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。     

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IEEE 6,IEEE 14,IEEE 30和IEEE 118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。     

基于强引导粒子群与混沌优化的电力系统无功优化

为解决粒子群优化后期搜索速度较缓慢,易陷入局部最优的问题,提出一种基于强引导粒子群与混沌寻优相结合的电力系统无功优化算法,该算法在采用强引导型粒子群的基础上引入混沌优化以进一步提高全局寻优能力,即在粒子群算法的基础上引入强引导思想,在搜索初期,对粒子位置的更新加以引导,减少算法随机性以提高搜索效率。为进一步解决寻优后期粒子可能陷入早熟收敛的问题,利用混沌优化具有"奇异吸引子"的特性,在解空间进一步搜索,两者的结合可以更有效地搜索到全局最优解。通过对某高压配电网的具体计算,最优降损率可以达到14.04%,节点最低电压从0.895 0 p.u.提高到0.995 6 p.u.,结果表明该算法应用在电力系统无功优化领域的可行性和有效性。     

混沌粒子群优化算法在配电网无功优化中的应用

针对电力系统无功优化的特点,提出了一种基于传统粒子群优化(PSO)算法的改进型智能算法——混沌粒子群优化(CPSO)算法。CPSO算法采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值,利用该算法分别对IEEE14和IEEE30节点系统进行仿真测试。仿真结果表明,CPSO算法相对于PSO算法,优化效果理想,收敛速度快。     

一种基于子区域粒子群的无功优化算法研究

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于子区域粒子群的算法,并运用到电力系统无功优化中。该算法将搜索空间划分成若干个子区域,在各个子区域中均使用粒子群算法进行寻优,通过比较各个子区域的全局最优解,得出整个搜索空间的全局最优。结合无功优化的数学模型应用于IEEE30节点之中,并与标准粒子群算法以及自适应变异粒子群算法的结果相比较,结果表明基于子区域粒子群算法能够大大地降低在寻优过程中陷入局部最优的概率,寻找出更好的全局最优解,在电力系统无功优化中得到良好的应用。     

基于自适应小生境粒子群优化算法的电力系统无功优化

针对电力系统无功优化问题,提出用自适应小生境粒子群优化ANPSO(Adaptive Niche Panicle Swarm Optimization)算法来克服粒子群优化(PSO)算法容易早熟而陷入局部最优解的缺点.以粒子的位置状况及其2个向量点积的符号动态生成小生境半径,根据各粒子之间的距离组成小生境种群.在小生境群体中运用粒子群优化算法进行寻优,对于更新后的群体根据粒子间的距离,利用共享机制改变粒子的适应度,用以提高整个群体的全局寻优能力.通过对IEEE 6、14、30和118节点测试系统的无功优化问题计算及结果分析,并且与其他算法进行比较,结果表明该算法收敛成功率高,能获得较好的解.     

基于回溯迭代搜索-粒子群算法的配电网无功优化研究

在考虑配电网电压质量和无功补偿设备容量限制的条件下,以有功网损最小为优化目标、网络拓扑结构为约束条件建立了无功优化模型。针对粒子群算法存在着早熟现象、收敛速度慢和易陷入局部最优解的特点,提出了一种基于回溯迭代的粒子群算法(BPSO)。该算法采用回溯迭代的"0-1"特性,在寻优过程中通过剪枝函数避免无效搜索,改善了优化的路径,从而提高了PSO全局寻优性能。通过IEEE 30节点配电网算例的仿真,验证了BPSO算法的优解性,并与常规PSO算法对比证明所提算法的优越性。     

基于改进粒子群算法的电力系统无功优化研究

阐述了一种改进粒子群的无功优化方法.粒子群优化(PSO)算法是进化计算领域中的一个新的分支,其源于对鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,文章提出混沌粒子群算法,该算法可以较好地避免PSO算法过快收敛于局部最优解,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.     

