遗传算法在电力系统无功优化中的应用综述

遗传算法是近十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。本文详细阐述了简单遗传算法以及遗传算法与其它算法相结合的混合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。     

基于遗传算法的电网无功优化

将遗传算法应用于电力系统无功优化,对遗传算法的编码方式、遗传算子以及中止判据方面做了详细的阐述,建立了基于遗传算法的电力系统无功优化模型,避免了常规数学优化方法的局部最优问题.计算机仿真结果表明,遗传算法能够更好地收敛于全局最优解,能更切合电力系统运行的实际,能有效提高电压质量和降低网损.该算法已应用于某地区无功优化软件,取得了较好的效果.     

基于遗传算法的无功规划优化

提出了一种应用于电力系统无功规划优化问题的改进遗传算法。该算法对传统遗传算法的编码方式、群体规模以及遗传３算法等方面进行了     

基于遗传算法的电网无功优化运行

本文采用传统遗传算法进行电力系统无功优化。建立了符合电网实际的数学模型，对简单遗传算法中的编码方式、选择操作、终止进化等进行了改进，目标函数中罚因子采用动态取值法，加快了收敛速度。本文根据电力系统的实际，较好地解决了离散变量的处理问题。经实际电力系统算例结果验证，证实了本文所采用方法的有效性。     

应用于电力系统无功优化的改进遗传算法

遗传算法是近些年发展起来的基于自然选择规律的一种优化方法。本文在传统遗传算法的基础上，对遗传操作进行了进一步研究和改进，提出了改进遗传算法，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。     

电网无功优化的改进遗传算法

针对遗传算法在电力系统无功优化实时控制中中速度较慢的问题，提出了一种改进的分段进化遗传算法，改变常规算法固定群体规模和最大迭代次数的做法，将其进化过程分为几个阶段，逐次对其群体规模进行扩充，并规定适应于每个阶段群体规模的迭代次数。这样既可以改善寻优方向，防止过早收敛，又可以保证进化后期每次迭代的有交笥，加快计算速度。在IEEE30节点系统的实验中，与其他常规算法进行对比分析，结果表明分段进化遗传算法具有较强的全局寻优能力，愉的收敛速度，更加适应于实时无功控制。     

基于改进遗传算法的地区电网无功优化

电力系统的无功优化以及无功补偿对于电网的安全、经济运行有着重要意义。无功优化和无功补偿能够降低网损、提高系统稳定性和电压质量。文章考虑电力系统运行的实际,对遗传算法的编码、繁殖、适应度函数以及收敛判据进行改进并提出遗传算法用于电力系统无功优化尚存在的问题。仿真结果表明,这种改进遗传算法能够更好地收敛于全局最优解,能更切合电力系统运行的实际,有效提高电压质量和降低网损。     

基于遗传算法的本溪地区配电网无功优化

针对电力系统无功优化目标函数与约束条件非线性、离散控制变量和连续控制变量相混合的特点,说明应用遗传算法(GA)解决电力系统无功优化的可行性,并对遗传算法的部分操作加以改进,将基于遗传算法的无功优化方法用于本溪地区配电网。     

基于改进遗传算法的配电网无功优化

遗传算法是近年被广泛应用于配电网无功优化的一种新型的优化算法，本文在基本遗传算法（SGA）的基础上，提出基于定制的初始种群的形成方法以保证个体的多样性，提出反映个体分布疏密情况的个体分布散度，设计出随个体分布散度成反比，随最优个体相对保留代数成指数上升的自适应变异率，为配电网无功优化提供了一种新的算法，算例表明本文提出的算法优化效果好，在精度上以及收敛速度上都具有较大的提高。     

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。     

影响遗传算法性能的因素及改进措施

讨论了无功优化中遗传算法的操作参数和控制变量的约束条件对遗传算法性能的影响 ，以及改善其性能的措施。     

基于改进遗传算法的多目标无功优化

阐述了用于无功优化的改进遗传算法,在已有改进简单遗传算法的基础上,提出在含有多个目标的目标函数中采用线性变化和指数变化规律的越界罚系数,并对适应度函数进行模拟退火修正以保持种群的多样性和加快收敛;采用遗传因子自适应变化和改进的变异操作,可使遗传算法的全局优化和局部寻优能力大为提高.IEEE14节点系统的仿真计算结果表明,该方法在计算速度和收敛能力上优于简单遗传算法,且罚系数采用指数规律变化比采用定值或线性变化规律时收敛能力有明显改善.     

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。     

基于遗传算法的无功优化在福建电网的实用化改进

分析了基于遗传算法的无功优化在实际系统应用中存在的问题,在传统遗传算法的基础上,对适应度函数和群体多样性的保持进行了改进,并将设备动作优先级和历史负荷经验数据引入遗传算法,根据福建电网的实际情况完成了遗传算法在无功优化中的实用化改进.实际应用表明,改进后的算法使得控制设备动作合理,动作次数少,能有效地提高电网的电压合格率并降低网损.     

基于定向变异遗传算法的地区电网无功功率优化

比较了遗传算法中二进制编码和十进制编码,指出后者更适合于无功优化问题,并结合无功优化问题的特点对遗传算法进行了改进:①采用十进制整实数混合编码方式;②研究适合十进制遗传算法的变异方法,并借鉴梯度概念,提出了基于进化方向的定向变异遗传算法;③采用映射法计算适应度函数,该方法简单易行,不会出现负值,能给群体施加定常的选择压力;④对每一代的最优个体进行单独变异,使搜索效率提高.该方法在甘肃金昌地区电网的无功优化计算中,效果较好.     

基于遗传禁忌混合算法的电力系统无功优化

为了使遗传算法(GA)和禁忌搜索算法(TS)的优点被保持,缺点被削弱,提出了电力系统无功优化的遗传禁忌混合算法(GATS);针对电力系统无功优化中控制变量的离散性和连续性相混合的特点,提出了混合编码策略并相应地采用启发式算术进行杂交.用GATS算法对IEEE30节点系统进行了无功优化计算,并就优化结果和简单遗传算法(SGA)及二进制编码的禁忌搜索法(TSB)的优化结果进行了比较,结果表明GATS方法具有更好的收敛性和更强的全局寻优能力.     

基于协同进化法的电力系统无功优化

针对无功优化问题非线性、非连续性等特点以及大范围内无功优化控制变量较多的问题，提出基于协同进化的无功优化算法以及相应的求解步骤。协同进化算法借鉴分解协调的思想，将无功优化问题分解为一系列相互联系的子优化问题，每个子优化问题对应于进化算法的一个种群，各种群通过共同的系统模型相互作用，共同进化，从而使整个系统不断演进，最终达到问题求解的目的。与常规的遗传算法相比，协同进化算法不但能得到更好的优化结果，收敛性好，而且克服了普通遗传算法计算时间过长的缺点，算例结果表明，该算法更适合于求解大系统的无功优化问题。     

基于电网分区的多目标分布式并行无功优化研究

针对集中式并行无功优化的瓶颈问题，建立了基于电网分区的多目标分解协调模型，并采用辅助问题原理(APP)进行分布式并行计算，将全网的多目标无功优化问题分解为多个子网的多目标并行优化问题：基于地域的系统分解与协调符合电网市场化发展的方向。仿真结果表明，本算法具有较强的收敛性和快速性。