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GA的电力系统多目标模糊无功优化

针对传统无功优化的目标单一性,建立了以有功网络损耗和节点电压偏差均最小为目标的无功优化模型,采用模糊数学将不同量纲目标进行归一化,并转化为单目标模糊规划模型.鉴于多目标无功优化模型的复杂性,以及连续、离散控制变量并存,采用遗传算法搜索全局最优解.对某21节点系统进行了多目标无功优化分析,验证了该模型的可行性和优越性.     

基于改进模拟退火算法的配电网无功优化方法

采用改进的模拟退火优化算法对配电网进行无功优化计算,针对配电网无功优化问题建立优化计算的数学模型。以调节无功补偿容量、补偿点分布、变压器分接头位置为手段,实现无功优化目的。对实际配电网优化计算结果表明,该方法可有效降低系统网损,保证各节点电压稳定,提高电力系统运行的安全性和经济性。     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

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。     

A Genetic Algorithm for Reactive Power Optimization of Power System

oINTRODUCTIoNReactivepoweroptimizationisaneffec-tivemeasuretoreducethelossinpowersystem.However,GeneticAlgorithm(GA)drawsmoreattentionaspowersystemfurtherexpandsinsizeanditisasystemopti-mizationtoolbaseduponnaturalselec-tionandnaturalgenetics,andfeatureshigheffciencyandwideapplicability.lBASICMODELANDGENETICAL-GoRITHMl.lBasicModelforReactivePowerOpti-mizationThefollowingarethevariantstobecontrolledf(l)thecompensationamountontheloadernode,(2)thegeneratorvoltage,(3)theratiooft…     

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     

三目标遗传粒子算法的电力系统无功优化

电力系统无功优化是提高电网高效运行和节能的关键环节。建立了综合考虑有功网损最小、电压偏差最小及静态电压裕度最大的三目标电力系统无功优化模型。提出了遗传粒子群(GAPSO)混合算法,并将算法运用于IEEE14与IEEE30节点电力系统无功优化中。该算法先通过选择操作,选出优秀的样本,在利用交叉操作增加种群的多样性。然后进行变异操作提高种群的局部搜索能力。通过数据计算和比较GAPSO算法在收敛速度、精度和全局搜索能力上均优于常规GA算法和PSO算法。结果验证了模型和算法的有效性和实用性。     

基于粒子群遗传混合算法的配电网无功规划

提出了一种基于粒子群算法(PSO)和遗传算法(GA)相混合的配电网无功规划算法。该算法利用遗传算法收敛效果好和粒子群算法收敛速度快的特点,计算结果表明:该算法是收敛的、有效的。     

改进生物地理学优化算法在配电网无功优化中的应用

针对生物地理学算法(BBO)信息利用能力强但搜索能力不强的问题,提出了一种结合遗传算法改进变异操作的算法.改进算法充分利用了遗传算法的搜索能力,使算法的寻优能力得到了很大的改善.将该算法应用于IEEE34节点的系统,采用分区的方法进行无功补偿优化.算例表明:与基本BBO算法、遗传算法的无功优化相比,改进算法在计算速度和优化效果方面都具有明显的优势.     

基于改进细菌觅食算法的无功优化

采用改进的细菌觅食(MBFO)算法求解电力系统无功优化问题,引入了步长递减的控制策略,改善了算法前期的全局搜索能力和后期的局部搜索能力;引入了SA-PSO变异算子,从而使个体可以相互交流,并从精英那里得到经验;引入遗传算法的交叉和赌盘选择,保护了精英个体,同时降低了解劣化的概率.以IEEE-30节点为例的算例结果表明,较其他几种优化方法而言,M BFO具有更快的收敛速度和更好的优化效果,故该算法在解决无功优化问题上可行且有效.