一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法。综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解。在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势。在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解。     

基于混合混沌算法的电力系统无功优化

提出了一种基于混沌算法的主动禁忌混合混沌算法(RTSCOA),该算法结合了混沌算法的全局遍历性和禁忌算法的“记忆”功能,利用主动禁忌法的反馈机制控制管理禁忌表长度,能够有效地跳出局部极小点。分别对IEEE 6和IEEE 30节点进行仿真,并与标准遗传算法/改进遗传算法(SGA/AGA)进行比较,以证明该算法在电力系统无功控制中应用的有效性。经比较,该方法较其他算法在计算速度、寻优能力上有一定的提高。     

一种新型的电力系统无功优化算法

介绍一种类似于遗传算法的进化算法———粒子群优化算法, 并把它应用到电力系统无功优化问题中。对基本的粒子群优化算法作了适当改进, 在粒子速度更新公式中增加了一项即上一代的全局“最优”值, 相当于增加了全局极值的权重, 提高了算法的收敛性。以粒子群优化算法为基础, 选取适合于该算法的无功优化目标函数。通过对 IEEE- 14节点的仿真计算, 证明了该算法优于基本的粒子群优化算法, 且与遗传算法相比能在更少的迭代次数内搜索到更好的全局最优解。     

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.     

基于混合粒子群优化算法的电力系统无功优化

应用粒子群优化算法(PSO)求解电力系统无功优化问题,提出基于混沌搜索的混合粒子群优化算法,以克服PSO容易早熟而陷入局部最优解的缺点。该算法引入了基于群体适应度方差的早熟判断机制,当算法陷入早熟时,利用混沌运动的遍历性、随机性和规律性等特性,先对当前粒子群体中的最优粒子进行混沌寻优,然后把混沌寻优的结果随机替换群体中的一个粒子,从而提高了PSO的寻优特性。通过对IEEE 14、IEEE 30、IEEE 118等标准测试系统进行无功优化,并与遗传算法、标准PSO进行比较,表明该算法具有更高的搜索效率和更好的全局优化能力。     

一种电力系统无功优化综合算法的研究

比较了无功优化算法的两种典型算法——原对偶内点法和遗传算法;提出了在线无功优化的一种混合算法。实例计算表明该算法是可行而实用的方法。     

TS-PSO算法在电力系统无功优化中的应用

为了解决粒子群算法(PSO)局部搜索能力较弱和存在早熟收敛的问题,提出了将禁忌搜索(TS)思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。改进后的算法综合了粒子群算法快速性、随机性和全局收敛的优点,还具有禁忌搜索局部寻优的能力。通过对IEEE-30节点测试系统、铜陵电网实际进行仿真计算,并与其它算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

基圩Tabu搜索方法的电力系统无功优化

将Ｔａｂｕ搜索方法用于电力系统无功优化,采用二进制和十进制编码２种方案。对ＩＥＥＥ３０节点系统和１２５节点山东省某地工地优化计算,并与简单遗传算法、结合模拟退火的遗传算法进行了比较,结果表明Ｔａｂｕ搜索方法具有更强的全局寻优能力,可用于运行方式安排,并具有在线决策的潜力。     

电力系统时变无功优化算法

根据电力系统实际运行中负荷不断变化的情况,提出了一种新的电力系统时变无功优化算法。从负荷曲线的特点出发,结合设备的动作次数的约束,提出利用遗传算法进行智能化负荷分段的方法;利用免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子的粒子群算法,从整体上获得系统的最优控制方式。IEEE-30算例分析表明,该方法有效减少了补偿设备和变压器分接头的动作次数,明显降低了系统在一天内的网损。     

基于混合差异进化优化算法的电力系统无功优化

无功优化是电力系统实现电压和无功功率最优控制和调度的基础,阐述了一种基于混合差异进化算法的新无功优化方法。混合差异进化算法是一种直接随机搜索方法,由在当前种群中随机采样的个体之间的基因差异来驱动,且为缩短计算时间、避免陷入局部最优,在算法中嵌入了加速操作和种群迁移操作。将该无功优化方法在IEEE 30节点系统上进行了校验,并与基于其他算法的无功优化方法进行比较,仿真结果表明该算法具有收敛速度快、鲁棒性好、计算精度高的优点。     

混合整数无功优化问题的连续优化方法

通过对离散变量进行二进制编码,把每个离散变量表示成若干个取值在0、1之间的连续变量,从而将一个含有离散变量的混合整数无功优化问题转化为一个等价的连续优化问题,再用非线性原对偶内点算法求解.并且,在优化过程中根据二进制变量的权重系数逐步确定离散变量的取值,实现了离散变量在优化过程中的逐次归整.并以IEEE 118节点作为试验系统,与常规的离散优化算法作比较,验证了该算法的正确性和有效性.     

