基于反向学习的人工蜂群算法的电力系统最优潮流

以发电机大气污染物排放量最小为目标函数,建立一种电力系统最优潮流模型,并提出一种基于反向学习的人工蜂群算法进行求解。IEEE一30节点系统仿真分析结果表明,与其它算法进行相比,提出的算法能够有效降低发电机大气污染物排放量,算法简单,具有更好的寻优能力和收敛特性。     

基于量子人工蜂群算法的风电场多目标无功优化

为了分析风机的不确定性出力对电网运行的影响,建立了风电场的概率模型,利用两点估计法(2PEM)进行概率潮流计算。然后,建立了综合考虑有功网损、电压偏移量和静态电压稳定裕度的多目标无功优化模型,并通过层次分析法(AHP)确定各个目标函数的权重,避免了人为主观臆断性。提出了量子人工蜂群算法,并将该算法和前述的概率潮流计算相结合应用到风电场无功优化当中。最后,以IEEE 14节点系统为例,将风电场接入该系统进行无功优化,并和传统的人工蜂群算法(ABC)进行比较,结果表明量子人工蜂群算法优化效果更好,具有更高的收敛精度,有效地避免了早熟现象。     

基于改进人工蜂群算法的电力系统无功优化

针对电力系统无功优化存在的问题,提出了一种基于改进人工蜂群算法的无功优化。运用反学习法对人工蜂群算法进行了优化,克服了人工蜂群算法本身容易陷入局部收敛的缺点,并且对IEEE30节点进行仿真计算,结果表明该算法对于求解复杂无功优化问题的可行性和有效性。     

基于人工蜂群算法的配电网无功优化

针对配电网电压质量较低的问题,建立了完整的无功优化模型。首先提出了一种新的无功补偿候选点的方法,即先基于网损最小选择无功补偿点,在此基础上再用动态优化选择无功补偿点;然后建立以网损最小、并联电容器容量最小、电压水平最好、两类电压稳定裕度最大的无功优化目标函数,用模糊方法将含有量纲的多目标问题转化为没有量纲的单目标问题;接着用人工蜂群(ABC)算法确定无功补偿点和容量。最后对IEEE-33节点配电网系统进行了测试分析,并与其它两种优化算法相比较,结果表明使用该优化算法,配电网无功配置方案较优,线路损耗明显降低,电压质量和电压稳定裕度明显提高。     

基于免疫禁忌混合算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出了一种基于免疫禁忌混合算法的多目标模糊优化潮流计算的新方法。该方法运用模糊集理论来构造评价函数,实现了多目标优化问题向单目标优化问题的转化,兼顾了各子目标,保证了较高的整体优化水平;采用求解精度高、使用灵活的免疫禁忌混合算法来进行单目标寻优,准确地获取了符合实际的全局最优解。通过对IEEE 30节点系统进行多次多目标最优潮流仿真计算,并将计算结果分别与单目标最优潮流计算及采用粒子群算法、免疫算法等其它算法的结果进行比较和分析,验证了该方法是解决电力系统多目标最优潮流问题的一种有效方法。     

基于人工鱼群算法的最优潮流计算

提出了基于人工鱼群优化算法(AFSA)的最优潮流(OPF)计算方法;算法结合动态调整罚函数的方式,将最优潮流问题转化为一个无约束求极值问题,有效提高了算法的全局收敛能力和计算精度.应用此算法对标准IEEE30节点的电力系统进行最优潮流计算,并与粒子群算法和遗传算法进行了比较,仿真结果表明,该算法能够更好地获得全局最优解,具有实用意义.     

求解多目标最优潮流的改进粒子群优化算法

本文对多目标最优潮流算法进行了研究,通过运用改进粒子群算法对考虑发电费用和有功网损的多目标最优潮流进行了计算。首先运用模糊集理论对多目标函数进行了处理,使其转化成单目标问题;其次对粒子群算法进行了改进,通过对加权系数和粒子位置变量的改变,避免粒子群在寻优过程中陷入局部最优;运用C均值聚类算法对解集作了聚类处理,使解满足均一化的要求。通过对IEEE系统的测试,证明了本文算法的正确性。     

一种求解多目标最优潮流的模糊优化算法

将模糊集理论和非线性原－对偶路径跟踪内点法应用于求解具有可伸缩约束的多目标最优潮流问题,选择合适的加速因子以改善算法的收敛性,并与单目标非线性最优潮流问题的计算结果进行了比较。对几个试验系统的计算表明,该算法具有稳定收敛性能,优化结果精确,灵活方便,处理变量不等工约束和函数不等式约束的能力很强,适合于求解大规模电力系统的多目标优化问题。     

基于演化算法和讨价还价博弈的多目标最优潮流研究

针对电力系统的多目标最优潮流问题,首先通过遗传算法取得帕累托解集,从而充分反映出不同优化目标之间相互影响、相互背离的内在关系,在此基础上利用纳什讨价还价博弈方法选取全局最优解。探讨同时考虑发电费用（或发电煤耗）最小和系统网损最小的多目标最优潮流问题,首先验证该问题满足讨价还价博弈公理,再通过强度帕累托演化算法（strong Pareto evolution algorithm 2, SPEA2）求解得到帕累托前沿,保证收敛速度较快且帕累托前沿分布均匀,最后基于纳什讨价还价博弈求得最优解,解决了不同目标函数之间可能存在的矛盾。该文通过对IEEE 14节点系统的算例计算,验证了该方法的有效性。     

