基于改进免疫算法的电力系统无功优化

在克隆选择原理的基础上提出了一种改进的免疫算法用于求解电力系统无功优化问题。该算法在上一代最优抗体的基础上,构造了一个较小的细胞克隆半径和一个较大的高频变异半径,即通过一个较小邻域范围和一个较大邻域范围的并行搜索,使该方法在加强对问题局部搜索的同时兼顾了全局搜索,有效地提高了算法的收敛速度和精度。通过对马尔可夫链的分析,证明了该算法的全局收敛性。对无功优化问题中离散变量的处理,提出了一种简单的“切割”技术,仅在适应值评估时对优化的离散变量进行“切割”。最后,对标准IEEE30节点系统和一个实际的118节点系统进行仿真,结果表明,该算法具有最优解质量高、收敛特性好的优点,有较强的实用意义。     

基于改进粒子群算法的无功优化

提出一种改进粒子群算法求解无功优化问题。该算法根据粒子的适应度进行排序,依据排序确定粒子的速度范围:排序靠前(较优)的粒子具有较小的速度范围,排序靠后(较差)的粒子具有较大的速度范围,较好地平衡算法的局部和全局搜索;对全局最优粒子进行克隆和变异,提高算法的收敛速度和收敛精度。同时,对种群中的较差粒子接种疫苗,以较大概率提高粒子的质量,进一步提高算法的收敛速度。对IEEE30节点系统进行仿真,与遗传算法(GA)和粒子群算法(PSO)相比,该算法具有全局搜索能力强、收敛速度快和收敛精度高的特点。     

一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法.综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解.在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势.在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解.     

一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法。综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解。在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势。在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解。     

含维变异的量子粒子群算法在无功优化中的应用

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这个缺点,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。本文考虑到优化过程中避免陷入局部最优,应用含维变异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。并对标准IEEE-30节点系统进行仿真计算,并与QPSO、PSO、GA算法进行了比较,表明该算法能够获得更好的全局最优解。     

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...     

基于自学习迁移粒子群算法及高斯罚函数的无功优化方法

针对粒子群算法在求解无功优化问题时存在早熟收敛,易陷于局部最优的现象,提出了自学习迁移粒子群算法(self-learning migration particle swarm optimization,SLMPSO).该算法在采用混沌序列对粒子群进行初始化操作,基于云模型理论的X-条件云发生器对粒子的惯性权重进行自适应调整的基础上,引入一种迁移操作,以引导全局最优粒子的飞行方向,解决粒子群后期朝单一进化方向进化的问题,有效地增强了算法的全局寻优能力.针对电力系统无功优化中的离散变量归整问题,首先将离散变量完全化为连续变量进行迭代求解,在寻求至全局最优解后引入高斯罚函数对离散变量进行归整操作.以网损和电压偏离最小为目标,对IEEE标准30节点算例进行仿真计算,验证了所提算法的有效性和可行性.     

基于NW小世界的量子进化算法在无功优化中的研究

针对量子进化算法的早熟问题,提出了一种适于电力系统无功优化的NW（newman-watts）小世界量子进化算法。该算法引入了NW小世界网络模型,以一种新颖的随机加边方式动态改变种群个体的邻域拓扑结构,从而保证了整个优化过程中的种群多样性,提高了算法的全局搜索能力。应用该算法对IEEE-14节点和IEEE-57节点系统进行无功优化的仿真分析,结果表明,NW小世界量子进化算法在电网无功优化计算中具有较强的全局寻优能力和较高的收敛精度。     

改进小生境蝙蝠算法在无功优化中的应用

为了克服基本蝙蝠算法后期收敛速度慢、易陷入局部最优的缺点,在原始算法中引入小生境技术并进行改进。在改进算法中,将小生境半径设置为自适应变化的动态函数;在单个小生境群体中采用信息共享机制,对相似蝙蝠数量的过度增长进行抑制;采用优质蝙蝠邻域搜索及存储策略对每一代每个小生境群体的优质蝙蝠进行储存。对某21节点系统进行了无功优化,并与遗传算法、基本蝙蝠算法进行比较,结果表明改进的算法具有更好的全局搜索能力和收敛性能。     

改进PSO算法用于电力系统无功优化的研究

由于电力系统无功优化为一有多变量、多约束、非线性的组合优化问题,针对传统粒子群算法收敛精度不高、易陷入局部最优的缺点,提出了一种改进的算法:分别赋予传统算法中的粒子以不同的初始惯性权重,权重较大的粒子拓展搜索空间,惯性权重较小的粒子完成局部强化寻优的工作。用改进的PSO算法无功优化计算IEEE-14节点系统的结果表明:新算法不仅避免了惯性因子权重调整的困难,而且较好地协调了算法的局部与全局搜索能力,可较好地解决电力系统的无功优化问题。     

基于改进克隆选择算法的无功优化

提出一种改进克隆选择算法解决无功优化问题。该算法采用分级的变异策略,对每一代种群中的抗体按亲和力进行分级,根据等级确定变异范围和变异率:较低等级中的抗体(较优秀抗体)采用小范围、小变异率进行变异,较高等级中的抗体(相对较差的抗体)采用大范围、大变异率进行变异,兼顾算法的局部和全局搜索能力;结合均匀设计原理构造初始种群,与随机分布相比,在同样规模下,具有更好的种群多样性,且以较大的概率在全局最优解附近存在抗体,避免陷入局部最优解,提高算法的收敛速度;对IEEE 30节点系统进行仿真,结果表明:该算法具有解的质量高、收敛性能好等优点。     

