基于多目标进化算法的PMU的优化配置

研究了配置相量测量单元(PMU)后电力系统可观测性的判断方法,以保证电力系统完全可观测为约束条件,以配置PMU数目最小和保证测量量具有最大量测冗余度为目标,建立了PMU最优配置问题的数学模型。这是一个多目标优化问题,需要寻求一组Pareto最优解,应用多目标进化算法求解该问题可以得到多种满足条件的PMU配置可行方案。最后,以IEEE39节点系统为例验证了该方法的合理性。     

考虑系统完全可观测性的PMU最优配置方法

基于电力系统线性量测模型，研究了引入相量测量单元（PMU）相关量测集后的增广关联矩阵的电力系统可观测性拓扑分析方法，以保证系统结构完全可观测性和最大量测数据冗余度为约束，以配置PMU数目最小为目标，形成了PMU最优配置问题，并应用禁忌搜索（TS）方法求解该问题，保证了全局寻优。算例表明，该方法准确可靠、有效可行。     

一种改进的相量测量装置最优配置方法

以电力系统状态完全可观测和相量测量装置(PMU)配置数目最小为目标,提出了一种改进的PMU最优配置方法.将启发式方法和模拟退火方法有效结合以确保得到最优解,提高了基于启发式方法的初始PMU配置方案的质量,通过改进配置模型缩小了模拟退火方法的寻优范围,从而提高了求解速度.还提出了一种基于节点邻接矩阵的快速可观测性分析方法.最后采用IEEE 14、IEEE 30、IEEE 118节点系统和新英格兰39节点系统对该方法进行了验证.     

基于动态规划算法的PMU优化配置

以电力系统状态完全可观测和PMU配置数目最小为目标,提出基于动态规划算法的PMU优化配置方案。选择PMU配置位置为动态规划的状态,PMU台数为动态规划的阶段数,从而实现动态规划计算。通过预处理准则、对称性准则、优胜劣汰准则提高了计算效率。用文中方法对IEEE 14和IEEE 39节点系统进行了PMU配置。与其他文献方法对比表明了该算法的正确性与优越性。     

基于模拟退火混合遗传算法的电力系统相量测量装置优化配置

针对确定配置同步相量测量单元(phasor measurement units,PMU)的最小数和最佳位置以达到最大网络结构可观测性的PMU最优配置问题,提出了模拟退火遗传算法。该算法对常规遗传算法会出现早熟现象、局部寻优能力较差等缺点,在遗传算法中融入模拟退火算法算子,实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的结合。将该算法应用于优化PMU安装地点选择,实现了安装点最少,而整个系统可观的目标。IEEE14节点系统和新英格兰39节点算例系统对所提方法进行了验证。     

考虑高风险连锁故障的PMU配置方法

针对连锁故障会导致广域测量系统(WAMS)丧失对电力系统完全可观测能力的问题,提出了一种考虑高风险连锁故障的最优相量测量单元(PMU)配置方法.首先使用隐性故障模型和风险理论对电力系统的连锁故障进行模拟仿真和统计分析,从而对系统中的高风险连锁故障进行辨识;进而通过最优PMU配置保证在单一高风险连锁故障发生的情况下WAMS能够保持对电网的完全可观测.以IEEE 39节点系统为例进行了PMU配置和分析,实验结果表明该方法在经济性和鲁棒性之间能够取得较好的平衡.     

基于改进遗传模拟退火算法的PMU优化配置

分析了遗传算法和模拟退火算法的优缺点,将具有较好全局寻优性能的遗传算法和具有较强局部搜索能力的模拟退火算法结合,形成的遗传模拟退火MGASA算法用于解决以电力系统状态完全可观测和PMU配置数目最小为目标的PMU优化配置问题.在寻优过程中,先将每一代群体进行遗传操作,再对产生的新群体中各个体进行模拟退火操作,同时在选择、交叉、变异和复制操作过程中实施最优保留策略,复制策略采用Metropolis判别准则.通过采用IEEE14和IEEE39节点系统对该算法进行验证表明,MGASA算法在解决PMU优化配置问题上具有较高的寻优性能和搜索效率.     

基于博弈演化算法的PMU最优配置方法

为实现电力系统可观测性,提出一种新的相量测量单元(PMU)配置方法,即基于博弈论的演化算法。该算法将寻找PMU最优配置方案的问题映射为理性主体寻求自身利益最大化的博弈过程,PMU最优配置方案即对应于博弈中的纳什均衡解。其突出优点是演化方向确定、全局收敛性好、收敛速度快、解具有多样性。应用该算法在IEEE 30节点、新英格兰39节点、某128节点系统进行仿真计算,与深度优化算法、模拟退火算法和最小生成树算法的结果进行比较,说明了该算法的可行性及优势。     

电力系统相量测量装置最优配置混合算法的研究

以电力系统状态完全可观测和相量测量装置(PMU)配置数目最小为目标,形成了PMU最优配置问题。将遗传算法和禁忌算法有效结合形成禁忌遗传算法,该算法在改进交叉和变异算子的基础上,继承和发展了遗传算法基于多点搜索、鲁棒性强等诸多优点,每当群体有出现早熟而陷入局部最优解的趋势时,利用禁忌搜索增强算法的爬山能力,避免算法早熟而陷入局部最优解,增强算法的全局收敛能力和收敛速度。与遗传算法和禁忌搜索方法相比,禁忌遗传算法具有更好的全局收敛能力和收敛速度。最后采用IEEE14,IEEE30和IEEE57节点系统对算法的有效性进行了验证。     