禁忌搜索–粒子群算法在无功优化中的应用

禁忌搜索粒子群算法是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,将禁忌搜索思想融入到粒子群算法中的混合算法,并将该算法应用到电力系统无功优化中。该方法在粒子群算法寻优过程的后期加入了禁忌表,扩大搜索空间,避免陷入局部最优。通过对IEEE 30节点测试系统和鸡西电网进行仿真计算,并与其他算法进行比较,结果表明该算法能取得更好的全局最优解,既加快了收敛速度,又提高了收敛精度。     

基于改进粒子群算法的电力系统无功优化研究

粒子群( PSO)优化算法具有并行处理的优点,但易于陷入早熟收敛,针对这一问题,本文提出了一种改进粒子群无功优化算法,该算法使用了自适应动态惯性权重,充分利用了遗传算法中交叉变异和种群移动均匀的特性,从而有效克服了PSO算法易于陷入局部最优和早熟收敛的缺陷,具有良好的寻优速度和计算精度,实例计算取得了良好的结果,从而验...     

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。     

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。     

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。     

基于改进微分进化算法的电力系统无功优化

提出了一种改进的微分进化算法求解电力系统无功优化问题。在进化过程中，该算法根据进化情况采用动态参数调整机制提高算法的搜索效率，并且对种群重叠状况进行实时监视，对重叠个体利用混沌搜索策略来进一步提高算法的全局寻优能力。通过对IEEE 6、IEEE 30、IEEE 118标准测试系统及某地区实际系统的无功优化问题计算及结果分析表明，文中提出的改进微分进化算法高效、且全局寻优能力强。     

基于自适应模糊粒子群算法的电力系统无功优化研究

针对传统粒子群算法搜索精度低和易早熟的缺点,提出了一种自适应模糊粒子群算法(AFPSO)对电力系统进行无功优化.该算法对惯性权重进行非线性的调整,有效地提高了算法的收敛速度和精度,并对位置的更新采用模糊控制,较好地解决了粒子群易早熟的问题.将该算法应用于无功优化问题中,在IEEE-30节点系统上进行测试,证明了AFPSO算法的有效性和优越性.     

基于NW小世界的量子进化算法在无功优化中的研究

针对量子进化算法的早熟问题,提出了一种适于电力系统无功优化的NW（newman-watts）小世界量子进化算法。该算法引入了NW小世界网络模型,以一种新颖的随机加边方式动态改变种群个体的邻域拓扑结构,从而保证了整个优化过程中的种群多样性,提高了算法的全局搜索能力。应用该算法对IEEE-14节点和IEEE-57节点系统进行无功优化的仿真分析,结果表明,NW小世界量子进化算法在电网无功优化计算中具有较强的全局寻优能力和较高的收敛精度。     

改进粒子群算法在无功优化中的应用

建立了无功优化的数学模型,针对粒子群算法易陷入局部最优解、收敛精度差的缺点,将改进粒子群优化算法应用到电力系统无功优化中。对粒子群的速度公式进行了改进,并在算法中引入反正切惯性权重和阈值来增强搜索全局最优解的能力。通过对IEEE30节点的算例仿真,证明改进后的粒子群算法在电力系统无功优化问题上具有一定的可行性。与PSO的结果对比表明该算法在一定程度上提高了计算的精度。     

基于改进量子遗传算法的电力系统无功优化

提出一种基于改进量子遗传算法的电力系统无功优化方法。该方法借鉴量子计算的一些概念,采用量子比特对控制变量编码,这种编码方式能表示出许多可能的线性叠加态,从而更好地维持种群的多样性。同时利用搜索到的最佳个体信息更新量子门,加快了该方法的收敛速度,采用群体灾变策略防止该方法陷入“早熟”。分别采用线性规划算法、复合形算法、改进禁忌搜索算法、标准遗传算法、自适应遗传算法和该方法对IEEE 6和IEEE 30节点系统进行无功优化,实验结果表明,该方法全局寻优能力强、收敛速度快。     

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。