纵横交叉算法在无功优化中的应用

电力系统无功优化是一个多变量、多约束、非线性的复杂寻优问题,针对现有群智能算法在无功优化中容易陷入局部最优的不足,提出了一种全新的算法——纵横交叉算法(CSO),并将该算法应用到电力系统无功优化中。CSO算法由于双搜索机制的存在,扩大了搜索空间,大大增强其全局搜索能力和收敛精度。通过对IEEE-14和IEEE-57节点测试系统进行仿真计算,并与其他算法进行对比,验证了CSO算法对电力系统无功优化问题的适用性和有效性。     

实时无功优化调度中的邻域搜索改进遗传算法

为了避免遗传算法的早熟收敛及改善其收敛性能，提出了电力系统最优无功调度和电压控制的一种改进遗传算法。算法中采用了分组整数编码技术和锦标赛选择机制；结合十进制整数编码的特点，提出了邻近变异的操作算子，避免了二进制编码中的海明悬崖(Hamming cliffs)；在遗传迭代结束后再引入邻域搜索技术，以极短的时间完成搜索。将此算法应用在海南电网的实时无功优化调度中，结果表明该算法能迅速获得全局优化解，具有很好的全局收敛性能，能满足电力系统无功优化实时调度的要求。     

PSO-CSO算法在地区电网无功优化的应用

针对电力系统无功优化问题,建立以有功损耗最小为优化目标的数学模型,提出一种基于粒子群优化(particle swarm optimization,PSO)算法和纵横交叉优化(crisscross optimization,CSO)算法的混合智能算法(PSO-CSO)。该方法采用CSO算法横向交叉、纵向交叉的搜索方式,使算法具有很强的全局搜索能力;同时引入PSO算法中以个体最优值和全局最优值为引导的寻优机制,提高了算法的收敛速度。通过对IEEE57节点系统和地区电网模型进行仿真分析,并将优化结果与PSO和CSO等算法的优化结果进行比较,表明PSO-CSO算法在解决电力系统无功优化问题上具有更好的全局搜索能力和收敛能力。     

基于强引导粒子群与混沌优化的电力系统无功优化

为解决粒子群优化后期搜索速度较缓慢,易陷入局部最优的问题,提出一种基于强引导粒子群与混沌寻优相结合的电力系统无功优化算法,该算法在采用强引导型粒子群的基础上引入混沌优化以进一步提高全局寻优能力,即在粒子群算法的基础上引入强引导思想,在搜索初期,对粒子位置的更新加以引导,减少算法随机性以提高搜索效率。为进一步解决寻优后期粒子可能陷入早熟收敛的问题,利用混沌优化具有"奇异吸引子"的特性,在解空间进一步搜索,两者的结合可以更有效地搜索到全局最优解。通过对某高压配电网的具体计算,最优降损率可以达到14.04%,节点最低电压从0.895 0 p.u.提高到0.995 6 p.u.,结果表明该算法应用在电力系统无功优化领域的可行性和有效性。     

基于均匀设计的免疫克隆算法在无功优化中的应用

提出了一种基于均匀设计的免疫克隆无功优化算法。该方法将初始种群均匀地分布在解空间中,使初始种群更多地表征解空间的信息,这样有利于在降低种群规模的同时保持种群多样性,有效提高算法的计算效率。提出了一种基于"距离"的疫苗接种策略,按照"距离"从大到小的原则确定接种位,有效地避免了"接种浪费";引入克隆算法的高频变异操作,对每一代的最优个体进行邻域搜索,提高算法的局部搜索能力。对IEEE 30节点和IEEE 57节点系统进行仿真表明:该算法在种群规模较小的情况下依然具有计算效率高、收敛性好等优点,适合求解电力系统无功优化问题。     

免疫遗传算法在无功优化中的应用

将免疫遗传算法用于电力系统无功优化,其特点在于用基因座信息熵和免疫选择机制,提高种群的多样性,增加搜索空间,促进全局最优。通过对IEEE33节点系统的计算,验证了该算法能有效提高无功优化的收敛速度和优化效果。     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

基于MAQPSO 的电力系统无功优化研究

文中提出一种多智能体量子粒子群优化算法(Multi Agent Quantum Particle Swam Optimization,MAQPSO)求解电力系统无功优化问题,改善了传统量子粒子群算法后期收敛速度慢、易陷入局部最优解等缺点。该算法结合了量子粒子群算法和多智能体进化思想,每一个Agent相当于量子粒子群优化算法中的一个粒子,通过Agent的邻域竞争、自学习等操作,使得算法能够更迅速、更精确地收敛到全局最优解。通过对IEEE14、30、57和118节点系统的优化仿真,结果表明该算法有收敛精度高、寻优速度快等优点。     

基于改进离散粒子群算法的多目标无功优化

针对离散粒子群算法直接应用于无功优化后存在优化迭代过程易陷入局部最优解且后期收敛速度慢等问题,结合混沌算法,提出更加有效的改进离散粒子群算法求解多目标无功优化问题。同时,对每次迭代后产生的控制变量进行混沌优化,从而避免无功优化控制变量陷入局部极值区域。通过算例分析表明,采用改进离散粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。