改进PSO算法在电力系统无功优化中的应用

将改进后的粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法运算过程繁琐、收敛精度不高、易陷入局部最优的缺点。该优化方法对粒子群算法进行了如下改进:采用简化粒子群优化方程和添加极值扰动算子两种策略,提出了简化粒子群优化(简称SPSO)算法、带极值扰动粒子群优化(简称DPSO)算法,将二者结合起来提出了带极值扰动的简化粒子群优化(简称DSPSO)算法。DSPSO以更小的种群数和进化代数获得了非常好的优化效果,使PSO算法更加实用化。对IEEE 6节点进行无功优化计算,并与其它算法进行了比较,表明该算法具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法(AFPSO)是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法.通过采用AFPSO算法,对电力系统进行无功优化.该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性.     

电力系统无功优化自适应粒子群算法

针对粒子群(PSO)算法存在易陷入局部最优的缺点,提出了一种新的基于种群多样性指数的自适应粒子群优化算法(ASPO)。该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法后期引入速度变异算子和位置交叉算子,使算法摆脱后期易于陷入局部最优的束缚,同时又保持前期搜索速度快特性。将其应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,并与GA、PSO等算法比较,结果表明APSO算法能有效应用于电力系统无功优化,其全局收敛性能、收敛精度和收敛稳定性均较GA、PSO算法有了明显提高。     

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。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法（AFPSO）是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法。通过采用AFPSO算法,对电力系统进行无功优化。该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性。     

基于自适应强引导粒子群算法的电力系统无功优化

在简单比较遗传算法、模拟退火算法、Tabu算法、传统粒子群无功优化算法的基础上,提出一种改进的粒子群无功优化算法即自适应强引导粒子群的电力系统无功优化算法,该算法在粒子群算法的基础上引入强引导思想,在搜索初期,利用数学中的外推技巧对粒子位置的更新加以引导,减少算法随机性,利用群体适应度方差判别种群的多样性,并相应调整变异概率作出变异判别实现自适应更新粒子速度和位置,提高全局和局部搜索能力,进一步解决寻优后期粒子可能陷入早熟收敛的问题,可以更有效地搜索到全局最优解。通过对福建某高压配电网进行无功优化,本文算法优化后最优降损率可达15.3%,最低电压从0.8950pu提高到0.9973pu,结果表明本文算法及模型的可行性和有效性。     

基于改进PSO算法的电力系统无功优化

提出了一种多策略融合自适应粒子群优化(MSI-APSO)算法求解电力系统无功优化问题的新方法。该方法采用分阶段调整加速因子,结合适应值自适应调整惯性权重,然后基于群体信息改善部分性能差的粒子,迭代后性能改善的粒子,采取速度保持策略,从而提高了PSO全局寻优性能。针对IEEE30节点系统进行无功优化计算,并与带惯性权重的粒子群(PSO-w)算法、带压缩因子的粒子群(PSO-c)f算法、全面学习粒子群(CLPSO)算法进行了比较,表明MSI-APSO具有更好的全局寻优能力和收敛性能。     

改进粒子群-禁忌搜索算法在多目标无功优化中的应用

针对有功网损、电压偏差和静态电压稳定裕度的多目标无功优化问题,提出一种基于改进粒子群-禁忌搜索算法的多目标电力系统无功优化方法。以最小特征值模为电压稳定裕度指标建立了3个目标函数的单一妥协模型。应用Kent映射产生的混沌序列作为初始种群,保证初始种群的多样性和均匀性。粒子群优化(PSO)算法进行前期计算时,采用凸函数递减惯性权重和自适应学习因子提高算法的收敛速度和精度;针对PSO算法搜索精度不高和陷入局部最优的问题,在PSO算法后期收敛后引入禁忌搜索算法全局寻优。基于群体适应度方差,引入模糊截集理论将模糊集合转化为经典集合,定义了经典集合下的收敛指标,当其值为0时进入禁忌搜索计算阶段,解决2种算法的切换问题。将所提方法应用于IEEE14、IEEE30和IEEE118节点系统中,验证了其有效性和可行性。     

一种基于子区域粒子群的无功优化算法研究

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于子区域粒子群的算法,并运用到电力系统无功优化中。该算法将搜索空间划分成若干个子区域,在各个子区域中均使用粒子群算法进行寻优,通过比较各个子区域的全局最优解,得出整个搜索空间的全局最优。结合无功优化的数学模型应用于IEEE30节点之中,并与标准粒子群算法以及自适应变异粒子群算法的结果相比较,结果表明基于子区域粒子群算法能够大大地降低在寻优过程中陷入局部最优的概率,寻找出更好的全局最优解,在电力系统无功优化中得到良好的应用。     

基于改进双粒子群算法的舰船电力系统网络故障重构

舰船电力系统环形网络故障重构本质上是带约束的多目标非线性组合优化问题。为了解决舰船电力系统发生故障时的供电恢复问题,提出了一种改进双粒子群优化算法进行求解。此算法分为主、辅两个粒子群,主粒子群改进了种群初始化、自适应调整惯性权重和学习因子,提高了主粒子群算法的全局寻优能力。同时,辅助粒子群还采用改进的混沌局部搜索策略,增强了种群多样性及局部寻优能力,有效地解决了粒子群算法中容易陷入局部极值的问题。通过系统仿真,分别将几种不同的优化算法进行比较。结果表明该算法具有很高的搜索效率和寻优能力,能有效地提高故障恢复的速度与精度,在处理舰船电力系统网络故障重构方面具有较好的效果。     

基于搜寻者优化算法的电力系统无功优化

将搜寻者优化算法(SOA-Seeker Optimization Algorithm)应用到电力系统无功优化中去,以网损最小为目标函数,建立了SOA无功优化的数学模型.由发电机端电压、变压器分接头和电容器组3部分控制变量构成初始矩阵.SOA算法模拟人的随机搜索行为,对利己行为、利他行为、预动行为和不确定性推理行为进行分析和建模,以确定搜索方向和步长进行解的全局搜索.对IEEE30、IEEE57测试系统进行了测试,仿真结果表明,SOA算法具有较好的全局寻优能力和较快的收敛速度,能有效地应用到电力系统无功优化中去.     

