电力系统无功优化的二次变异遗传算法

在自适应遗传算法的基础上引入优良个体池和二次变异操作,提出了用于电力系统无功优化和电压控制的二次变异遗传算法。该方法建立一个与群体规模等大的优良个体池,用于保存个体编码、适应度等详细数据。每计算完一代,将该代的个体与优良个体池中的个体进行生存竞争,因此优良个体池中保留了历代计算的优良个体,下一代的群体从优良个体池中选择。考虑到遗传操作后存在大量相同个体,检出重复个体进行二次变异,产生邻近的个体,避免了重复计算而且增强了算法的局部搜索能力,加快了算法的收敛速度。该方法和自适应遗传方法用IEEE30节点系统为例计算,结果表明:使用二次变异自适应遗传算法优化的网损平均值更低,寻优性能更好,优化的网损值集中在小的区间。     

混合搜索算法在配电网无功最优补偿中的应用

针对目前遗传算法用于无功优化时存在收敛速度慢、容易陷入局部最优等问题,提出了一种将改进遗传算法与模拟退火算法及禁忌搜索算法相结合的混合求解算法。首先根据个体适应度值进行自适应交叉和变异操作,并采用启发式二次邻域变异的方法,使个体的进化更符合无功优化问题的实际,然后运用模拟退火进行个体更新,以便增加群的多样性,避免陷入局部最优;最后将所得最优解作为禁忌搜索的初始解,进行局部寻优求解过程。以一实际配电网系统为例进行优化计算,结果表明混合搜索算法具有较优的性能和求解精度。     

混合搜索算法在配电网无功最优补偿中的应用

针对目前遗传算法用于无功优化时存在收敛速度慢、容易陷入局部最优等问题,提出了一种将改进遗传算法与模拟退火算法及禁忌搜索算法相结合的混合求解算法.首先根据个体适应度值进行自适应交叉和变异操作,并采用启发式二次邻域变异的方法,使个体的进化更符合无功优化问题的实际,然后运用模拟退火进行个体更新,以便增加群的多样性,避免陷入局部最优;最后将所得最优解作为禁忌搜索的初始解,进行局部寻优求解过程.以一实际配电网系统为例进行优化计算,结果表明混合搜索算法具有较优的性能和求解精度.     

基于自适应遗传算法的水轮机导叶关闭规律优化计算

首先建立水轮机导叶关闭规律优化计算的数学模型,然后将自适应遗传算法和水电站过渡过程数值计算特征线法相结合,建立一种用于求解该模型的全局优化方法.该自适应遗传算法采用实数编码,并根据个体适应变不同对交叉概率和变异概率进行自适应调整,使群体中的优良个体不易被破坏,同时又保证了种群个体的多样性,从而提高了算法的优化效率.工程实例计算表明,应用自适应遗传算法优化水轮机导叶关闭规律是可行、高效的.     

基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性。同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法。应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性。     

基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性.同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法.应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性.     

基于改进遗传模拟退火算法的无功优化

针对目前电力系统无功优化算法所存在的问题，提出了一种将遗传算法与模拟退火算法及牛顿下山法相结合的混合求解算法。首先根据个体适应度值进行自适应交叉和变异操作并采用模拟退火进行个体更新，以便增加群的多样性，避免陷入局部最优；然后采用牛顿下山法加快模拟退火部分的求解过程，并采用十进制整数编码和保存最优个体法来提高计算速度和精度。以IEEE 30-bus系统和一某实际电力系统为例对所提出算法的性能和求解精度进行了测试，结果表明改进的混合遗传算法比传统的遗传算法在计算速度和全局收敛方面有了很大提高。     

改进的自适应遗传算法在控制器PID参数优化中的应用

针对遗传算法(GA)中自适应机制存在理论性和可行性之间的矛盾,提出一种行之有效的自适应算法。该算法根据个体和群体的适应度来确定个体的交叉变异概率,并据此采用无放回抽样的方式进行交叉变异。用一个非常复杂的数学函数对新算法进行了测试,结果表明改进算法克服了传统GA难以解决的早熟和局部收敛的问题,并且收敛速度大有提高。在此基础上将其应用于锅炉过热汽温串级控制系统的PID参数优化,仿真结果表明了其优越性,具有很好的应用价值。     

基于改进遗传算法的无功综合优化

简要分析了传统的电力系统无功优化方法的局限性之后,提出了一种快速有效的求解方法——改进的遗传算法(IGA)。在简单遗传算法(SGA)的基础上,提出了自适应遗传算法,该算法采取了与个体分布散度成正比,并随最优个体保留代数成指数上升的自适应变异率;同时也采取了自适应的交叉率．该交叉率与群体中最大的适应度值和每代群体的平均适应度值有密切的关系。算例表明提出的算法优化效果好．而且在精度上和收敛速度上都有较大的提高。     

