配电线路集中无功补偿优化的改进遗传算法

根据配电线路集中无功补偿优化的特点,提出了一种通过动态调整补偿容量上限值避免产生过补偿现象的计算方法,减少了不可行解的产生。并对遗传算法进行了改进,采用整数编码,结合了模拟退火算法,调整了适应函数,给出了初温确定方法,采用了随机多父辈适应函数值加权交叉,改进了变异操作,从而提高了算法的计算效率和优化性能。优化算例说明了该方法的有效性。     

配电线路集中无功补偿优化的改进遗传算法

根据配电线路集中无功补偿优化的特点,提出了一种通过动态调整补偿容量上限值避免产生过补偿现象的计算方法,减少了不可行解的产生.并对遗传算法进行了改进,采用整数编码,结合了模拟退火算法,调整了适应函数,给出了初温确定方法,采用了随机多父辈适应函数值加权交叉,改进了变异操作,从而提高了算法的计算效率和优化性能.优化算例说明了该方法的有效性.     

改进遗传算法在无功优化中的应用

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，对编码方式、遗传算子以及终止判据等方面作了改进。通过对IEEE14节点系统的计算分析表明，该算法优于一般遗传算法。     

改进遗传算法在电力系统无功优化中的应用

电力系统的无功优化控制,不仅能有效地降低系统的有功功率损耗,而且还可以改善电网的电压质量,对系统的安全稳定、经济运行具有非常重要意义。无功优化问题是一个含有连续变量和离散变量的混合优化问题,求解过程相当复杂,电力系统无功优化问题属于最优潮流问题的一个组成部分。探讨了求解无功优化的现代人工智能算法,总结分析了遗传算法的特点及使用情况。为提高解的质量与计算效率,对遗传算法做了改进,并将其应用于电力系统无功优化中。     

改进量子遗传算法在无功优化中的应用

提出了一种基于改进量子遗传算法的电力系统无功优化方法。采用量子比特对控制量进行编码,通过改进量子旋转门来提升寻优质量,它能够自适应地计算旋转角度,提高全局的搜索能力,缩减搜索代数,加快搜索速度,同时避免陷入局部最优,通过采用IEEE14节点和IEEE30节点进行验证,结果表明其效果良好。     

遗传算法在无功优化应用中的改进

将遗传算法应用于电力系统无功优化的同时,针对无功优化的实际,文章提出了在不同优化阶段,对目标函数各项罚因子采用不同权重,并且构造出分阶段适应性函数,以及提出了选择式杂交方式等改进措施。通过典型算例和实际系统的测试,证明了这些改进方法对遗传算法应用于无功优化计算的寻优速度和收敛特性都有明显提高。     

改进遗传算法在无功优化中的应用

运用浮点数编码的改进遗传算法求解无功优化问题,在编码方式上改变了二进制编码、译码的烦琐操作,以及浮点数的交叉、浮点数变异操作和不等交叉、变异概率的选取,提高了算法的收敛速度和求解精度。通过对IEEE30节点测试系统的计算分析,证明了该方法是行之有效的。     

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。     

电力系统无功优化控制中遗传算法的改进

无功优化控制是保证电能经济传输与经济运行的重要条件,在满足电力系统各种运行约束条件下,通过优化计算来确定控制变量,找到使系统的一个或多个性能指标达到最优时的无功调节补偿手段。遗传算法用于电力系统无功优化,具有简单通用、鲁棒性强和可并行计算等优点。对简单遗传算法在罚函数、选择、变异、交叉和终止条件等方面进行一些改进,可以加快遗传算法的收敛速度,使结果趋于更优,实际算例也证明了这一点。     

基于改进遗传算法的无功综合优化

简要分析了传统的电力系统无功优化方法的局限性之后,提出了一种快速有效的求解方法——改进的遗传算法(IGA)。在简单遗传算法(SGA)的基础上,提出了自适应遗传算法,该算法采取了与个体分布散度成正比,并随最优个体保留代数成指数上升的自适应变异率;同时也采取了自适应的交叉率．该交叉率与群体中最大的适应度值和每代群体的平均适应度值有密切的关系。算例表明提出的算法优化效果好．而且在精度上和收敛速度上都有较大的提高。     

