邻域拓扑粒子群优化算法在电力系统无功优化中的应用

提出了一种基于邻域拓扑粒子群优化算法(NTPSO)的大规模电力系统无功优化新算法。该算法在概念上比标准PSO算法更精确,认为每个粒子是受它邻域范围内最优粒子的影响。研究了当前流行的五种邻域拓扑结构得到五种邻域拓扑粒子群优化算法,其中包括已在一系列标准函数上测试过的比其它拓扑效果更好的Square拓扑。文中应用这五种NTPSO分别对IEEE30节点系统和IEEE57节点系统进行了无功优化的仿真计算,结果表明基于Square拓扑的NTPSO算法的优化效果最好,为求解大规模电力系统无功优化问题提供了新的思路。     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

拓扑环小生境粒子群算法在无功优化中的应用

以系统的有功网损和投资设备的综合费用最小作为优化目标设计了基于拓扑环的小生境粒子群优化算法。首先对粒子进行编号,选取相邻几个粒子形成局部粒子群;然后将粒子速度迭代计算中的全局最优用邻域最优代替。通过这种控制信息传播速度的方式,避免了由于粒子间信息传播过快而陷入局部最优,同时形成了稳定的小生境,提高了对问题的求解能力。系统算例结果表明,该算法在技术上可行且效果较好。     

并行自适应粒子群算法在电力系统无功优化中的应用

针对传统粒子群优化算法"早熟"与后期收敛速度慢的缺点,提出了一种基于并行自适应粒子群优化算法的电力系统无功优化方法。该方法首先将初始种群随机划分成N个子群,然后分别在各子群中以所提方法寻优,从而实现了算法的并行计算。为避免各子群陷入局部最优解,采用二值交叉算子使各子群间的信息共享并更新相关粒子位置,保证了算法的全局搜索能力并维持了种群的多样性。同时,各子群寻优过程中,根据利己、利他及自主3个方向对当前搜索方向自适应更新,提高了算法的收敛速度。将所提出算法在IEEE 30节点系统上进行了仿真验证,结果证明了并行自适应粒子群算法用于无功优化的可行性和有效性。     

改进粒子群算法在无功优化中的应用

建立了无功优化的数学模型,针对粒子群算法易陷入局部最优解、收敛精度差的缺点,将改进粒子群优化算法应用到电力系统无功优化中。对粒子群的速度公式进行了改进,并在算法中引入反正切惯性权重和阈值来增强搜索全局最优解的能力。通过对IEEE30节点的算例仿真,证明改进后的粒子群算法在电力系统无功优化问题上具有一定的可行性。与PSO的结果对比表明该算法在一定程度上提高了计算的精度。     

自适应粒子群优化算法在电力系统无功优化中的应用

针对传统的粒子群优化(PSO)算法中的某些参数需通过试验确定因而影响了其实用性的问题,提出了一种自适应粒子群优化(APSO)算法,并将其应用于电力系统无功优化问题的求解。该算法能在优化过程中自动调整各参数,从而取得问题的全局优化解。IEEE30节点无功优化结果表明,该算法较传统的PSO算法具有更强的全局寻优能力。     

仿生粒子群算法在电力系统无功优化中的应用

本文在标准粒子群算法的基础上,遵循群体寻优的生物特性,提出了仿生粒子群算法。初期将群体动态地分成多个子群,每个子群相对独立地向一个目标进化,子群的成员随着进化过程不断地更迭。后期增加子群间的信息交流,使算法更快收敛。该算法不仅丰富了种群的多样性,避免过早收敛于局部最优解,而且有较快的收敛速度。文中将该算法应用于电力系统无功优化中并与标准粒子群算法进行了比较,通过对IEEE30节点和IEEE118节点的算例仿真,证明了该算法的可行性和有效性。     

基于改进粒子群算法的电力系统无功优化研究

粒子群( PSO)优化算法具有并行处理的优点,但易于陷入早熟收敛,针对这一问题,本文提出了一种改进粒子群无功优化算法,该算法使用了自适应动态惯性权重,充分利用了遗传算法中交叉变异和种群移动均匀的特性,从而有效克服了PSO算法易于陷入局部最优和早熟收敛的缺陷,具有良好的寻优速度和计算精度,实例计算取得了良好的结果,从而验...     

