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。     

基于自适应折射学习和精英搜索SSO算法的电力系统无功优化

对电力系统无功优化问题进行研究,提出了一种基于自适应折射学习和精英搜索SSO算法(ARLESSO)的电力系统无功优化方案。针对群居蜘蛛优化(SSO)算法易于陷入局部最优和收敛精度不高的缺陷,引入多功能子族群划分策略:依据蜘蛛个体适应度大小,动态地将蜘蛛种群划分为精英群、扰动群和保持群;精英群和扰动群分别采用精英搜索和自适应折射学习进化机制,以提高算法全局深度搜索能力和种群样本多样性,在此基础上,构建最小网络损耗无功优化模型,并采用ARLESSO算法进行问题求解。IEEE节点测试系统仿真结果表明,同其他无功优化方案相比,所提算法全局寻优能力更强、精度更高,并且能够有效给出电力系统无功优化结果。     

改进小生境差分进化算法在配网无功优化中的应用

配网无功优化是一类非线性的整数规划问题,通过调整变压器的变比,改变发电机的端电压和连接补偿电容来改变电力网络中的无功,减小系统网损。差分进化算法是一种收敛速度快,收敛精度高的智能进化算法,针对无功优化模型对差分进化算法做出改进,引入小生境思想。通过实例验证了小生境粒子群算法(NPSO)和改进小生境差分进化算法(FERDE)对无功补偿装置布点优化规划的有效性。结果表明,增强算法的局部搜索能力和扩宽搜索范围,在收敛速度和精度上都有不同程度的提高。     

基于改进细菌群体趋药性算法的无功优化

基于细菌群体趋药性（Bacterial Colony Chemotaxis,BCC）算法提出变速菌群趋药性（Gear Bacterial Colony Chemotaxis,GBCC）算法,将其应用于电力系统无功优化。GBCC算法引入带有权重系数的变速公式,使得GBCC算法前期能够较快地收敛于几个最优解的周围,后期能够在最优解周围进行细致搜索,克服了BCC算法易于收敛于局部最优解的缺点。建立基于GBCC算法的无功优化数学模型,给出GBCC算法的具体步骤。通过对IEEE30节点算例的测试,得到GBCC算法在无功优化问题上的收敛速度和优化效果。     

基于改进细菌群体趋药性算法的无功优化

基于细菌群体趋药性 (Baeterial Colony Chemotaxis,BCC) 算法提出变速菌群趋药性 (Gear Bacterial ColonyChemotaxis,GBCC) 算法,将其应用于电力系统无功优化.GBCC 算法引入带有权重系数的变速公式,使得 GBCC 算法前期能够较快地收敛于几个最优解的周围,后期能够在最优解周围进行细致搜索,克服了 BCC 算法易于收敛于局部最优解的缺点.建立基于 GBCC 算法的无功优化数学模型,给出 GBCC 算法的具体步骤.通过对 IEEE30 节点算例的测试,得到 GBCC 算法在无功优化问题上的收敛速度和优化效果.     

电力系统无功补偿点的选取及优化方法

提出了以局部电压稳定L指标为基础的负荷节点电压稳定裕度概念和改进的粒子群优化算法。首先利用负荷节点电压稳定裕度识别系统电压弱节点,以此作为无功补偿点,该裕度不受负荷增长方式的影响,具有确定的上下界。然后以有功网损最小为目标函数,建立电力系统无功优化数学模型,进而提出改进的粒子群算法。该算法中引入"飞回"策略及二次插值算子,提高了算法的局部搜索能力和收敛速度。该方法使系统无功得到平衡,无功源得到合理配置。最后,对IEEE 30节点系统进行无功优化,Matlab仿真结果表明了所提方法的有效性。     

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。     

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。     

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。     

云模型改进萤火虫算法优化的模拟电路故障诊断

针对萤火虫算法(FA)优化最小二乘支持向量机(LSSVM)的结构参数时,存在早熟和后期收敛速度慢等问题,提出了一种云模型改进型萤火虫算法(CCAFA)优化LSSVM参数的算法。首先,混沌映射初始化FA的初始位置,以获得群体的多样性;其次,依据萤火虫的适应度值将种群划分为三个区间,利用云自适应进化策略调整某一区间的惯性权重,之后采用云模型对萤火虫的初始位置实施变异操作;最后,使用混沌序列对群体最优位置进行优化处理,增强群体的全局搜索能力。通过对典型的4个参考函数进行测试,以测验该算法的可行性。并将CCAFA-LSSVM模型应用于模拟电路的故障诊断中,实验结果表明,改进型算法的收敛速度快、全局搜索能力强,有一定的有效性。     

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。     

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。     

基于改进蜻蜓算法的光伏全局最大功率追踪

光伏阵列的P-U特性曲线在局部遮蔽条件下呈现多峰现象,针对传统最大功率点跟踪方法易陷入局部极值、群智能算法跟随速度慢的问题,提出一种基于蜻蜓算法和扰动观察法的改进最大功率点跟踪算法.该算法通过优化算法角色,引入Lévy飞行模式加快算法的收敛速度并提高全局搜索能力;结合扰动观察法,提出种群密度的概念,制定最优局部搜索策略...     

