电力系统无功优化的反向优化差分进化算法

电力系统无功优化问题是一个复杂的多目标、多约束、非线性的混合整数优化问题,针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,首次引入反向优化差分进化算法应用于解决电力系统无功优化问题.反向优化差分进化算法利用基于反向的优化对种群进行初始化,可以获得适应度更优的个体,从而加快了收敛速度;根据一定的跳变率,对种群逐代进行动态跳变,增加了种群的多样性,可以避免算法陷入局部最优解.以系统的有功网损最小为目标函数同时兼顾电压的合理分布,对IEEE-14节点系统进行了无功优化仿真计算,并与其他优化算法进行了比较,结果表明该算法具有较强的全局寻优能力,且收敛速率较快,收敛精度高,鲁棒性好,可较好地解决电力系统无功优化问题.     

基于改进微分进化算法的电力系统无功优化

针对配电网网架规划问题,在基本微分进化算法基础上,引入改进机制,提出一种基于改进微分进化算法的电力系统无功优化算法。新算法通过参考粒子群算法惯性权重思想,引入惯性加权系数,在计算初期能够维持个体的多样性,后期能够加快算法的收敛速度,提高了微分进化算法的性能。将该算法应用于电力系统无功优化中,仿真结果表明:使用该算法优化的网损平均值更低,寻优性能更好,优化的网损值集中在较小的区间。     

多目标差分进化算法的电力系统无功优化

 在传统电力系统无功优化( Reactive Power Optimization,RPO) 模型中引入电压水平 指标,建立了以网损最小,电压水平最好为目标的多目标差分进化算法( Differential Evolution Algorithm) 的模型。针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,提出一种 具有自适应参数策略的改进差分进化算法并首次用于多目标电力系统无功优化问题。通过在 算法进化过程中调整变异因子F 和交叉因子CR,在初期增加种群的多样性、扩大全局搜索区 域; 从而可以避免算法陷入局部最优解; 同时在后期也加快了收敛速度。将该算法用于电力系 统无功优化并仿真计算了IEEE-14 节点标准测试系统,结果验证模型和算法的有效性。     

基于多目标飞蛾算法的电力系统无功优化研究

鉴于电力需求的日益增长与传统无功优化方法的桎梏,如何更加合理有效地解决电力系统的无功优化问题逐渐成为了研究的热点。提出一种多目标飞蛾扑火算法来解决电力系统多目标无功优化的问题,算法引入固定大小的外部储存机制、自适应的网格和筛选机制来有效存储和提升无功优化问题的帕累托最优解集,算法采用CEC2009标准多目标测试函数来进行仿真实验,并与两种经典算法进行性能的对比分析。此外,在电力系统IEEE 30节点上将该算法与MOPSO,NGSGA-II算法的求解结果进行比较分析的结果表明,多目标飞蛾算法具有良好的性能,并在解决电力系统多目标无功优化问题上具有良好的潜力。     

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。     

基于细菌菌落算法的电力系统无功优化

电力系统无功优化具有非线性,多控制变量,多约束条件,连续变量和离散变量混杂的特点,针对现有算法或容易陷入局部最优解或收敛速度慢的缺点,提出了一种细菌菌落(bacterial colony optimization,BCO)优化算法,将BCO优化算法首次应用于电力系统无功优化问题。BCO算法将问题的解空间视为细菌培养液,在其中放置单个或少量细菌个体,模拟细菌菌落的生长进化过程,该算法本身具有进化机制,并且提出了一种新的结束准则。BCO算法通过繁殖适应度高的个体,死亡适应度低的个体,可以尽快的获得适应度更优的个体,从而可以避免算法陷入局部最优解,同时也加快了收敛速度。用BCO算法对IEEE14节点标准测试系统进行无功优化计算,实验结果表明,细菌菌落(BCO)优化算法较其他算法具有较强的全局寻优能力,且收敛速度快,鲁棒性好,可以作为求解电力系统无功优化问题的一种新途径。     

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。     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

多目标优化差分进化算法

个体的适应度赋值和群体的多样性维护是进化算法的两个关键问题。首先,一方面,定义了Paretoε-支配关系的相关概念,通过Paretoε-支配关系确定个体的强度Pareto值,根据个体的强度Pareto值对群体进行Pareto分级排序,实现优胜劣汰;另一方面,使用拥挤距离估算个体的拥挤密度,淘汰位于拥挤区的一些个体,维持群体的多样性。然后,根据差分进化算法的特点,使用适当的进化策略和控制参数,给出了一种用于求解多目标优化问题的差分进化算法DEAMO。最后,数值实验表明,DEAMO在求解标准的多目标优化问题时性能表现优良。     

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。     

基于综合改进型PSO算法的电网无功优化研究

为改善基本粒子群优化(PSO)算法的电网无功优化性能,提出了一种新的综合改进型PSO算法,该算法将蜜蜂进化机制、遗传选择机制与PSO算法相结合.在寻优前期,为提高粒子的全局寻优能力,采用蜜蜂进化机制与粒子群相结合的蜜蜂进化PSO算法,可有效地增加粒子的多样性;在寻优后期,为增加粒子的收敛速度,采用遗传选择机制与PSO算法相结合的选择PSO算法.利用综合改进型PSO算法和其他典型优化算法,分别对IEEE 14标准电网以及某地实际运行电网进行对比分析,结果显示,综合改进后的PSO算法进行无功优化时,其收敛速度明显加快,收敛能力显著提高,电网无功优化性能有了很大改善,验证了该算法的正确性和有效性.     

差分演化算法各种更新策略的对比分析

差分演化算法（differential evolution,DE）是一种模拟生物演化过程的随机搜索方法,具有收敛速度快,鲁棒性好等优点。目前DE有多种交叉和变异策略,它们在求解各类优化问题时表现出各自不同的性能。介绍了10种差分演化算法的更新策略,并利用标准测试函数集对它们进行了全面与系统的实验比较。通过分析采用这些策略的DE算法在不同解空间及进化各阶段的收敛曲线特点,对比总结了不同版本的DE算法在各类环境下的搜索性能。该研究一方面能够为DE算法的实际应用提供技术指导,帮助学者选择合适的DE更新策略以更好地解决工程问题;另一方面能够为新型DE更新策略的开发和自适应DE算法的设计提供理论基础。     

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.     

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。