基于PSO的配电网无功补偿优化配置

合理优化配电网无功补偿配置对改善配电网电能质量以及降低系统有功损耗有至关重要的作用。在创建配电网无功补偿的数学模型时,把系统分为最大负荷、一般负荷和最小负荷,使其能够更加接近真实的运行情况。采用粒子群算法(particle swarm optimization,PSO)优化配电网无功补偿配置,PSO具有算法简单、易于实现、收敛性好等优点,在求解无功补偿优化配置问题时优于遗传算法。对IEEE12节点系统进行了潮流计算算例分析,结果验证了PSO能够有效保障配电网无功补偿优化配置的可靠性和经济性。     

基于BAS算法的配电网无功优化

配电网无功优化是保证其经济安全运行的重要措施.针对配电网无功优化问题,文章提出基于天牛须搜索算法的配电网无功优化策略,同时,引入自适应变化的步长因子改善BAS算法的迭代速度.最后,在Matlab中引入IEEE33节点配电网系统对基于粒子群算法、天牛须搜索算法和改进天牛须搜索算法的无功优化策略进行仿真验证并做对比分析,仿...     

考虑微电网并网接入的配电网无功优化

微电网集分布式发电系统、负荷和储能于一体,提高了分布式发电系统的综合利用.微电网的并网接入对配电网的综合无功优化产生影响,因此,配电网的无功优化过程中需要考虑微电网并网接入的影响.本文在充分考虑微电网运行特性的基础上,构建考虑微电网运行特性的配电网综合无功优化,建立以系统有功网损与节点电压为目标的综合无功优化模型,把含微电网的配电网无功优化转化为一多约束的非线性混合优化数学问题,并利用粒子群算法进行求解.通过IEEE 33节点系统的仿真算法分析验证本文提出方法的有效性和正确性.     

计及UPFC电力系统无功优化研究

为了更加有效地实现对电力系统潮流分布的控制,以进一步提高电力系统无功优化的有效性,达到使系统损耗最小的目的,提出了基于粒子群智能优化算法的计及UPFC的无功优化方法。以系统有功网损最小为目标函数,为了有效利用UPFC对潮流的调节作用,采用UPFC的节点注入功率模型。通过IEEE-30测试算例就系统有功网损和电压稳定性,对基于粒子群算法系统装设UPFC装置前后进行比较,发现采用文中方法后,不仅降低了系统的有功网损,提高了电压质量,而且与粒子群算法相比,还减少了算法的迭代次数,仿真结果验证了文中模型和算法的有效性和可行性。     

混沌遗传算法在配电网无功优化中的应用

配电网无功优化可以有效地降低网络有功损耗,并提高系统的电压合格率,从而降低网络年运行费用,提高供电质量。为了提高配电网无功优化的收敛速度,文中对常规的遗传算法进行了改进,利用混沌优化算法加速了适应值较低的个体的淘汰,提高了每一代个体的平均适应值水平,从而显著提高了常规遗传算法的收敛速度。通过实际算例计算,验证了该算法能有效地提高配电网无功优化的收敛速度和优化效果。     

基于蜜獾算法的配电网无功优化

无功优化通常采用降低有功网损和电压偏差、改善电压质量等方式进行优化。文中采用蜜獾算法（HBA）,选取有功网损最小为数学模型,以电压偏差最小以及潮流平衡方程和各时段节点电压为约束条件,以IEEE-30节点系统为例进行配电网的无功优化。将HBA算法与传统的PSO算法、改进后的PSO算法进行算例分析比较,对比算法在收敛速度和寻优性能方面的差异。通过局部电压稳定指标法计算出系统的最佳补偿点,减少搜索空间维数。利用Matlab进行仿真对比,结果表明HBA算法计算速度更快,具有较强的全局搜索能力,寻优能力更佳,可为配电网无功优化安全有效经济运行提供新思路。     

动态自适应微粒群优化算法

群体智能是目前智能领域非常活跃的新兴研究领域,微粒群算法作为其典型的实现形式,受到普遍的关注.本文分析了基本微粒群算法的特点,改善了动态自适应微粒群优化算法,实验结果证明该方法的优越性.     

油田配电网无功优化分析

分析了油田配电网的特点、无功补偿的现状,以油田配电网年运行费用最小为目标函数,构建了无功优化数学模型;通过对实例的计算分析,验证了油田配电网能科学合理地确定电容器的补偿位置和补偿容量,能够有效减小油田配电网的网损和电压降落,提高经济效益和供电质量.     

细菌觅食差分粒子群算法的无功优化方法

电力系统无功优化是以网损最小化且保持良好电压水平为目的。提出了细菌觅食差分粒子群算法（DEBFO）,并首次应用于电力系统无功优化问题。趋化操作的交叉算子可提高局部搜索能力,变异算子可加强全局搜索能力,繁殖操作使细菌寻优速度加快,迁徙操作避免了细菌早熟。Matlab仿真结果表明DEBFO具有较强的全局寻优能力,收敛速度快,鲁棒性好,能够更有效地解决电力系统无功优化问题。     

基于改进模糊神经网络的变电站电压无功优化控制

变电站电压无功控制具有非线性调制和耦合度强的特征,很难创建精准的数学模型,传统的电压无功控制方法没有考虑到调整分接头对电压无功带来的影响,从而造成了设备多次动作等问题。提出了一种基于改进粒子群的模糊神经网络算法,建立了一种多任务优化的变电站无功控制模型。最后对优化后的电压无功控制模型进行了系统仿真。在缺乏精确的系统数学模型的情况下,可以实现相对精确的控制,且设计简单、鲁棒性好。     