基于混合差异进化优化算法的电力系统无功优化

无功优化是电力系统实现电压和无功功率最优控制和调度的基础，阐述了一种基于混合差异进化算法的新无功优化方法。混合差异进化算法是一种直接随机搜索方法，由在当前种群中随机采样的个体之间的基因差异来驱动，且为缩短计算时间、避免陷入局部最优，在算法中嵌入了加速操作和种群迁移操作。将该无功优化方法在IEEE 30节点系统上进行了校验，并与基于其他算法的无功优化方法进行比较，仿真结果表明该算法具有收敛速度快、鲁棒性好、计算精度高的优点。     

基于改进粒子群算法的电力系统无功优化

电力系统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。提出了一种改进粒子群算法用以解决这一复杂优化问题。在改进的算法中,首先结合混沌优化思想对粒子群进行初始化,减轻了粒子初始位置的选择对算法优化性能的影响;在进化过程中引入了自探索行为,使得粒子的搜索过程更加符合实际;引入了变异机制及3种判断陷入局部最优的标准,当发现粒子群陷入局部最优时,通过变异,帮助粒子跳出局部陷阱,增加发现最优解的机会。给出了问题的求解方法,并对IEEE 6、14节点系统进行了仿真计算,实验数值对比表明了算法的可行性和有效性。     

人口迁移算法在“N-1”安全输电网规划中的应用

提出了一种改进人口迁移算法求解输电网扩展规划的大规模组合优化问题。针对标准人口迁移算法在求解过程中搜索容易陷入局部最优解和后期收敛时间较长等缺点,对算法的迭代初始化、种群生成策略以及参数设置进行了改进,将遗传算法的最优保留思想引入到算法中,提高了算法搜索全局最优解的能力与收敛到最优解的速度。将改进后的算法应用到满足"N-1"安全准则的输电网扩展规划问题中,建立了输电网扩展规划的数学模型,设计了相应的算法。比较该算法与粒子群算法、标准人口迁移算法对IEEE Garver6节点系统和IEEE Garver18节点系统的仿真计算结果,证明了改进人口迁移算法能有效地解决满足"N-1"安全检验的输电网扩展规划优化问题。     

基于改进果蝇算法优化的微电网逆变器恒功率控制算法

针对微电网逆变器恒功率控制器PI参数优化的问题,提出了基于种群分区的多策略自适应果蝇(ppmaFOA)优化的PI参数在线优化算法。根据适应度值进行排序将果蝇种群分为三个区,因每个区果蝇性能的差异提出多策略更新模式：I区局部精细搜索保证种群不退化,II区根据算法所处环境自适应调节算法的多样性和收敛性,III区引导果蝇加速收敛,提高了算法的开发和探索能力。采用5种对比算法,利用微电网恒功率控制系统进行实验,验证了所提算法的性能和经ppmaFOA算法优化后逆变器的响应速度更快、误差更小、输出更稳定。     

基于RQGA和非支配排序的多目标混沌量子遗传算法

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价,借鉴实数编码遗传算法和多目标优化理论,构建一种多目标混沌量子遗传算法.在分析量子位概率的混沌特性、量子态干涉特性和量子位实数编码的基础上,采用量子位概率交叉和混沌变异的方式进化种群,以提高寻优能力和收敛速度,利用非支配排序、精英保留和分层聚类等多目标优化策略保持种群多样性的同时,保证进化向Pareto全局最优解集方向进行.通过混合算法性能对比测试验证了多算法集成的有效性,并分析关键参数对算法性能的影响.电力系统多目标无功优化的仿真结果验证了该算法的有效性和可行性.     

梯级水电站优化调度的改进社会情感优化算法

探索新的调度模型求解方法一直是水库优化调度研究的热点之一。社会情感优化算法（SEOA）是一种新兴的启发式智能优化算法,但目前在水库优化调度中未见应用。将SEOA应用于梯级水电站发电优化调度中,并针对算法初始种群随机生成造成的初始解代表性低,引入了初始种群均匀设计,针对部分个体过早收敛导致的种群活力低、算法易于局部收敛,制定了种群淘汰策略,从而建立了改进社会情感优化算法（改进SEOA）。实例表明,在梯级水电站发电优化调度模型的求解中,改进SEOA搜索效率高、寻优能力强、稳定性好。