基于并行动态无功优化蚁群算法的应用

为考虑负荷变动下动态无功优化控制变量全天动作次数的限制,针对其多目标、强时空耦合的特点,以全天电能损耗最小、变压器分接头和电容器投切次数最少为目标函数,通过改进调节变量动作的时间约束,提出一种更加实用的新模型.利用并行算法计算不同目标函数,并通过多种信息素交换方可得到多组的较优解,增加了算法的灵活性和实用性.本文蚁群算法在寻优过程中不仅计及整个网络电能损耗的减少,而且改进了蚁群间信息素交换规则,因此能够较快地找到对电能损耗影响较大的节点,提高搜索速度.通过IEEE14、IEEE30系统仿真计算验证了该模型及算法的有效性和可行性.结果表明该文模型及算法能够有效的调节及分配控制变量的动作次数,对调节时机的选择也更为准确.     

基于新型多目标粒子群算法的电力系统动态无功优化

提出了基于新型多目标粒子群算法的无功优化方法.将控制设备动作次数约束转化为目标函数,并对转化后的多目标优化问题设计了适应度函数,较好地解决了变量离散化与控制设备动作次数限制之间的配合问题.经算例验证,优化后有功网损下降了15.1%,且优化前的环流、变压器过载等问题得到了解决.     

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     

基于动态多种群粒子群算法的无功优化

提出了一种基于动态多种群策略的改进粒子群算法。该算法将传统粒子群优化算法(particle swarm optimization,PSO)中的种群划分成多个子群,每个子群相对独立地朝同一目标进化,仅通过一种轮形结构的弱联系进行交流。在进化过程中各种群不断分裂和聚类重组,动态调整种群规模以更好地适应进化。该算法可以较好地避免PSO算法过快收敛于局部最优解,并且有较快的收敛速度。文中将该算法应用于求解电力系统无功优化问题,并与标准PSO算法的性能进行了对比,仿真计算证明该算法是有效、可行的。     

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。     

基于聚类蚁群算法的动态无功优化

针对动态无功优化中需要限制电容器开关和有载分接开关( OLTC)分接头等离散控制设备动作次数要求,首先,提出离散控制设备无需动作时间概念,该方法统一考虑全天系统负荷变动情况,在保证离散控制设备动作效率基础上使全天动作次数满足要求。另外,将聚类方法与蚁群算法相融合提出聚类蚁群算法,该方法能够根据系统的变化,随时调整路径上的信息素更新浓度。最后,根据引出的路径多样性,可以防止因信息素的过度积累使算法早熟、减少算法搜索次数的优点,提出多时段间路径多样性的概念,以达到降低控制设备的动作次数。对IEEE 14节点和IEEE 30节点系统进行计算,结果验证了方法的可行性、正确性和有效性。     

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。     

基于多目标粒子群算法的电力系统无功优化

针对电力系统有功损耗和电压偏差,提出一种带有变异的多目标粒子群算法.该算法采用非支配排序和拥挤距离来提高算法的多样性.通过ZDT1～ZDT4基准函数验证该算法的性能,比较它与其他多目标进化算法的优劣.将该算法应用于对多目标无功优化求解,采用IEEE30节点系统验证算法在无功优化中的优势.优化结果表明,该算法能清晰地给出电力系统有功损耗与电压偏差间的竞争关系,并能为用户提供均匀分布的多样化的备选解,让用户可以根据不同情况灵活选择.通过多次结果的叠加显示了该算法的稳定性.     

基于蚁群算法的无功优化方法的研究

介绍了蚁群算法用于求解无功优化的步骤,在满足发电机无功功率、负荷节点电压等网络性能要求的前提下,以系统网损最小为目标函数,将发电机机端电压、变压器分接头和无功补偿设备出力为控制变量,建立求解无功优化问题的模型。最后通过仿真试验,验证了所提出方法的可行性。     

基于混沌理论和排序选择的蚁群无功优化算法

在基本蚁群算法的基础上,引入排序选择策略,使用一定的线性或非线性关系将信息素的差别转化为次序,通过改变选择压力控制个体被选中的概率,具有很好的整体优化性,能有效抑制非成熟收敛。为提高算法的局部搜索性能,在每次迭代后全局更新以前采用的混沌搜索方法,以求在当前最优蚂蚁附近搜索到更好的解。IEEE 14、IEEE 30和IEEE 57系统的仿真分析验证了该算法的有效性,指出了混沌搜索对算法稳定的作用。     

