基于多目标混沌粒子群算法的矿区电网无功优化

为了提高矿区电网电能质量,降低电网线路有功网损,在无功优化基本数学模型的基础上,综合系统电压的静态稳定性,建立了多目标无功优化数学模型。针对粒子群优化算法在进化中易出现早熟收敛等问题,引入混沌粒子群优化算法。以IEEE30节点系统为算例,验证了多目标混沌粒子群算法的可行性。将该算法应用于矿区电网无功优化中,仿真结果进一步验证了该算法的有效性。     

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。     

基于改进粒子群算法的多目标无功优化

提出了一种基于粒子群算法的多目标优化方法,该算法采用Pareto支配关系来更新粒子的个体最优和全局最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分散性;采用动态惯性权重来平衡粒子的局部和全局搜索能力,并将该算法应用于IEEE14节点系统的多目标无功优化     

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.     

基于多目标粒子群算法的配电网无功优化

考虑到配电网经济性和稳定性,以网损最小、电压偏移量最小为目标的优化策略,建立了以传统手段电容器调节和静止无功补偿器出力为优化手段的无功优化模型。文中提出了不需要任何小生境参数的小生境技术的多目标粒子群算法,采用环形邻域拓扑结构利用粒子的局部记忆形成稳定的网络,并在决策空间和目标空间中采用特殊拥挤距离作为度量。用多模态多目标优化测试函数进行测试该算法性能。测试结果表明该算法能得到大量的帕累托最优解。最后使用33节点网络算例,验证算法在无功优化应用的优势。优化结果表明所提出的改进算法在配电网无功优化方面的有效可行性,所得出的多组无功补偿方案能为用户提供分布均匀且多样化的非劣解。     

基于CAMOCS算法的多目标无功优化

针对传统算法在求解多目标函数上存在局限性问题,在标准多目标布谷鸟搜索(Multi-objective Cuckoo Search,MOCS)算法的基础上,采用Kent混沌映射生成多样性初始解,并自适应改变算法的搜索步长,结合多目标Pareto最优解概念,提出一种混沌自适应多目标布谷鸟搜索(Chaotic Adaptive Multi-objective Cuckoo Search,CAMOCS)算法,并利用该算法对所建立的多目标无功优化模型进行求解,最后在IEEE 14节点系统算例仿真验证了所提方法的有效性和可行性。     

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。     

基于免疫算法的多目标无功优化

在详细分析无功优化约束条件和目标函数以及研究无功优化免疫算法中抗体产生及其编码和解码的基础上,针对目前无功优化目标函数大多是基于权重系数基础多目标函数的组合,提出了基于免疫算法的多目标无功优化算法, 即用整体亲和力和部分亲和力概念来表示抗体对抗原的亲和程度,然后通过分别计算抗体的局部和整体亲和力来对抗体进行排序,依据此顺序选择抗体进行克隆、交叉变异等操作,并反复进行以求取系统无功优化的Pareto解集。对 IEEE14节点系统和IEEE118节点系统进行了多次无功优化计算,结果表明了该算法的有效性。     

基于混沌免疫混合算法的多目标无功优化

针对目前评价多目标函数解的不足,提出了将多目标函数各个解映射成多维空间中不同的点,利用这些点与理想点之间的欧氏距离来衡量各个解的优劣;同时针对无功优化、混沌优化算法和免疫算法的特点,提出了在采用免疫算法进行无功优化的记忆抗体群中,运用混沌优化方法和免疫算法的交叉和变异等操作对无功优化的连续变量和离散变量进行交替优化求解,并将它们运用于以降低有功损耗,提高电压稳定裕度及减小电压偏移为目标的无功优化中;通过 IEEE-30和IEEE-118节点算例系统验证了混合算法及最优解评价方法的正确性和可行性。     

基于混沌免疫接种粒子群算法的电力系统多目标无功优化

针对基本粒子群优化算法的收敛性能受初始粒子分布影响较大的问题,应用混沌优化理论具有遍历性的突出优点和人工免疫系统中接种疫苗的方法,即混沌免疫接种粒子群优化算法,将该方法应用于电力系统多目标无功优化模型求解.混沌免疫接种粒子群算法是采用混沌优化生成初始粒子即无功优化控制变量值,并选择其中较优的粒子作为初始粒子群,改善了随...     

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。     

多目标无功优化的向量评价自适应粒子群算法

为了克服粒子群算法在高维复杂问题寻优时有相当可能陷入局部极优的现象,提出了一种自适应粒子群算法。该算法利用种群多样性信息对惯性权重进行非线性的调整,并在算法的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点的束缚。对基于向量评价的粒子群算法进行了扩展,提出了基于向量评价的自适应粒子群算法(vector evaluated particle adaptive swarm optimization,VEAPSO)来解决多目标无功优化问题,求解出问题的Pareto最优解集。为帮助决策者从Pareto最优解集中选取合适的最优解,该文提出一种基于决策者偏好及投影寻踪模型的多属性决策法,使决策结果更加真实可靠。将该算法应用于多目标无功优化问题中,IEEE 30和IEEE 118节点系统算例仿真表明该方法用于解决多目标无功优化问题是有效可行的。     

基于禁忌搜索粒子群优化算法的无功优化

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,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

基于微粒群优化算法的电力系统动态无功优化

根据系统负荷曲线变化趋势按单调性将一天的预测负荷曲线划分为若干(小于24)个时段，并将动作次数约束还原为经济成本，将它与网损费用等之和作为目标函数，并考虑了各种运行约束条件，采用微粒群优化算法进行计算，该算法收敛速度较快。与静态无功优化模型相比表明，该无功优化模型更适合给定的地区电网，优化后全天的网损略有增大，但变压器抽头调节次数以及电容器组投切次数明显减少。     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

多目标无功优化的向量评价自适应免疫粒子群算法

为了克服粒子群算法在高维复杂问题寻优时容易陷入局部搜索的现象,提出了一种自适应免疫粒子群算法。该算法利用引入免疫系统的免疫信息处理机制和自动调整动量系数的自适应因子,从整体上达到系统的最佳控制方案。并将基于目标向量的个体评价方法与自适应免疫粒子群算法相结合,提出了基于向量评价的自适应免疫粒子群算法(vector evaluated adaptive immune particle swarm optimization,VEAIPSO)来解决多目标无功优化问题。通过引入静态电压稳定指标,建立了以系统有功损耗最小、节点电压偏移量最小及静态电压稳定裕度最大为目标的多目标无功优化模型。IEEE30和IEEE118节点系统算例仿真结果表明,该算法能有效地解决多目标无功优化问题,并具有良好的收敛稳定性和较高的寻优精度。     

基于混沌粒子群优化方法的电力系统无功最优潮流

针对电力系统无功最优潮流问题,提出一种混沌粒子群优化(CPSO)方法,以克服粒子群优化(PSO)方法容易早熟而陷入局部最优解的缺点。该方法结合混沌变量良好的遍历特性及混沌优化的特点,对即将重合而引起搜索能力下降的粒子赋予混沌状态搜索,其余粒子仍以常规PSO方法搜索,从而提高PSO方法的寻优性能。通过对IEEE6,IEEE14,IEEE30和IEEE118测试系统无功最优潮流问题的计算及分析,表明CPSO方法具有很高的搜索效率和诱人的应用前景。