基于改进粒子群算法的多目标最优潮流计算

针对电力系统多目标最优潮流计算问题,提出一种基于(非劣最优)Pareto解集的改进粒子群算法AL iPSO。用最优值评估选取法求取粒子和全局最优位置,解决目标函数间可能存在的冲突。并将关联度自适应学习应用于多目标优化,提出适合Pareto解特点的适应度设计和随机惯性权策略,克服PSO算法容易早熟而陷入局部最优解的缺点。通过对IEEE 6、IEEE 14节点系统多目标最优潮流计算,验证了该算法的有效性。     

无功优化计算软件在北京电网中的应用

０引言 随着北京城网改造的深入,其网架结构、潮流分布等都在发生较大的变化,而且负荷需求逐年迅猛增长,电压稳定问题变得日益突出。但是长期以来,由于缺少有效的分析计算手段,无功、电压管理工作难以进一步深入。为此,我们引进了“电力系统分析综合程序（ＷＰＳＡＳＰ）”中的最优潮流（ＯＰＦ）软件包,以北京电网的一个典型负荷中心区为例进行了无功优化计算,证明了应用该软件可为当前的无功、电压管理工作提供一种更积极有效的手段,达到了预期的效果。１无功电压现状 截止到１９９９年底,北京电网最大有功负荷为６ ０２２ ＭＷ…     

Reactive Power Optimization Using Hybrid CABC-DE Algorithm

Reactive power optimization is closely related to voltage quality and network loss, and it has great significance for the safety, reliability, and economical operation of the power system. Differential evolution (DE) algorithm has been currently applied to reactive power optimization. In order to mitigate the shortcomings of poor local search ability and premature convergence in DE, this paper presents a novel hybrid algorithm–chaotic artificial bee colony differential evolution (CABC-DE) algorithm, which improves the DE algorithm based on artificial bee colony algorithm and ideas of chaotic search. It introduces the observation bees' acceleration operation and the detective bees' chaotic search operation into CABC-DE. The validity of the proposed method is examined using IEEE-14 and IEEE-30 bus system. The experimental results show that CABC-DE algorithm is more effective than regular DE algorithm for reactive power optimization. The algorithm can save the search time greatly and get a better solution for optimization, thus making it suitable for solving reactive power optimization problems.     

基于混沌免疫混合算法的多目标无功优化

针对目前评价多目标函数解的不足,提出了将多目标函数各个解映射成多维空间中不同的点,利用这些点与理想点之间的欧氏距离来衡量各个解的优劣;同时针对无功优化、混沌优化算法和免疫算法的特点,提出了在采用免疫算法进行无功优化的记忆抗体群中,运用混沌优化方法和免疫算法的交叉和变异等操作对无功优化的连续变量和离散变量进行交替优化求解,并将它们运用于以降低有功损耗,提高电压稳定裕度及减小电压偏移为目标的无功优化中;通过 IEEE-30和IEEE-118节点算例系统验证了混合算法及最优解评价方法的正确性和可行性。     

基于多种群蚁群算法的多目标动态无功优化

为在负荷变动条件下提高动态无功优化控制变量的调节效率和满足全天动作次数的限制,将全天电能损耗最小、有载调压变压器分接头动作次数和电容器投切次数分别最少作为目标函数,建立新的多目标动态无功优化模型.针对该模型提出改进的多种群蚁群算法,利用多种信息素交换方式,满足动态无功优化多目标、强时空耦合的特点,避免了蚁群算法陷入局部最优解.通过对 IEEE14、IEEE 30系统计算验证模型和算法的可行性和有效性.结果表明:该模型和算法能够降低系统能量损耗,提高电压质量     

配网无功电压实时优化集中控制策略研究

配网自动化水平的提高以及分析手段的成熟使电压-无功实时集中控制成为可能,将无功优化-电压控制问题划分为两个相对独立的子问题,从而将常规的梯度最优潮流技术与专家系统相结合,以降低网损、提高电压合格率为目标,并且达到降低调度人员劳动强度的目的。在广西钦洲电网的实际应用中,取得了很好的效果。     

基于蚁群算法和内点法的无功优化混合策略

基于蚁群优化算法与内点法,提出了一种新颖的混合策略来求解电力系统无功优化问题：不考虑无功优化中的离散约束,采用内点法求解得到初始解;根据优化变量的不同性质将无功优化问题分解为离散优化和连续优化2个子问题,并采用蚁群优化算法和内点法交替求解,使两者的优化结果互为基础、相互利用,从而保证了混合策略的整体寻优效率。最后以IEEE 30和IEEE 118节点作为试验系统,与常规的离散优化算法做比较,验证了该算法的正确性和有效性。     

Determination of optimal output power and location for multiple distributed generation sources simultaneously by using artificial bee colony

Transformation of a distribution network into an intelligent and efficient system meets with many difficulties. One of most important challenges for engineers is to achieve a more economical distribution network. In addition, fluctuation in the price of oil and gas makes this task more complex. Therefore, the introduction of distributed generation (DG) in the system promises to be a good solution to reduce the dependency on oil and gas sources. However, the location and output power of DG are still an issue that needs to be solved by the utility. In previous studies, determination of DG output power and DG location are executed separately, which means a different technique is applied to each of them. Thus, it will lead the solution getting trapped in a local minimum because the calculation of optimal DG output power does not depend on the optimal DG location. This paper presents a solution to determine the location and output power of DGs simultaneously by using simultaneous artificial bee colony (SABC) to reduce the total power losses. The performance of SABC is compared with that of separate analysis, which is a combination of a single DG placement algorithm and artificial bee colony (ABC). The analysis shows that determining simultaneously the DG's location and the output gives lower total power losses and better voltage profile compared to separately analyzing the two. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.