改进粒子群算法在电网无功优化中的应用

粒子群算法作为一种随机搜索算法,适合解决电网无功优化问题。考虑到粒子群算法收敛速度过快,容易进入局部收敛,导致收敛精度不高,研究了粒子群算法的改进措施。建立了一个全面考虑实际约束条件和无功调节手段的无功优化数学模型,提出了采用改进粒子群算法求解电网无功优化问题的方法,以确定无功优化的最优方案。以IEEE14节点系统进行仿真分析,对3种不同方案进行了对比,结果表明所用方法寻优质量高,不仅节点电压满足系统运行要求,而且系统网损也有一定程度的降低,采用该改进粒子群算法进行电网无功优化行之有效。     

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。     

基于禁忌搜索-免疫粒子群算法的无功优化

在考虑经济性网损的基础上,研究了电压稳定对无功的影响,建立了多目标无功优化的数学模型,采用模糊权重法将多目标无功优化转化为单目标无功优化进行求解。针对粒子群算法易早熟和后期收敛性差的缺点,提出免疫算法和禁忌搜索算法协同进行机制,并将该算法应用于IEEE-30节点系统上进行测试,证明了改进粒子群算法的有效性。     

自适应免疫粒子群算法在动态无功优化中应用

根据电力系统实际运行中负荷不断变化的情况,提出了动态无功优化问题的完整数学描述和计算方法。从负荷曲线的特点出发,结合设备动作次数约束,提出利用遗传算法进行智能化负荷分段的方法。利用引入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节点系统算例分析表明,该方法有效减少了补偿设备和变压器分接头的动作次数,其中节点12电容器组的投切次数由6次降为2次,且系统在一天内的有功损耗由1.2413p.u.降为1.1554p.u.。     

基于PSO的配电网无功优化配置研究

针对配电网的特点,从运行经济性角度出发,采用粒子群寻优算法,提出一种以网损最小为目标的电容器无功补偿优化算法,用来确定补偿电容器的最佳补偿点和最佳补偿容量,寻求最优的无功补偿方案。对某实际配电线路进行研究,仿真结果表明,所提出的方法是有效的,可以达到降低配电网损耗的目的,提高配电网运行经济性。     

基于改进PSO算法的电力系统无功优化研究

将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程.为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向,并引入了"飞回"策略.对IEEE-30节点系统的仿真计算结果表明了算法的有效性.     

基于改进PSO算法的电力系统无功优化研究

将粒子群优化算法(PSO)应用到电力系统无功优化问题的研究中,给出了具体的实施流程。为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第 3种极值指导粒子搜索方向,并引入了“飞回”策略。对IEEE-30节点系统的仿真计算结果表明了算法的有效性。     

PSO based bio inspired algorithms for reactive power planning

Reactive power source planning problem has significant role for secure and economic operation of power system. Reactive power planning problem is nothing but the proper coordination of existing Var sources which lead to loss minimization and cost economic operation of the system. In the proposed approach several bio-inspired algorithms like Particle Swarm Optimization (PSO), Evolutionary Particle Swarm Optimization (EPSO), Adaptive Particle Swarm Optimization (APSO), Hybrid Particle Swarm Optimization (HPSO) and Bacterial Foraging Algorithm (BFA) are used for the reactive power planning problem. Finally a comparison of all these techniques are made on the basis of the results obtained when applied to different standard test system.     

基于NCP理论的光滑牛顿法在无功优化中的应用

采用经典的无功优化模型,以系统网损最小为目标函数。依据非线性互补理论,构造NCP函数,将KKT条件中的不等式约束转换为等价的非线性方程,然后用牛顿法求解。用同样的方法来处理离散变量,即构造一个与离散变量的约束条件等价的离散NCP函数,嵌入牛顿法中迭代计算。最后,由经典IEEE系统的计算结果表明：该算法收敛速度与传统方法相当,能有效降低网损,具有大范围收敛性。     

应用改进GENOCOPⅢ算法求解无功优化问题

本文将GENOC0PⅢ(Genetic algodthm for Numerical Optimization of Constrained Problems)算法应用于以网损最小化为优化目标的电力系统无功优化问题中.该算法是一种求解含非线性约束的数值优化问题的协进化遗传算法.算法保持两个不同的种群并且使用不可行个体修正法来搜索可行点.文章最后以IEEE14节点系统为优化对象进行了计算,证明了GENOCOPⅢ遗传算法具有良好的性能.     

基于蜜蜂进化型粒子群算法的电力系统无功优化

为了提高电能质量,降低网损,采用蜜蜂进化机制与粒子群算法相结合的蜜蜂进化型粒子群算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO),对电力系统的无功优化问题进行求解.改进后的算法能够克服传统粒子群算法的收敛精度低,易陷入局部最优解的缺点.应用改进算法对IEEE6、30节点标准电网进行无功优化计算,并与其它优化算法相比较,结果证明BEMPSO算法具有较好的全局寻优能力,验证了该算法的正确性和有效性.