运用混合优化算法求解包含离散变量的无功优化问题

利用遗传算法和传统优化方法的互补特性,采用混合优化方法求解包含离散和连续变量的无功优化问题。遗传算法的选择、交叉和变异操作仅作用于离散变量,对种群进行全局广度搜索,运用传统优化方法对种群个体中的连续变量进行优化使其移动到局部最优点上。为保证对连续变量的优化效果,选择了基于函数变换与广义逆的优化新算法。混合优化算法模型简单规范,遗传算法擅长处理离散变量和传统优化方法速度快、数值稳定性好的优势得到发扬。算法实用性和有效性通过算例及工程应用得到验证。     

混合优化方法及其在电力系统无功优化中的应用

利用遗传算法和传统优化方法的互补特性,采用混合优化方法求解包含离散变量和连续变量的无功优化问题.遗传算法的选择、交叉和变异操作仅作用于离散变量,遗传算法对种群进行全局广度搜索.运用传统优化方法对种群个体中的连续变量进行优化使其移动到局部最优点上,为保证对连续变量的优化效果,选择了基于函数变换与广义逆的优化新算法.混合优化算法将遗传算法擅长处理离散变量和传统优化方法速度快、数值稳定性好的优势有机结合,模型简单、规范.算法的实用性和有效性通过算例及工程应用得到验证.     

接入风电场的电力系统无功优化研究

研究了考虑大型风电场接入的电力系统无功优化问题。针对风电场接入时的无功优化模型,分析讨论了接入风电场的系统无功潮流计算,提出了一种改进遗传算法解决传统遗传算法在无功优化中面临的问题。采用混合编码方式处理连续变量和离散变量共存,利用自适应交叉和变异操作提高算法的搜索能力和跳出局部最优解的能力,利用精英代保持进化策略提高算法的可靠性和鲁棒性,在IEEE30标准系统引入风电场验证了该算法的适用性。     

地区电网无功优化算法研究

地区电网无功优化问题是连续变量和离散变量共存的非线性规划问题.如何适当处理连续变量和离散变量共存关系到最终优化的结果和算法收敛的速度.提出一种基于扰动KKT条件的原始-对偶内点法和遗传算法相结合的方法应用于地区电网无功优化问题的求解,能充分利用内点法和遗传算法的优点,通过算例表明该方法的有效性.     

基于改进遗传算法与原对偶内点法的无功优化混合算法

基于改进遗传算法和原对偶内点法提出一种求解无功优化问题的混合算法。首先通过改进遗传算法求解无功优化问题中的离散变量,然后采用原对偶内点法求解与已获得离散变量最匹配的连续变量。在改进遗传算法中采用交叉、变异算子并基于可行域规则处理离散约束,有效提高了混合优化算法的整体寻优效率。在IEEE 118节点系统中的仿真计算结果验证了本文方法的有效性。该方法已应用于福建电网自动电压控制系统中。     

松弛MPEC和MIQP的启发–校正两阶段动态无功优化算法

为快速求解计及离散调节设备动作次数约束和电网安全约束的多时段动态无功优化问题,建立以有功网损最小为目标函数的混合整数非线性规划模型,并提出一种启发搜索加变量校正的两阶段求解方法:启发搜索首先将离散变量松弛为连续变量,形成一个带平衡约束的的优化模型,进而得到各个时段的连续优化结果,然后建立以方差最小化为目标并严格满足原模型中离散调节设备动作次数约束的整数二次规划模型,得到最优动作次数和离散归整结果;变量校正是固定启发搜索得到的离散变量优化结果,重新校正连续变量的优化量。通过IEEE 14测试系统详细讨论了无功调节设备的步长和动作次数对优化结果的影响;此外,IEEE 30、57、118节点测试系统的优化结果表明,所提方法能够快速得到优化结果,实现并行求解,且其精度可满足实际工程需要。     

基于改进遗传模拟退火算法的电网无功优化

电网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,优化过程复杂繁琐.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.针对传统遗传算法的收敛速度慢,易陷入局部最优解等缺陷,提出一种基于遗传模拟退火思想求解电力系统无功优化的新算法,并引入灵敏度分析,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.使用本文算法对IEEE14节点进行优化计算,仿真结果证明了本文模型和算法的实用性、可靠性和优越性.     

混合整数无功优化问题的连续优化方法

通过对离散变量进行二进制编码,把每个离散变量表示成若干个取值在0、1之间的连续变量,从而将一个含有离散变量的混合整数无功优化问题转化为一个等价的连续优化问题,再用非线性原对偶内点算法求解。并且,在优化过程中根据二进制变量的权重系数逐步确定离散变量的取值,实现了离散变量在优化过程中的逐次归整。并以IEEE118节点作为试验系统,与常规的离散优化算法作比较,验证了该算法的正确性和有效性。     

混合整数无功优化问题的连续优化方法

通过对离散变量进行二进制编码,把每个离散变量表示成若干个取值在0、1之间的连续变量,从而将一个含有离散变量的混合整数无功优化问题转化为一个等价的连续优化问题,再用非线性原对偶内点算法求解.并且,在优化过程中根据二进制变量的权重系数逐步确定离散变量的取值,实现了离散变量在优化过程中的逐次归整.并以IEEE 118节点作为试验系统,与常规的离散优化算法作比较,验证了该算法的正确性和有效性.     

