基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

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。     

基于新型两阶段混合算法的电力系统无功优化

针对电力系统无功优化领域现有的人工智能算法易早熟和收敛精度不佳的缺点,将萤火虫算法和量子粒子群算法相结合,形成一种新型两阶段混合优化算法。该混合算法采用串联的方法将GSO算法与QPSO算法混合,使两种算法优势互补。在算法迭代前期充分利用萤火虫算法可同时搜索全部局部最优解的特性,保证了寻优的全面性。在迭代中后期,利用量子粒子群算法收敛速度快、解的精度高的特点进行寻优,保证了算法的收敛精度。同时基于黄金分割点理论,引入了群体替代算子,避免了迭代后期算法陷入局部最优。经过算法在IEEE30节点算例中的对比仿真,结果表明:在无功优化领域中,两阶段混合算法的全局搜索能力,收敛速度及精度均优于对比算法。     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性,提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略,改进交叉和变异操作,并结合模拟退火算法（SA）的Metropolis判别准则的复制策略,使寻优过程能够跳出局部最优解,从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点,提高了计算效率。对IEEE30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。     

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．     

基于蚁群系统的电力系统无功优化

无功优化是电力系统电压稳定与经济运行的核心问题之一,也是提高电力系统电压质量的重要措施.将蚁群系统应用在电力系统无功优化,给出优化模型.对IEEE 6节点系统进行仿真计算,将计算结果与传统优化结果进行比较,表明蚁群系统的有效性.     

基于模拟退火的粒子群算法求解约束优化问题

针对复杂约束优化问题,提出一种基于模拟退火(SA)的粒子群(PSO)算法(SAPSO)。该算法使粒子的飞行无记忆性,结合模拟退火算法重新生成停止进化粒子的位置,增强了全局搜索能力。同时采用双群体搜索机制,一个群体保存具有可行解的粒子,用SAPSO算法使粒子逐步搜索到最优可行解;另一个群体保存具有不可行解的粒子,并且可行解群体以一定的概率接受具有不可行解的粒子,有效地维持了群体的多样性。仿真结果表明:该算法能够快速准确地找到位于约束边界上(或附近)的最优解,具有较好的稳定性。     

Adaptive simulated annealing particle swarm optimization algorithm

Particle swarm optimization is widely used in various fields because of the few parameters to be set and the simple calculation structure.In order to improve the optimization speed and accuracy of the PSO,and to avoid falling into the local optimal solution,an adaptive simulated annealing PSO is proposed,which uses the hyperbolic tangent function to control the inertia weight factor for nonlinear adaptive changes,uses linear change strategies to control 2 learning factors,introduces the simulation annealing operation,set a temperature according to the initial state of the population,guide the population to accept the difference solution with a certain probability according to the Metropolis criterion,and ensure the ability to jump out of the local optimal solution.To verify the effect of the algorithm proposed in this paper,7 typical test functions and 5 algorithms proposed in the literature are selected for comparison and testing.According to the average value,standard deviation and number of iterations of the optimization results,the algorithm proposed in this paper has greatly improved the iteration accuracy,convergence speed and stability so as to overcome the shortcomings of particle swarm optimization.     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

基于多agent的全网无功优化

分析了目前电压无功控制的现状及其存在的问题 ;利用AGENT技术提出了基于MAS(多主体系统 )的全网无功优化系统结构、子MAS系统结构及MAPE(多主体处理环境 )结构 ;介绍了子MAS系统各部分的功能 ,对多A GENT系统的实现及全网无功优化的工作过程作了阐述 .该系统的应用将有利于降低线损 ,提高电压合格率及供电可靠性     

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。     

基于改进粒子群算法的配电网重构的研究

提出了基于改进二进制粒子群算法的配电网重构策略,在保证系统及用户供电质量的前提下,使得配电网重构的综合费用最低。从配电网重构实际应用出发,提出了综合考虑系统的电能损耗费用、开关运行维护及投切费用和停电损失费用四方面的目标函数。针对普通粒子群算法易陷入局部极值的缺点,采用改进的惯性权值策略,增强了算法的调节功能,克服了普通粒子群算法的早熟收敛现象。算法还对开关操作次数约束进行了处理使之不影响全局最优性。仿真结果表明,这种配电网策略可以明显降低系统网损和综合费用。改进的粒子群算法计算速度快,目标函数更贴近配电网重构的实际情况。     

基于生物地理学优化算法的电力系统无功优化

将模拟物种迁移规律的生物地理学优化算法（BBO）应用于求解电力系统无功优化问题。区别于遗传算法中局限于染色体两两之间分享特征信息的模式,BBO独特的迁移模式使得好的栖息地特征信息得以在多个栖息地之间广泛传播,从而加快了优化进程。IEEE14节点和IEEE57节点的测试结果表明：BBO算法在与相关文献中的算法相当的迭代次数内能够得到更优的解,且算法对参数的依赖性不强,适用于求解电力系统无功优化这一类复杂的工程组合优化问题。     

含维变异算子的粒子群算法

提出了一种新型的PSO算法———含维变异算子的粒子群算法(PSODMO),该算法在变异开始后到迭代结束之前的每一次迭代中,计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异:让所有粒子在该维上的位置重新均匀分布在可行区域上.通过对4个多峰的测试函数所做的对比实验,表明所提出的PSODMO增强了全局搜索能力,搜索成功率大为提高,克服了原始的PSO算法易于收敛到局部最优的缺点.也明显优于对原始PSO进行传统变异的方法.