考虑谐振约束的电网动态无功优化新算法

本文综合考虑负荷变化趋势后建立了动态无功优化新模型,该模型除考虑动作设备调节次数限制约束,还提出了计及投切并联电容器组时的谐振约束。其目标函数为考虑节点电压越限的系统有功功率损耗最小,并通过模拟退火算法实现全天动态无功优化控制。算例结果表明本文提出的动态无功优化新算法能够有效降低系统在一天内的损耗,有效地避免了由补偿电容器可能引起的谐振问题,提高电压合格率,并且满足实际运行的需要。     

基于带权重粒子群的配网无功优化研究

为了更快速有效地处理电力系统配网无功优化问题,文中主要以网损和电压偏差最小以及电压稳定最大化为目标函数,以无功平衡、电压合格等为约束条件,建立了配电网无功优化的数学模型。在求解方法上采用带有权重的粒子群算法,该算法能够更好地适应问题的求解。并且经过IEEE14节点系统仿真计算结果表明,该算法在计算速度和收敛能力方面都具有优势,且优化效果也可满足实际的需要。     

三目标柯西粒子群算法的电力系统无功优化

通过建立有功网损最小、电压偏差最小和静态稳定电压裕度最大的三目标无功优化模型。提出柯西粒子群算法,并针对IEEE14节点系统进行三目标电力系统无功优化。当种群多样性较差时,通过对交叉的粒子进行柯西变异从而扩大搜索空间,提高种群多样性,防止出现过早的收敛,进而避免了算法陷入局部最优解的问题,同时也提高了收敛速度。通过数据测试和比较柯西粒子群算法在收敛速度、精度、全局搜索能力上均优于常规差分进化算法和常规粒子群算法。其结果验证了该模型和算法的有效性,为电力系统安全经济运行提供了参考。     

基于改进遗传算法含风电场的配电网无功优化研究

针对基本遗传算法容易陷入"早熟",编程实现比较复杂,且交叉率与变异率大多依靠经验值等问题,提出了一种基于GA的改进的遗传算法,交叉概率与变异概率采用随个体适应度的值变化而变化的自适应取值方法,并且对控制变量采用随机多点交叉方式.研究了含风电场并网后对配电网网损的影响,分析了双馈风机的无功出力能力,将双馈风机作为控制变量参与到系统的无功优化中.并对风场的随机性与间歇性的特点,引入了风场随机出力的场景模型.以网损最小为目标函数,应用改进的GA算法对含风电场的IEEE33节点配电系统中进行了无功优化计算,并和基本遗传算法进行了对比,结果表明改进的GA有更好的全局寻优能力和搜索性能,证明了该算法的有效性.     

图像去噪处理中的粒子群优化算法研究

随着科学技术的发展,数字图像处理技术的应用越来越广泛.然而由于图像信息的多样性和复杂性等特征,目前在图像处理领域,建模困难、处理不完整等问题普遍存在.因此,智能优化方法因其易于理解、便于实现等特点在图像处理领域得到了广泛应用.其中,粒子群优化算法己经在图像处理领域应用中取得了一定的成功,但是粒子群算法中的惯性权重分配仍然存在着很多需要改进的地方.本文在研究基本粒子群优化算法的基础上,改进了传统线性惯性权重调整策略,提出两步权重分配方法,并将此改进算法应用于图像去噪问题上.     

含风力发电的电网无功优化

将改进后的PBIL算法运用到含风力发电机组的IEEE30节点系统的无功优化计算中,并对多次独立计算的结果做了统计和分析,与采用标准的遗传算法（SGA）的计算结果的比较,请明该算法在此类无功优化问题中有效性和可靠性。     

三目标自适应变异微粒群算法的无功优化

电力系统无功优化是提高电能质量保证电网运行的重要环节,文中建立了综合考虑有功网损和电压偏移最小及电压稳定裕度最大的三目标无功优化模型,引入了自适应变异微粒群算法用于解决三目标电力系统无功优化问题。该算法利用群体的适应度方差来动态监控微粒群聚集的状况,采用增加随机扰动的方法对聚集的微粒进行变异,并对惯性权重进行自适应调整,使该算法既能跳出局部最优,防止早熟,又能提高收敛速度和精度。将该算法与其他算法应用于IEEE-14节点系统中进行无功优化,通过数据的计算和比较,结果验证了该模型和算法用于解决多目标电力系统无功优化问题的优越性和实用性。     

低压配电网并联电容器的无功补偿优化算法

针对低压配电网电压低、电流大、线损高的特点,提出了一种以配电网线损最小为目标的电容器无功补偿的优化算法,进而有效确定配电线路中补偿电容器的安装位置和最佳补偿容量,与传统的近似算法和2n/(2n+1) 算法相比,其克服了不足,并通过实际低压配电网的时间证明其具有的经济性和有效性,为其应用提供了理论依据和实践参考。     

一种动态分群的自适应粒子群优化算法

粒子群优化算法是模拟鸟类觅食行为思想的随机搜索算法,主要是通过迭代寻找最优解。将粒子随机初始化改进为固定初始化,并将动态分群思想引入粒子群优化算法将整个种群划分为三个子群,根据不同群中粒子的情况自适应地选择惯性权重,以此提高粒子的搜索能力。仿真实验结果表明,该方法大大提高了搜索过程中粒子的多样性,避免粒子陷入局部最优,提高了求解的速度和精度。