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.     

基于细菌群体趋药性算法的电力系统无功优化

将细菌群体趋药性（BCC———bacterial colcony chemotaxis）优化方法应用在电力系统无功优化中,以网损最小为目标函数,建立了BCC无功优化数学模型。由发电机机端电压、变压器分接头和电容器组3部分控制变量构成初始矩阵,它们在算法中作为细菌位置坐标,表征细菌移动寻优时的空间位置。控制变量即细菌移动遵循在 n维空间中的移动寻优规律,每个细菌通过感知周围的信息不断向最优方向移动,从而提高了全局搜索能力。通过优化参数,加快了收敛速度。对IEEE 30,IEEE 57,IEEE 118测试系统进行了测试,与免疫记忆遗传算法和混沌粒子群算法相比较,结果令人满意。     

基于细菌群体趋药性算法的配电网无功补偿优化

配电网的无功补偿优化是改善配电网电能质量、提高电压稳定性和减少网损的重要方法.以配电网网损费用和动态无功补偿设备投资费用之和最小为目标函数,通过最大、一般和最小3种负荷方式模拟配电网的实际运行.应用细菌群体趋药性算法进行无功补偿点位置的选择,使用前推回代法潮流计算分别确定最大、一般和最小三种负荷方式下的无功补偿量,并通过动态无功补偿装置的固定部分和可投切部分来实现不同负荷方式下的无功补偿.对24节点辐射网络算例进行仿真计算,得到了良好的结果.     

基于细菌群体趋药性的电力系统无功优化

提出了一种基于细菌群体趋药性的电力系统无功优化算法。细菌群体趋药性引入了群体信息交互策略,使得单个细菌在利用自身信息随机移动的同时,通过种群的信息交互,有效地改善了个体移动时的随机性和盲目性,加强了细菌趋于最优的移动策略。建立了基于细菌群体趋药性的无功优化数学模型,并对标准IEEE-6和IEEE-30节点测试系统进行了无功优化计算,通过结果分析表明,细菌优化算法在解决电力系统无功优化问题上,具有很好的应用前景。     

改进细菌群体趋药性算法在无功优化中的应用

为了克服细菌群体趋药性BCC(bacterial colony chemotaxis)算法容易陷入局部最优的缺点,在自适应调整细菌移动速度和感知范围的基础上引入了混沌优化.先将部分重叠或者陷入局部极值点的菌群映射为混沌序列,使其可以重新更优质的遍历分布于空间;然后通过逆映射得到菌群新的适应度值,提高了算法的全局搜索能力,并成功将其应用到电力系统的无功优化中;对Rastrigin函数进行仿真以及IEEE33节点配电系统进行计算分析.结果表明改进的算法具有很好的全局搜索能力,能有效降低系统有功网损,该算法是可行的.     

基于改进细菌群体趋药性算法的配电网无功优化

基本的细菌群体趋药性（BCC）算法中系统参数的固有设置方式极大地制约了算法性能,群体信息交互策略的引入,不可避免地产生趋同性,容易陷入局部最优。鉴于此,引入精度更新参数控制精度,动态调整细菌寻优速度、自适应调整细菌感知范围;并增加自适应变异算子增加随机扰动,改善种群的多样性,提高算法逃离局部最优的能力;以混沌搜索代替随机迁徙,利用其不重复的遍历性完成对局优点的二次寻优,形成改进的细菌群体趋药性（IBCC）算法,该算法极大地提高了算法的全局寻优能力。基于IBCC算法,建立了无功优化数学模型,并以IEEE-33节点配电系统为例应用该算法进行优化计算,结果表明,该算法在解决配电网无功优化问题上,具有很好的应用前景。     

基于细菌群体趋药性的电力系统无功优化

提出了一种基于细菌群体趋药性的电力系统无功优化算法.细菌群体趋药性引入了群体信息交互策略,使得单个细菌在利用自身信息随机移动的同时,通过种群的信息交互,有效地改善了个体移动时的随机性和盲目性,加强了细菌趋于最优的移动策略.建立了基于细菌群体趋药性的无功优化数学模型,并对标准IEEE-6和IEEE-30节点测试系统进行了无功优化计算,通过结果分析表明,细菌优化算法在解决电力系统无功优化问题上,具有很好的应用前景.     

含分布式发电的配网在细菌群体趋药性算法下的无功优化

文章以含分布式发电的配网无功优化为研究对象,在传统调压方法的基础上,将分布式电源融入到配电网无功补偿当中,提高了系统电压水平的同时有效降低了电力系统网损;对细菌群体趋药性算法BCC进行了改进,将线性幂函数混合映射混沌模型和微进化分算子引入到该算法当中,使得细菌感知范围和移动速度实现自适应调整,算法的全局搜索能力和寻优速度有所提高。最后,通过所举算例验证了算法的有效性和分布式电源融入到无功补偿的必要性。     