电力系统PMU最优配置算法

以电力系统状态完全可观测和PMU配置数目最小为目标,提出了一种新的PMU最优配置方法,即微分进化算法,并讨论了以提高状态估计精度为目标的PMU配置方案。该算法是一种基于自然进化思想的随机全局搜索算法,相比于其他类似搜索算法有其独特的优点和应用前景,优点是比其他几种随机算法收敛速度快,稳定性好并且程序实现简单。IEEE 14、IEEE 30和IEEE 57节点算例系统验证了算法的有效性。     

电力系统PMU最优配置数字规划算法

随着相量量测装置(PMU)硬件技术的逐渐成熟和高速通信网络的发展,PMU在电力系统中的状态估计、动态监测和稳定控制等方面得到了广泛应用.为达到系统完全可观,在所有的节点上均装设PMU既不可能也没有必要.文中提出一种基于系统拓扑可观性理论的数字规划算法,利用PMU和系统提供的状态信息,最大限度地对网络拓扑约束方程式进行了简化,以配置PMU数目最小为目标,形成了PMU最优配置问题,并采用禁忌搜索算法求解该问题.其突出优点是利用了系统混合测量集数据,即不仅考虑了PMU实测数据,同时计及了可用的潮流数据.在IEEE14节点和IEEE 118节点系统的仿真结果表明,与常规的PMU最优配置算法相比,所提出的数字规划算法可以实现安装较少数量的PMU而整个系统可观的目标.     

基于免疫BPSO算法与拓扑可观性的PMU最优配置

以电力系统状态完全可观测和相量测量单元PMU配置数目最小为优化目标,基于PMU的功能特点和电力网络的拓扑结构信息,形成快速且通用的电网拓扑可观测性判别方法,并设计了一种结合免疫系统信息处理机制的二进制粒子群优化算法对目标函数进行求解,该算法综合了粒子群优化算法简单快速和免疫系统种群多样性的优点,明显改善了进化后期算法的收敛性能和全局寻优能力.最后通过对IEEE14和新英格兰39母线系统进行PMU优化配置仿真及量测冗余性分析,验证了本文方法的有效性和优越性.     

基于系统不完全可观的PMU优化配置新算法

限于同步相量测量装置(PMU)在电力系统中应用的局限性以及经济性,分析考虑了基于PMU的系统完全可观条件下电力系统状态估计过分冗余导致数据处理速度慢,收敛性不好等缺点,提出了基于系统不完全可观条件下,采用量子遗传算法对PMU进行合理配置,以期在最少PMU配置的基础上,使系统拥有足够的量测冗余度,得到的状态估计结果具有尽可能高的精度。通过算例仿真研究表明,该算法克服了深度优先算法(DFS)收敛性不好以及模拟退火法(SA)收敛速度慢的缺点,具有很好的收敛性和收敛速度,同时具有很好的精度要求。     

基于改进的整数规划法结合零注入节点的PMU优化配置方法

为了提高同步相量测量装置的优化速度并利用最少数量的相量量测单元(PMU),结合零注入节点的特性,提出了基于整数规划算法的PMU优化配置算法。根据电力系统全网的可观测性建立其数学模型,并考虑了零注入节点的相关特点,求解系统模型获得PMU的优化位置。对IEEE-14节点、IEEE-18节点、IEEE-30节点以及IEEE-118节点系统分别进行了实验仿真,并利用Matlab以及Lingo工具对所提改进的整数规划法进行了验证,对约束方程进行优化,获得了PMU的数量和位置。将该算法与整数规划算法、模拟退火法以及改进过的遗传算法相比较,该算法可以用更少数量的PMU设备使全网可观,验证了该方法的有效性和优越性。     

Optimal allocation of phasor measurement unit for full observability of the connected power network

This paper presents binary particle swarm optimization (BPSO) technique for the optimal allocation of phasor measurement units (PMUs) for the entire observability of connected power network. Phasor measurement units are considered as one of the most important measuring devices in the prospect of connected power network. PMUs function may be incorporated to the wide-area connected power networks for monitoring and controlling purposes. The optimal PMU placement (OPP) problem provides reference to the assurance of the minimal number of PMUs and their analogous locations for observability of the entire connected power networks. Binary particle swarm optimization (BPSO) algorithm is developed for the solution of OPP problem. The efficacy and robustness of the proposed method has been tested on the IEEE 14-bus, IEEE 30-bus, New England 39-bus, IEEE 57-bus, IEEE 118-bus and Northern Regional Power Grid (NRPG) 246-bus test system. The results obtained by proposed approach are compared with other standard methods and it is observed that this BPSO based placement of phasor measurement units is found to be the best among all other techniques discussed.     

Fault Location Observability Using Phasor Measurement Units in a Power Network Through Deterministic and Stochastic Algorithms

This article studies deterministic and stochastic algorithms for placing minimum number of phasor measurement units (PMUs) in a power system in order to locate any fault in the power system. The optimization problem is initially formulated in a mixed integer linear programing framework with binary-valued variables as well as in a binary integer linear programing model. Then, the optimization problem is formulated as an equivalent non-linear programing model, minimizing a quadratic objective function subject to equality non-linear constraints defined over a bounded and closed set. The problem is solved by using a Sequential Quadratic Programming algorithm. The non-linear program is illustrated with a 7-bus test system. Also, stochastic algorithms such as binary-coded genetic algorithm and particle swarm optimization have been implemented in solving the optimal PMU placement under fault condition. The accuracy of suggested algorithms is independent from the fault type and its resistance. The optimization models are applied to the IEEE systems. The numerical results indicate that the proposed algorithms locate minimizers at the optimal objective function value in complete agreement with those obtained by branch-and-bound algorithms.