电力系统无功优化的变尺度混沌优化算法

变尺度混沌优化(MSCOA)是一种改进的混沌优化方法(COA),利用混沌运动的内在随机性、遍历性和规律性进行全局寻优;通过尺度变换不断缩小优化变量的搜索空间,通过改变"二次搜索"的调节系数提高搜索精度,从而提高局部细化搜索能力.文章将该算法应用于电力系统无功优化问题,并对IEEE 6节点系统以及某地区54节点系统进行了仿真计算,计算结果验证了算法的有效性.     

长距离中压线路无功优化算法研究

针对已有算法在解决长距离中压线路无功优化问题中的不足,提出了在保证末端电压质量的情况下,以线路有功功率损耗最小为目标函数的数学模型。通过改进变尺度混沌优化算法中尺度变换系数和"二次搜索"调节系数,在保证当前最优解为中心的情况下,不断缩小优化变量的搜索范围加强局部细化搜索能力,从而提高了对目标函数的求解精度。通过实例分析可知,该算法在处理无功优化问题时其优化程度与线路的长度有一定关系,对于20 km以下的线路其优化效果较为明显,当线路长度约为10 km时结合遗传算法效果更佳。     

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。     

基于混沌优化算法的电力系统无功优化

混沌优化利用混沌变量的特定内在随机性和遍历性来跳出局部最优点 ,而线性搜索可以提高局部空间的搜索速度和精度。本文将基于线性搜索的混沌优化算法用于电力系统无功优化。应用该算法对IEEE6、1 4、30节点系统进行了无功优化计算 ,结果表明该算法是正确可行的     

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.     

基于混沌优化算法的电力系统无功优化

混沌优化利用混沌变量的特定内在随机性和遍历性来跳出局部最优点,而线性搜索可以提高局部空间的搜索速度和精度.本文将基于线性搜索的混沌优化算法用于电力系统无功优化.应用该算法对IEEE6、14、30节点系统进行了无功优化计算,结果表明该算法是正确可行的.     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题。该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力。通过算例分析表明,采用自适应混沌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。     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收 敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题.该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力.通过算例分析表明,采用自适应混沌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.     

基于变尺度混沌算法的混联水电站水库群优化调度

提出一种求解混联水电站水库群中长期优化调度问题的方法-变尺度混沌优化算法(Mutative Scale Chaos Optimization Algorithm,MSCOA).算法利用混沌运动的内在随机性、遍历性和规律性来寻找混联水电站水库群中长期最优调度计划.算法利用混沌运动的特点,将混沌变量映射到待寻优变量区间,通过尺度变换不断缩小优化变量的搜索空间,利用改变"二次搜索"的调节系数提高搜索精度以获取全局最优解.实例计算结果表明,算法可以求解具有复杂约束条件的非线性混联水电站水库群优化调度问题.算法求解精度高、收敛速度快,为解决混联水电站水库群中长期优化调度问题提供了一种新的方法.     

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。     

电力市场中最优潮流模型及算法研究

对传统最优潮流模型做了改进,提出了基于模糊理论和多目标优化理论的最优潮流模型,综合考虑了网损量最小和有功、无功购电费用最低3个目标;将免疫克隆算法和变尺度混沌搜索方法有机地结合起来,形成了免疫克隆混沌优化算法,并应用于改进最优潮流模型的求解。用IEEE 14节点算例进行了仿真分析,结果表明改进最优潮流模型有效,采用免疫克隆混沌算法对改进最优潮流模型求解是可行和高效的。     

基于改进免疫遗传算法的无功优化

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改进的免疫遗传算法,该算法把模糊逻辑、模拟退火和免疫算法相结合,根据模糊逻辑获得变化的交叉和变异算子,采用退火免疫方法对抗体进行选择,用免疫算子进行个体更新,从而增加了群的多样性,避免陷入局部最优。同时,还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。最后以IEEE 30-bus系统为例对算法的性能和求解精度进行了测试,结果表明本文提出的算法比其他遗传算法在计算速度和全局收敛方面有了很大提高。     

含有离散变量的无功优化问题的混合优化方法

提出一种混合优化方法求解含有离散变量的无功优化问题。该方法将遗传算法和传统优化方法分别运用于离散变量和连续变量的优化搜索,遗传算法对种群进行全局广度搜索,而对连续变量的传统优化则作为遗传算法的局部深度搜索,使遗传算法擅长处理离散变量和传统优化方法速度快、数值稳定性好的优势得到发扬。这种混合优化算法模型简单规范,其实用性和有效性通过算例验证。     

混沌模拟退火算法在无功优化中的应用

为了更有效地改进处理无功优化问题的方法,提出了混沌模拟退火(CSA)算法,该算法是一种基于混沌变量的改进模拟退火算法,结合了混沌算法的全局遍历性和模拟退火算法的启发式规则,在模拟退火算法的搜索过程中加入了混沌算法的优点。利用混沌算法确定算法的初始温度,有效地减小了搜索空间,同时利用混沌算法确定模拟退火算法中的扰动准则,使算法有效跳出局部最优解。最后将混沌模拟退火算法应用于电力系统无功优化中,通过对IEEE 6和IEEE 30节点以及实际129节点系统的仿真验证了该算法应用的有效性。     

Constructing core backbone network based on survivability of power grid

Constructing core backbone network is beneficial to strengthen the construction of grid structure, raise the ability of withstanding natural disasters, as well as realize power grid’s differentiation planning reasonably and scientifically. Based on the index system of survivability, a method of constructing core backbone network with the target of the smallest line total length and the largest integrated survivability index is put forward with constraint conditions of network connectivity and power grid safe operation. The cosine migration model, the premature judgment mechanism, and the mutative scale of mutation strategy by Chaos and Cauchy optimization are introduced into the improved biogeography-based optimization algorithm (BBO) to search for the optimal solution of the core backbone network. Comparison with the traditional BBO algorithm, particle swarm optimization (PSO), binary ant colony algorithm (BACA), genetic algorithm (GA) shows that the proposed method is accurate and effective, and it has advantages in fast convergence speed and high convergence precision.     

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.     

基于遗传禁忌混合算法的电力系统无功优化

为了使遗传算法(GA)和禁忌搜索算法(TS)的优点被保持,缺点被削弱,提出了电力系统无功优化的遗传禁忌混合算法(GATS);针对电力系统无功优化中控制变量的离散性和连续性相混合的特点,提出了混合编码策略并相应地采用启发式算术进行杂交.用GATS算法对IEEE30节点系统进行了无功优化计算,并就优化结果和简单遗传算法(SGA)及二进制编码的禁忌搜索法(TSB)的优化结果进行了比较,结果表明GATS方法具有更好的收敛性和更强的全局寻优能力.     

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。     

粒子群和变邻域差分进化搜索算法在多目标无功优化中的应用

目前很少研究多目标无功优化问题,而应用到多目标无功优化的多数智能算法容易陷入局部最优点.提出采用变邻域差分进化搜索与BPSO混合算法对网络无功优化,该算法具有并行处理特点、参数少容易控制、收敛速度快,很适合处理多目标无功优化问题,该算法不仅能够保证群体的多样性并且又能继承上一代的优越性,达到了多目标的要求,通过算例验证...