混合整数无功优化问题的连续优化方法

通过对离散变量进行二进制编码,把每个离散变量表示成若干个取值在0、1之间的连续变量,从而将一个含有离散变量的混合整数无功优化问题转化为一个等价的连续优化问题,再用非线性原对偶内点算法求解。并且,在优化过程中根据二进制变量的权重系数逐步确定离散变量的取值,实现了离散变量在优化过程中的逐次归整。并以IEEE118节点作为试验系统,与常规的离散优化算法作比较,验证了该算法的正确性和有效性。     

基于混合粒子群优化算法的PSS参数优化

将一种新的进化算法-粒子群优化算法(PSO)应用到电力系统稳定器(PSS)参数优化当中,文中使用引入交叉操作的混合粒子群优化算法(HPSO),可以获得更好的全局搜索能力和收敛速度.先以低频振荡范围内(0.1～2 Hz)PSS产生的附加阻尼转矩△Te与△ω尽可能同相位为目标优化PSS超前-滞后环节参数;再以小扰动时发电机功率和角速度振荡最小为目标整定PSS放大倍数.优化结果表明,HPSO算法可以有效地解决PSS参数优化问题.     

基于混合粒子群优化算法的PSS参数优化

将一种新的进化算法—粒子群优化算法(PSO)应用到电力系统稳定器(PSS)参数优化当中,文中使用引入交叉操作的混合粒子群优化算法(HPSO),可以获得更好的全局搜索能力和收敛速度。先以低频振荡范围内(0.1~2Hz)PSS产生的附加阻尼转矩ΔTe与Δω尽可能同相位为目标优化PSS超前-滞后环节参数;再以小扰动时发电机功率和角速度振荡最小为目标整定PSS放大倍数。优化结果表明,HPSO算法可以有效地解决PSS参数优化问题。     

电力系统无功优化的内点非线性互补约束算法

建立了一种含离散变量的电力系统无功优化的非线性互补约束模型,并提出相应的现代内点非线性互补算法。该方法先将变压器抽头和电容器组数等离散变量按连续化处理,进行无功优化计算,快速寻求离散变量的两界;用所得结果作为初始解,以离散变量的两界构造其互补约束条件。该方法有效地解决了传统方法求解离散量存在的时间与精度之间的矛盾,可精确求解无功优化中可调变压器抽头和可调电容器组别。经多个测试系统的计算结果表明,算法具有收敛性好、计算迅速的特点,能有效地解决含离散变量的大规模电力系统无功优化问题,满足在线运行的需要。     

An extended nonlinear primal-dual interior-point algorithm for reactive-power optimization of large-scale power systems with discrete control variables

This paper presents a new algorithm for reactive-power optimization of large-scale power systems involving both discrete and continuous variables. This algorithm realizes successive discretization of the discrete control variables in the optimization process by incorporating a penalty function into the nonlinear primal-dual interior-point algorithm. The principle of handling these discrete variables by the penalty function, the timing of introducing the penalty function during iterations, and the setting of penalty factors are discussed in detail. To solve the high-dimension linear correction equation speedily and efficiently in each iteration, a novel data structure rearrangement is proposed. Compared with the existing data structures, it can effectively reduce the number of nonzero fill-in elements and does not give rise to difficulty in triangular factorization. The numerical results of test systems that range in size from 14 to 538 buses have shown that the proposed method can give nearly optimum solutions, has good convergence, and is suitable for large-scale system applications.     

A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch

This paper presents a new multi-agent based hybrid particle swarm optimization technique (HMAPSO) applied to the economic power dispatch. The earlier PSO suffers from tuning of variables, randomness and uniqueness of solution. The algorithm integrates the deterministic search, the Multi-agent system (MAS), the particle swarm optimization (PSO) algorithm and the bee decision-making process. Thus making use of deterministic search, multi-agent and bee PSO, the HMAPSO realizes the purpose of optimization. The economic power dispatch problem is a non-linear constrained optimization problem. Classical optimization techniques like direct search and gradient methods fails to give the global optimum solution. Other Evolutionary algorithms provide only a good enough solution. To show the capability, the proposed algorithm is applied to two cases 13 and 40 generators, respectively. The results show that this algorithm is more accurate and robust in finding the global optimum than its counterparts.     

电力系统PMU安装地点选择优化算法的研究

将进化衰减因子引入了遗传算法,构造了一种新的自适应遗传算法.新算法在进化过程中能够同时根据个体适应度和进化时间的变化自动调整交叉与变异概率,克服了遗传算法易早熟的缺点,提高了最优解的多样性,加快了算法寻优速度.精英个体保留策略保证了整个算法的全局收敛性.算法约束条件处理采用了不可行解启发性修复方法,保证了全部优化结果都被严格限定在了满足约束条件的解空间内.基于图论的深度优先搜索方法用于系统可观性分析.将新的自适应遗传算法应用于优化PMU安装地点选择,实现了安装地点最少,而整个系统可观的目标.该算法已在某省电网PMU安装地点选择优化计算中得到了实际应用.     

电力系统PMU安装地点选择优化算法的研究

将进化衰减因子引入了遗传算法,构造了一种新的自适应遗传算法。新算法在进化过程中能够同时根据个体适应度和进化时间的变化自动调整交叉与变异概率,克服了遗传算法易早熟的缺点,提高了最优解的多样性,加快了算法寻优速度。精英个体保留策略保证了整个算法的全局收敛性。算法约束条件处理采用了不可行解启发性修复方法,保证了全部优化结果都被严格限定在了满足约束条件的解空间内。基于图论的深度优先搜索方法用于系统可观性分析。将新的自适应遗传算法应用于优化PMU安装地点选择,实现了安装地点最少,而整个系统可观的目标。该算法已在某省