基于改进细菌群体趋药性算法的电力系统无功优化

建立了无惩罚因子策略的数学模型,并应用改进细菌群体优化(bacterial colony chemotaxis,BCC)算法进行无功优化。该模型利用可行细菌的占比指导细菌向可行空间搜索或最小网损空间搜索,快速搜索到可行的最优值。在基本BCC算法中引入速度、感知范围的动态调整以及高斯变异机制以提高寻优精度;同时引入映射因子以改善BCC算法解决离散域问题的性能。算例结果表明,改进BCC算法具有较好寻优性能,结合无惩罚因子策略的数学模型能快速得出合理的无功优化策略。     

基于微细菌群体趋药性算法的电压稳定裕度计算

针对电压稳定裕度计算问题,提出了一种基于菌群趋药性(bacterial colony chemotaxis,BCC)算法的新的优化算法——微细菌群体趋药性(micro bacterial colony chemotaxis,MBCC)算法。MBCC算法利用2个菌群(寻优菌群和库存菌群)来寻优,寻优菌群使用BCC算法来寻找最优解,库存菌群保证了寻优菌群的多样性。MBCC算法加快了算法收敛速度,提高了全局搜索能力,而且在寻优过程中减少了系统资源的浪费。将该算法用于电压稳定裕度的计算,与连续潮流法计算结果的比较表明,该算法切实可行并具有较高的精度。     

基于改进BCC算法的电力系统无功优化研究

针对传统BCC算法中的忽略原有运动惯性而导致过早收敛的问题，提出了改进的BCC算法，并对其应用于电力系统无功优化问题进行研究。引入惯性因子，使得该算法能在考虑邻域内种群优良信息的同时计及细菌本身运动惯性，在结合电力系统无功优化特征的基础上进行惯性权重因子的动态调节，从而取得问题的全局优化解。通过对IEEE30节点的标准算例测试，验证了改进BCC算法在提高电网无功优化的收敛速度和优化效果上有令人满意的性能。     

基于改进蚁群算法的无功优化研究

建立了网损最小的数学模型,对蚁群算法的缺陷进行改进,包括对蚁群搜索到的路径进行排序,自适应调节路径上释放的信息素.同时又在信息素更新机制里引入微分进化算法的发散项,提高算法的收敛速度和全局寻优能力.通过IEEE-30节点的仿真计算,验证了改进蚁群算法在电力系统无功优化领域的可行性和有效性.     

基于粒子群-差异进化混合算法的电力系统无功优化

针对传统粒子群算法中收敛速度快但易于陷入局部最优等特点,将差异进化算法与粒子群算法相结合,提出了一种粒子群-差异进化混合算法。该算法在粒子寻优过程中除跟踪个体极值和全局极值外,还跟踪粒子差异进化产生的第三个值;同时,当粒子在某一维上的速度小于给定值时,将重新初始化该维度粒子速度。建立了无功优化数学模型,并将合算法应用到无功优化中。通过MATLAB编程对IEEE-30节点系统进行优化计算,并与遗传算法和粒子群算法比较,结果表明本文提出的算法应用于无功优化拥有较快的收敛速度和全局寻优能力,具有广阔的发展前景。     

基于改进遗传算法的配电网无功优化

针对传统遗传算法在电网无功优化领域应用中存在的不足,结合配电网的特征,建立了综合考虑全年网损、电压品质和补偿设备投资的无功优化数学模型。同时应用自适应遗传算法对传统遗传算法的遗传算子和终止判据等进行了改进,提出了一种配电网无功优化的改进遗传算法,使其计算效率和全局寻优能力均有提高。实例计算表明,其优化效果优于传统遗传算法。     

基于改进遗传算法的电力系统无功优化

遗传算法是一种模拟生物进化过程的优化算法,可用于求解包含离散化变量的复杂优化问题,该文将遗传算法应用于电力系统无功优化,并对常规遗传算法的编码方式、遗传算子以及终止判据等方面进行了改进,使用该文提出的算法对IEEE6、IEEE30节点系统进行了无功优化计算,结果表明该改进遗传算法应用于无功优化是合理可行的。     

融合鱼群和微分进化的蚁群算法的无功优化

对于求解电力系统无功优化问题,提出了一种融合鱼群和微分进化的蚁群优化算法（FDEACO）。受人工鱼群觅食、聚群和追尾行为的启发,在基本蚁群算法的基础上,应用人工鱼群算法的追尾行为对蚁群在可行域上搜索到的解进行改进,加快了向最优解收敛的速度。在信息素更新机制里,通过引入微分进化算法的发散项,增加一个随机扰动,减小了算法陷入局部最优的可能性。在IEEE30测试系统上对新提出的算法进行校验,并与其它算法比较,证明FDEACO算法收敛速度快、全局寻优能力强。     

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。     

改进粒子群算法的无功优化

通过对传统梯度算法和粒子群算法的研究,提出了将梯度算法和粒子群算法(GPSO)相结合的梯度粒子算法.建立了无功优化的数学模型,将梯度粒子算法运用到无功优化中,通过算例验证,梯度粒子算法能够获得更好的全局最优解,此表明该算法运用到实际中将有利于在线电力系统无功优化.