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。     

求解离散无功优化问题的精确连续化方法

提出了一种求解离散无功优化问题的新算法。该方法对离散变量进行二进制编码,从而将离散变量转化为若干0-1变量的线性组合,并将二进制变量约束转化为等价的互补约束,再利用非线性互补函数将互补约束转化为等价的非光滑方程,对其进行光滑化处理后,将原问题转化成可微的非线性规划问题,并采用非线性原对偶内点算法求解。此外,还对离散变量编码的原理以及应用原对偶内点法中遇到的求导难点进行了介绍,并通过几个不同规模试验系统的计算分析,验证该方法能有效处理离散变量,而且具有良好的收敛性和精确性。     

智能配电网中微电网的多目标优化配置

微电网在配电网中的优化布置与定容问题是智能电网发展面临的重要问题,为此同时考虑了有功网损和电压改善程度2个重要指标,将微电网接入智能配电网的配置问题转化为同时含有连续变量(微电网的接入容量)和离散变量(微电网的接入位置)的多目标非线性优化问题,并结合具有量子行为的粒子群优化算法和二进制粒子群优化算法进行求解.算例结果验证了该方法的有效性,可对微电网在规划阶段的选址和定容提供参考.     

基于改进遗传模拟退火算法的电网无功优化

电网无功优化问题是一个多变量、多约束的混合非线性规划问题,其操作变量既有连续变量又有离散变量,优化过程复杂繁琐.遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应的全局优化搜索算法,可用于解决含有离散变量的复杂优化问题.针对传统遗传算法的收敛速度慢,易陷入局部最优解等缺陷,提出一种基于遗传模拟退火思想求解电力系统无功优化的新算法,并引入灵敏度分析,对基本遗传算法的编码、初始种群、适应度函数和交叉、变异策略等进行改进.使用本文算法对IEEE14节点进行优化计算,仿真结果证明了本文模型和算法的实用性、可靠性和优越性.     

混合优化方法及其在电力系统无功优化中的应用

利用遗传算法和传统优化方法的互补特性,采用混合优化方法求解包含离散变量和连续变量的无功优化问题.遗传算法的选择、交叉和变异操作仅作用于离散变量,遗传算法对种群进行全局广度搜索.运用传统优化方法对种群个体中的连续变量进行优化使其移动到局部最优点上,为保证对连续变量的优化效果,选择了基于函数变换与广义逆的优化新算法.混合优化算法将遗传算法擅长处理离散变量和传统优化方法速度快、数值稳定性好的优势有机结合,模型简单、规范.算法的实用性和有效性通过算例及工程应用得到验证.     

基于搜索+调整的两阶段萤火虫算法求解机组组合问题

提出了一种新颖的基于搜索+调整的两阶段萤火虫算法求解机组组合问题。算法将机组组合求解流程分解为具有离散变量和连续变量的两个优化问题,通过二进制编码的萤火虫算法求解含离散变量的机组启停主问题,利用改进的实数编码萤火虫算法解决连续变量的负荷经济分配子问题,采用调整策略校核和修复约束,实现主子问题的交替迭代求解。算法通过启发式的约束调整策略,以及两种编码方式实现了离散变量和连续变量的分解优化,提高了机组组合问题求解的效率和精度。通过对6个不同规模算例的计算及与其他经典算法的对比,验证了所提算法的有效性和优越性。     

交直流系统离散无功优化精确化方法的研究

高压直流输电近年来在大容量电能传输中得到广泛的运用,其在经济性和运行特性方面有着突出的优点,利用交直流混联系统在各区域电网之间互联成为一种重要的输电方式。交直流系统的最优潮流(optimal power flow,OPF)特别是无功优化是系统的一个重要的研究方向,解决无功优化问题中的离散变量的优化问题一直是计算中的一个难点。本文以交直流系统的节点功率平衡方程和直流网络方程为基础,结合无功优化的理论,设计出一种解决离散变量问题的内点算法,以系统网损最小为目标函数进行无功优化计算,通过两个算例,验证了该算法解决交直流系统无功优化中离散变量优化的可行性。     

计及控制设备动作次数约束的动态无功优化算法

将全天各负荷母线的有功和无功变化曲线分为24个时段,用控制变量的数学表达式描述有载调压变压器分接头和可投切并联电容器组的动作次数约束,提出了完整的非线性混合整数动态无功优化模型,并提出采用非线性原对偶内点法内嵌罚函数的方法求解该模型.在优化过程中较好地解决了变量离散化和控制设备动作次数限制之间的配合问题.以一个实际系统作为算例,分析了不同最大动作次数约束取值对动态无功优化结果的影响,并与单点静态优化计算结果进行了比较,以比较结果验证了该算法的正确性和有效性及在限制控制设备动作次数方面取得的成功.     