采用改进遗传算法的无功优化规划

提出了以有功网损和无功补偿设备投资最小的无功规划数学模型,以无功裕度法确定无功补偿点,采用逐年规划方式和利用改进遗传算法对模型进行求解。在最小负荷方式和最大负荷方式下无功规划的基础上建立了场景检验模型,以IEEE30节点系统为算例,将逐年优化方式与整体优化方式的规划结果进行对比,验证了所提模型和求解方法的有效性。     

用户无功功率低压集中补偿方式探讨

主要研究了用户无功功率低压集中补偿的问题,简单介绍了目前国内普遍采用的低压集中补偿方式的基本原理及技术特点,着重分析了在设计、安装、调试、维护等方面需注意的问题及处理措施。     

改进遗传算法的无功优化规划在伊盟电网中的实现

电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划。用常规的线性和非线性等方法进行优化计算,存在离散变量的近似处理问题,不符合无功规划的实际。而遗传算法由于自身特点,特别适合于解决多目标混合优化方面的问题,具有稳定的收敛特性,是一种先进的全局优化方法。基不足之外在于计算时间长,在种群和遗传代数不是足够大的情况下,易于收敛于局部极值点。为些提出了改进遗传算法,在计算速度和计算精度方面较传统遗传算法均有明显提高。     

基于改进遗传算法的10kV配电网无功优化

为了确定无功补偿的地点和容量以实现有限补偿资源下的系统网损最小化,分析计算了10kV配电网各节点对系统网损的灵敏度。首先建立了10kV的中低压配电网无功优化模型,该模型以补偿后所取得的综合经济效益最大作为目标函数,目标函数中充分考虑了有关技术和经济因素;然后采用结合网损灵敏度分析的改进遗传算法对数学模型进行了求解。实际算例分析表明,应用该模型和算法可以有效地对配电系统进行无功优化,优化后系统的网损明显降低,节点电压明显提高。     

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。     

改进的免疫遗传算法在无功优化应用中的研究

无功优化是电力网络优化的主要措施,其实质是一个多目标非线性混和优化问题。采用免疫遗传算法来研究该问题的求解方法就是在传统遗传算法的基础上,借鉴生物免疫机制中抗体的多样性保持策略和记忆抗原的特点,大大提高了算法的全局搜索和局部搜索能力。实验表明,免疫遗传算法具有很好的全局收敛性,能有效解决无功优化问题。     

基于改进遗传算法的配电网无功优化

本文在分析了电网安全经济运行现状的基础上,阐明了配电网无功优化的必要性,提出了以节省损耗电费最大为目标的无功优化数学模型,并基于传统遗传算法,提出了一种改进的遗传算法对无功优化模型进行求解：采用十进制编码、最优个体保存策略以及变异操作采用十进制码加减变异范围内随机数操作。最后将本算法用于某14节点电网系统中,结果表明,本文算法在优化效果基本相同的情况下,还具有迭代次数少,计算速度快等优点,具有重要的现实应用价值。     

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。     

改进遗传算法结合灵敏度分析的无功优化

针对标准遗传算法(SGA)在用于实际大规模电网的无功优化时存在搜索空间大、计算时间长的问题,提出一种结合灵敏度分析的改进遗传算法(IGACSA)。IGACSA算法对SGA的交叉和变异操作进行改进,改进交叉操作使得算法具有快速局部微调能力,而改进变异操作则结合灵敏度产生新的个体,最后由灵敏度对IGACSA的结果进行调整。在无功优化中采取两步简单的措施,将IGACSA应用于对新加无功补偿设备容量的确定,使其更适用于实际电力系统。对实际电网的无功优化表明,所提算法缩短了无功优化的时间,并可得到更好的优化结果。