基于互补理论的电力系统机组组合优化

针对同时具有离散和连续变量,非线性等特点的火电机组组合问题,在分析一般机组组合优化数学模型的基础上,尝试用连续化的方法建立连续变量和离散变量之间的关系,利用互补约束和最优化极值理论,构建了电力系统机组组合的互补约束优化模型。采用光滑NCP函数对建立的互补约束优化模型进行光滑处理,将其转化为一般的非线性规划问题,并用原对偶内点法进行求解。仿真结果表明:所提算法能有效处理含离散和连续变量的混合优化问题,具有很好的实际应用前景。     

遗传算法在电力系统无功优化中的应用

遗传算法(GA)是近10年来发展的基于自然选择规律的一种优化方法,算法能成功的解决无功变量中的离散问题,避免常规数学优化方法的局部最优现象。根据众多参考文献,阐述了简单遗传算法(SGA)以及GA与其他算法相结合的算法在电力系统无功优化中的应用和今后的发展方向。     

基于变尺度混沌理论与免疫遗传算法的电力系统无功优化

提出一种基于变尺度混沌理论与免疫遗传算法的混合智能无功优化算法。该算法利用混沌变量的遍历性、随机性和规律性特点,将混沌运动自身的遍历区域变换成优化变量的取值范围,通过对整个解空间进行考察实现了可行域内的全局优化搜索。同时通过变尺度方法不断缩小优化变量的搜索范围来实现局部细化搜索,从而增强混沌局部搜索能力,加快解的收敛速度,提高解的精度。文章最后以某地区实际电网为例,分别采用免疫遗传算法和混合智能算法对其进行无功优化计算,结果表明本文提出的混合智能算法在计算速度和全局收敛性方面有很大的提高。     

采用启发式策略的动态无功优化混合算法研究

严格考虑控制设备的动作次数限制,建立一个完整的非线性混合整数动态无功优化模型。结合混合算法,把离散变量和连续变量分开优化,分别使用改进后的遗传算法和内点法求解,以改善算法的收敛性和计算速度。将动态约束分为设备一天内调节次数限制和变压器相邻时段调节次数限制,提出全局调整策略和局部调整策略来分别处理这两类动态约束,使离散变量严格满足动作次数限制。启发式策略的应用使算法既能严格保证离散变量的动态约束,又能充分保留其动作自由,得到可行的最优解。Ward-hale 6和IEEE30节点系统的仿真结果证明提出算法的有效性。     

基于遗传序优化算法的配电网规划

针对传统遗传算法存在收敛过早、终止条件难以确定等缺陷,将序优化理论与遗传算法相结合,用序优化的思想来指导遗传进化操作,通过算法的混合集成了序优化理论和遗传算法的优良特性,从而实现以较高的概率高效地搜索到全局最优解。对于2个IEEE配电网规划算例,以综合变电站和馈线的年投资费用、折旧费用、运行费用之和为目标函数,得到了最优的配电网拓扑结构,验证了该遗传序优化算法的有效性和实用性。     

遗传算法在电力系统无功优化中的应用

遗传算法根据自然界适者生存的原则进行搜索和优化。将遗传算法应用于电力系统无功优化，不仅能避免一般优化算法的局部最优问题，并能解决无功优化中变量的离散问题，避免维数灾难，提供最优及次优方案，使无功优化更切实际。遗传算法的引入，为电力系统无功优化提供了一种新的计算方法，使无功优化方法更加完善和实用。     

Optimal Power Flow Using a Hybrid Optimization Algorithm of Particle Swarm Optimization and Gravitational Search Algorithm

Abstract—This article presents a hybrid algorithm based on the particle swarm optimization and gravitational search algorithms for solving optimal power flow in power systems. The proposed optimization technique takes advantages of both particle swarm optimization and gravitational search algorithms by combining the ability for social thinking in particle swarm optimization with the local search capability of the gravitational search algorithm. Performance of this approach for the optimal power flow problem is studied and evaluated on standard IEEE 30-bus and IEEE 118-bus test systems with different objectives that reflect fuel cost minimization, voltage profile improvement, voltage stability enhancement, power loss reduction, and fuel cost minimization with consideration of the valve point effect of generation units. Simulation results show that the hybrid particle swarm optimization–gravitational search algorithm provides an effective and robust high-quality solution of the optimal power flow problem.     

基于混合差异进化优化算法的电力系统无功优化

无功优化是电力系统实现电压和无功功率最优控制和调度的基础,阐述了一种基于混合差异进化算法的新无功优化方法。混合差异进化算法是一种直接随机搜索方法,由在当前种群中随机采样的个体之间的基因差异来驱动,且为缩短计算时间、避免陷入局部最优,在算法中嵌入了加速操作和种群迁移操作。将该无功优化方法在IEEE 30节点系统上进行了校验,并与基于其他算法的无功优化方法进行比较,仿真结果表明该算法具有收敛速度快、鲁棒性好、计算精度高的优点。     

基于引力搜索算法的电力系统无功优化

无功优化是一个多变量、多约束、高维数的非线性规划问题,其离散变量与连续变量并存的特性使得传统优化算法难以对其进行求解。根据无功优化问题的特性,提出了一种适用于无功优化问题求解的引力搜索算法,该算法是受牛顿引力定律和粒子间相互作用的启发而提出来的一种新的优化算法,其理论基础深厚,物理意义明确,便于理解,简单易行。算例结果表明,引力搜索算法可以有效求解电力系统无功优化问题,且收敛速度快,数值稳定性好。