基于改进粒子群算法的电力系统无功优化

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出一种基于信息分享策略的改进型粒子群算法,并首次将其应用于电力系统无功优化问题.改进的粒子群算法通过调整学习因子而获得合理有效的收敛速度;采用信息分享策略以保证种群的多样性;在位置的更新过程中加入扰动项,从而避免算法陷入局部最优解.用改进型粒子群算法对IEEE-14节点标准测试系统进行无功优化计算,实验结果表明:与其他算法相比,该改进粒子群算法具有较强的全局寻优能力,且收敛速度快,鲁棒性好,能有效地解决电力系统无功优化问题.     

P(AA-SSS-DMAPS)/MMT复合材料的制备及其对Pb2+的吸附行为

采用原位聚合法,制备出了一种具有交联结构的P(AA-SSS-DMAPS)/MMT复合材料,通过FT-IR、XRD、TG和SEM对其结构进行了表征,并研究了P(AA-SSS-DMAPS)/MMT复合材料对水体中Pb~(2+)的吸附行为。试验结果发现,MMT的引入,不仅能够提高P(AA-SSS-DMAPS)/MMT复合材料的热稳定性能;而且还增大了复合材料的比表面积和吸附位点。在吸附试验中发现,当P(AA-SSS-DMAPS)/MMT复合材料用量为0.1 g、吸附时间为150 min、pH值=5.0、Pb~(2+)溶液的初始浓度为0.01 mol/L时,其对Pb~(2+)的饱和吸附容量为247.8 mg/g,且吸附过程更适合用Langmuir等温吸附模型描述。热力学研究发现,P(AA-SSS-DMAPS)/MMT复合材料对Pb~(2+)的吸附过程的ΔG0,说明吸附过程可自发进行。     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...     

电力系统无功优化的反向优化差分进化算法

电力系统无功优化问题是一个复杂的多目标、多约束、非线性的混合整数优化问题,针对基本差分进化算法易陷入局部最优解、收敛速度慢的缺点,首次引入反向优化差分进化算法应用于解决电力系统无功优化问题.反向优化差分进化算法利用基于反向的优化对种群进行初始化,可以获得适应度更优的个体,从而加快了收敛速度;根据一定的跳变率,对种群逐代进行动态跳变,增加了种群的多样性,可以避免算法陷入局部最优解.以系统的有功网损最小为目标函数同时兼顾电压的合理分布,对IEEE-14节点系统进行了无功优化仿真计算,并与其他优化算法进行了比较,结果表明该算法具有较强的全局寻优能力,且收敛速率较快,收敛精度高,鲁棒性好,可较好地解决电力系统无功优化问题.