基于遗传位爬山混合算法的电力系统无功优化

针对电力系统无功优化中遗传算法收敛慢、计算效率低且易于陷入局部最优解等问题,提出了将遗传算法与位爬山算法相结合的混合算法,并在遗传算法中采用排序选择方式进行个体选择操作,以更好地保持群体的多样性,避免了陷入局部最优解;通过交叉、变异等遗传操作,在满足终止判定准则的条件下,将遗传算法得到的结果作为位爬山算法的初值进行位爬山操作,改善了遗传算法的计算效率。以IEEE30节点系统为例对该混合算法的性能进行了仿真,仿真结果验证了该混合算法的有效性和可行性。     

考虑静态电压稳定性的多目标无功优化

针对遗传算法容易出现早熟、局部寻优能力较差和收敛速度缓慢的问题,该文用模拟退火思想对适应度函数进行改善,用自适应算法对遗传算法的交叉、变异策略进行改进,采用精英保留策略,变异操作作用尾部占优原则,并把基于广义Tellegen定理的电压稳定裕度指标最小作为无功优化的目标函数之一,以改善电力系统的静态电压稳定性.用IEEE...     

基于共享小生境伪并行遗传算法配网无功优化研究

针对传统遗传算法(SGA)在配电网无功优化中的缺陷和配电网的特点,把基于共享函数的小生境技术和伪并行遗传算法有机结合起来应用于无功优化,采用实数编码和自适应交叉、变异等策略.建立了以运行费用最小为目标的数学模型.实际网络计算结果表明,小生境伪并行遗传算法在提高运算速度、维持群体多样性和抑制早熟等方面显示出优越性,更加适用于配网无功优化.     

基于改进量子遗传算法的电力系统无功优化

提出一种基于改进量子遗传算法的电力系统无功优化方法。该方法借鉴量子计算的一些概念,采用量子比特对控制变量编码,这种编码方式能表示出许多可能的线性叠加态,从而更好地维持种群的多样性。同时利用搜索到的最佳个体信息更新量子门,加快了该方法的收敛速度,采用群体灾变策略防止该方法陷入“早熟”。分别采用线性规划算法、复合形算法、改进禁忌搜索算法、标准遗传算法、自适应遗传算法和该方法对IEEE 6和IEEE 30节点系统进行无功优化,实验结果表明,该方法全局寻优能力强、收敛速度快。     

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。     

基于自适应遗传算法的配电网无功优化

针对传统的遗传算法在求解配电网无功优化问题时容易陷入局部最优,并且收敛速度慢的缺点,将自适应遗传算法引入配电网无功优化中,采用自适应的交叉率和变异率使之符合遗传算法动态性和适应性搜索过程,并在编码方式、适应度函数设计、遗传操作以及终止判据等方面进行改进,对IEEE 33测试系统进行仿真分析,算例表明了算法的实用性和有效性。     

基于自适应遗传算法的配电网无功优化

针对传统的遗传算法在求解配电网无功优化问题时容易陷入局部最优,并且收敛速度慢的缺点,将自适应遗传算法引入配电网无功优化中,采用自适应的交叉率和变异率使之符合遗传算法动态性和适应性搜索过程,并在编码方式、适应度函数设计、遗传操作以及终止判据等方面进行改进,对IEEE33测试系统进行仿真分析,算例表明了算法的实用性和有效性。     

基于改进教与学算法的含电能路由器的电力系统无功优化

针对传统智能算法在求解计及电能路由器的电力系统无功优化模型时存在的收敛性和多样性问题,提出一种基于轮盘赌选择和自适应柯西变异策略的改进教与学算法,并应用于含电能路由器的电力系统无功优化。该算法在学习阶段引入轮盘赌选择法,提高群体的学习效率,在教学完成后引入自适应柯西变异策略,增强班级种群的多样性,避免迭代过程陷入局部最优解。然后,建立以有功网损和电压偏离度最小为目标函数的电力系统无功优化模型,并以修改后的IEEE RTS-79标准测试系统为算例进行仿真分析,结果表明改进后的算法兼顾了收敛性和多样性,相比于传统算法具有更好的优化效果。     

Optimal reactive power dispatch using an adaptive genetic algorithm

This paper presents an adaptive genetic algorithm (AGA) for optimal reactive power dispatch and voltage control of power systems. In the adaptive genetic algorithm, the probabilities of crossover and mutation, p_c and p_m, are varied depending on the fitness values of the solutions and the normalized fitness distances between the solutions in the evolution process to prevent premature convergence and refine the convergence performance of genetic algorithms. The AGA applied for optimal power system reactive power dispatch is evaluated on an IEEE 30-bus power system in which the control of bus voltages, tap position of transformers and reactive power sources are involved to minimize the transmission loss of the power system.