基于差分进化混合粒子群算法的电力系统无功优化

差分进化混合粒子群算法(DEPSO)首先利用差分进化(DE)的变异和选择算子产生新的群体,然后通过使用粒子群优化算法(pSo)进行局部搜索.该算法发挥差分进化和粒子群优化算法各自拥有的特点,并克服自身存在的问题,具有收敛速度快、搜索能力强、鲁棒性好的特点.将该算法用于电力系统无功优化,通过IEEE30节点系统的仿真计算证明了该算法的快速性和有效性.     

基于多阶段粒子群算法的电力系统无功优化

文章针对无功优化问题的特点,在传统粒子群算法(PSO)的基础之上,提出一系列的改进措施,形成了一种新型分阶段粒子群优化算法(MPSO)。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪个体极值和全局极值来扩大粒子的搜索空间和提高粒子的收敛精度,同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性,有效地抑制了PSO算法的早熟现象,进一步加快了算法的收敛速度。以IEEE-30节点系统为例对该改进算法的性能进行了测试,结果表明了该算法的有效性和可行性。     

基于量子粒子群算法的电力系统无功优化

量子粒子群算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解.首次将量子粒子群算法用于电力系统无功优化中,以网损最小为目标函数,在IEEE30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于量子粒子群(QPSO)...     

基于电子电力变压器的无功优化研究

EPT应用于配电系统原、副方无功功率可独立灵活调节,电力系统无功优化问题可以转化为局部网络无功优化问题,大大降低了求解规模和难度,从而容易实时实现全网无功优化控制。通过改进的遗传算法验证了配电系统采用EPT后,对无功潮流有更灵活的调节能力,在实现无功潮流优化调度时,具有比OLTC更好的效果。     

基于SA-PSO的电力系统无功优化

粒子群优化算法是一种简便易行,收敛快速的演化计算方法。但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和模拟退火算法的思想,提出了一种新的模拟退火粒子群优化(simulated annealing particle swarm optimization,SA-PSO)算法,并将其应用于电力系统无功优化。对IEEE14节点系统进行了仿真计算,并与PSO算法作了比较,结果表明SA-PSO算法全局收敛性能及收敛精度均较PSO算法有了较大提高。     

基于量子粒子群算法的电力系统无功优化

量子粒子群优化算法(QPSO)避免了粒子群算法(PSO)不能保证收敛到全局最优解的缺点,认为粒子具有量子的行为,并且可以在整个可行解空间进行搜索.无功优化问题是带有离散变量的非线性、不连续、多约束、多变量的复杂优化问题,应用QPSO算法并结合动态调整罚函数的方法来解决无功优化问题.通过对IEEE-30节点和IEEE-1...     

考虑时段优化的地区电网无功电压优化控制

为了实现地区电网无功优化控制,提出了一种改进的基于禁忌搜索算法的方法。将时间分段中的起始点和该分段中的控制变量一同构成解向量,从而避免了先进行时间分段的优化后进行无功优化的二次优化,达到了从整体上进行优化的效果。当邻域解普遍陷入不符合电压约束条件的不可行解区域时,将目标函数切换为以当前电压偏离额定电压最小为目标,当邻域解普遍回到可行解区域后,将目标函数重新切换回以全天内电能损耗最小为目标,从而确保搜索可以持续进行而避免因无可行解而导致优化终止。建议了一种扩展邻域搜索策略改善算法的全局寻优特性。采用IEEE 6节点、IEEE 14节点和IEEE 30节点系统作为算例进行测试,表明提出的方法可行且所采取的改进措施必要、有效。     

电力系统无功优化研究综述

介绍了考虑多目标函数时无功优化模型的建立与解决方法,在总结了传统优化算法的基础上着重介绍了已经改进的智能优化算法和混合的智能优化算法在无功优化上的应用,简单介绍了动态无功优化的几种优化算法,并对今后无功优化的研究方向做出了展望。     

计及UPFC的电力系统无功优化

以统一潮流控制器(unified power flow controller,UPFC)为代表的灵活交流输电技术(flexible AC transmission system,FACTS)可实现传输功率的合理分布、优化系统资源,提高系统的稳定性和可靠性。该文基于内点优化方法,提出计及UPFC的无功优化模型,以系统有功网损最小为目标函数,采用UPFC电压源模型,将其作用等效为一系列电压和功率的约束,直接放到内点法的约束中,在不同的负荷运行方式下进行优化分析。在IEEE-30节点系统测试中发现,引入UPFC后系数矩阵的维数会有所增加,但不会影响其收敛性。算例就系统网损和电压指标对装设UPFC前后进行比较,并给出最优控制方案下UPFC的参数值。结果表明该方法是可行的、有效的,取得很好的效果。