计及离散变量基于互补约束全光滑牛顿法的无功优化

针对电力系统无功优化确定性算法在处理离散变量时有困难及收敛域小的问题,提出把基于互补约束的全光滑牛顿算法用于含离散控制变量的电力系统无功优化。该方法使用光滑松弛函数,以避免海森(Hessian)矩阵的奇异性,将优化模型的1阶优化条件(Karush-Kuhn-Tucker,KKT)中的互补约束条件转化为光滑非线性方程,从而把非线性优化问题重构成一组非线性方程组的根求解问题,并用牛顿法进行求解。在此基础上,进一步提出以离散变量的2个边界构造其互补约束条件,并将约束条件直接嵌入到牛顿法中,实现离散变量在优化过程中的逐次逼近。算例表明:该无功优化方法具有大范围收敛性,突破了基于内点法等的无功优化技术要求系统初始点必须位于系统可行域之内的限制;采用互补约束条件处理离散变量,简单有效,能够可靠地同时得到连续变量及离散变量的最优解。     

离散粒子群与内点法结合的电力系统无功优化

基于离散粒子群优化算法与内点法,提出了一种新颖的混合策略来求解电力系统无功优化问题:不考虑无功优化中的离散约束,采用内点法求解得到初始解;根据优化变量的不同性质将无功优化问题分解为离散优化和连续优化2个子问题,并采用离散粒子群优化算法和内点法交替求解,使两者的优化结果互为基础、相互利用,从而保证了混合策略的整体寻优效率,以IEEE30和IEEE118节点作为试验系统,与常规的离散优化算法做比较,验证了该算法的正确性和有效性.     

基于拟态物理学优化算法的微电网功率优化

考虑天气等因素对微电网有功功率平衡的影响,计及电力市场环境下的需求侧响应,将微电网负荷分为高赔偿可中断负荷(ILH)与低赔偿可中断负荷(ILL).在保证微电网功率平衡以及满足潮流、电压、频率偏移和开关损耗等约束的前提下,以微电网总收益最大为目标函数,建立考虑切负荷操作的微电网功率优化数学模型,并利用拟态物理学优化(APO)算法进行求解.微电网14节点系统的仿真结果验证了所提算法的有效性.     

基于随机微粒群算法的电力系统无功优化

介绍保证以概率1全局收敛的随机微粒群算法,针对随机微粒群算法难以在有限进化代数搜索到全局最优解的问题,介绍一种改进的随机微粒群算法,这种算法对随机微粒群算法停止进化的微粒采用模拟退火方法生成,使得搜索更为有效.提出将两种算法分别应用于电力系统无功优化,通过对IEEE14节点系统的仿真计算,并与遗传算法、标准微粒群算法相比较,结果表明这两种算法取得了更好的优化效果,改进的随机微粒群算法更具有实用意义.     

基于粒子群算法的冷热电联供系统优化调度

近年来随着用户对供能形式的需求不断丰富,传统的以单一电能为形式的供能系统已经无法满足能源用户的需求.考虑了冷热电联供系统(combined cooling heating and power,CCHP)对不同能源协同供应的特点,对以风能、太阳能、天然气和储能协同供能的冷热电联供优化问题进行研究.综合考虑不同费率结构以及...     

基于改进粒子群算法的多目标无功优化

提出了一种基于粒子群算法的多目标优化方法,该算法采用Pareto支配关系来更新粒子的个体最优和全局最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分散性;采用动态惯性权重来平衡粒子的局部和全局搜索能力,并将该算法应用于IEEE14节点系统的多目标无功优化     

基于粒子群-差异进化混合算法的电力系统无功优化

针对传统粒子群算法中收敛速度快但易于陷入局部最优等特点,将差异进化算法与粒子群算法相结合,提出了一种粒子群-差异进化混合算法。该算法在粒子寻优过程中除跟踪个体极值和全局极值外,还跟踪粒子差异进化产生的第三个值;同时,当粒子在某一维上的速度小于给定值时,将重新初始化该维度粒子速度。建立了无功优化数学模型,并将合算法应用到无功优化中。通过MATLAB编程对IEEE-30节点系统进行优化计算,并与遗传算法和粒子群算法比较,结果表明本文提出的算法应用于无功优化拥有较快的收敛速度和全局寻优能力,具有广阔的发展前景。     

改进粒子群算法的无功优化

通过对传统梯度算法和粒子群算法的研究,提出了将梯度算法和粒子群算法(GPSO)相结合的梯度粒子算法.建立了无功优化的数学模型,将梯度粒子算法运用到无功优化中,通过算例验证,梯度粒子算法能够获得更好的全局最优解,此表明该算法运用到实际中将有利于在线电力系统无功优化.     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

基于粒子群优化算法的PSS参数优化

粒子群算法(PSO-ω)是一种应用于连续空间的、具有较好的全局搜索能力和寻优速度的群体智能优化算法.基于单机无穷大系统模型,通过采用PSO-ω算法对电力系统稳定器(PSS)进行参数优化,以抑制低频振荡.该方法是以最优控制原理为基础,综合考虑PSS与励磁系统的性能,将PSS参数优化协调转化为带有不等式约束的优化问题,控制目标为系统输出按照最小误差跟踪给定值的能力(ITAE准则).用Matlab软件进行仿真,结果表明,利用该方法设计的PSS,它的稳定性有了较大的提高.