算法解决电力系统机组组合及机组问的负荷分配问题.对54机系统进行了仿真计算,为遗传算法应用到机组组合问题的实用化进行了有益的尝试.