基于改进遗传内点算法的电网多目标无功优化

将遗传算法和内点法相结合求解电力系统无功优化问题。改进了传统的遗传算法,采用混合编码和动态调整选择、交叉、变异算子,并在适应度函数中引入了内点法的对数障碍函数,有效地解决了实际系统的离散变量和状态变量易在边界取得的问题。在无功优化模型中,计及了网损,电压平均偏离,静态电压稳定裕度和调控费用4个指标。IEEE 14和IEEE 57节点算例系统的仿真结果表明,该算法稳定且具有很好的全局寻优能力和较快的收敛速度,能有效提高系统运行的经济性和安全性。     

基于量子人工蜂群算法的风电场多目标无功优化

为了分析风机的不确定性出力对电网运行的影响,建立了风电场的概率模型,利用两点估计法(2PEM)进行概率潮流计算。然后,建立了综合考虑有功网损、电压偏移量和静态电压稳定裕度的多目标无功优化模型,并通过层次分析法(AHP)确定各个目标函数的权重,避免了人为主观臆断性。提出了量子人工蜂群算法,并将该算法和前述的概率潮流计算相结合应用到风电场无功优化当中。最后,以IEEE 14节点系统为例,将风电场接入该系统进行无功优化,并和传统的人工蜂群算法(ABC)进行比较,结果表明量子人工蜂群算法优化效果更好,具有更高的收敛精度,有效地避免了早熟现象。     

带免疫的蚁群算法用于电力系统无功优化

针对电力系统无功优化具有非线性、多变量、多约束、多目标的特点,提出带免疫的蚁群优化算法。通过对连续的控制变量进行编码,实现了蚁群算法在函数优化问题上的应用。引入蚂蚁分工机制,可以大大减少每只蚂蚁的搜索空间,降低蚁群算法求解问题的难度。引入免疫算法的思想,可以避免在搜索过程中出现早熟,提高了蚁群算法的搜索效率。以IEEE-14节点系统为算例,比较分析基本算法与带免疫系统算法的计算结果,从而验证改进蚁群算法的有效性。     

基于蚂蚁算法的配电网无功优化

电力系统中无功功率的优化配置在电网经济运行中占有十分重要的地位,无功优化问题是一个复杂的组合优化问题,蚁群算法是用于解决组合优化问题的一种高效的随机化内启发式全局搜索技术。文中采用改进的蚁群算法来解决配电网络无功优化问题,建立了相应的数学模型。并以某城市配电网无功优化结果表明这种方法搜索效率高易于找到全局最优解的优点。     

基于蚂蚁算法的配电网无功优化

电力系统中无功功率的优化配置在电网经济运行中占有十分重要的地位,无功优化问题是一个复杂的组合优化问题,蚁群算法是用于解决组合优化问题的一种高效的随机化内启发式全局搜索技术。文中采用改进的蚁群算法来解决配电网络无功优化问题,建立了相应的数学模型。并以某城市配电网无功优化结果表明这种方法搜索效率高易于找到全局最优解的优点。     

改进多目标蚁群算法在电网规划中的应用

针对电网规划需综合考虑经济性和可靠性的问题,提出一种改进的多目标蚁群算法。该算法采用改进的快速排序方法构造Pareto最优解集,缩短了慢速链,降低了算法的时间复杂度;采用聚类算法裁剪非支配解,使所得解在整个Pareto解空间具有良好的多样性和分布性;采用信息素更新变参数控制,加快算法的全局收敛速度;采用挥发系数动态自适应调节机制,提高算法全局搜索能力。通过18节点电网规划算例证明,提出的改进算法与基本多目标蚁群算法相比,所得的Pareto最优解数量更多,Pareto前沿分布更加均匀,同时收敛性和快速性也得到了提高。     

基于免疫进化细菌觅食算法的多目标无功优化

为了更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,提出了一种基于免疫进化的改进多目标细菌觅食优化算法。该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。IEEE14,IEEE30节点测试系统的算例结果表明所提的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。