免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚊群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的"早熟".将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

基于果蝇优化算法的电力系统无功优化

针对电力系统无功优化存在的问题,提出了一种基于果蝇优化算法的无功优化。首先将该算法运用到无功优化问题中,并对IEEE30节点进行仿真计算,结果表明,该算法对于求解复杂无功优化问题具有可行性和有效性,同时运用PSO优化算法对IEEE30节点进行了优化,对比结果表明果蝇优化算法具有更好的优化能力。     

基于自适应免疫算法的电力系统无功优化

针对电力系统无功优化问题，提出了根据各个抗体之间的距离测度自动调节参数的自适应免疫算法（adapted immune algorithm，AIA）．该算法在群体多样度的基础上，调节选择率α、克隆半径r和突变半径R，在快速收敛和保持群体多样性以避免陷入局部最优解之间进行优化．算例表明：自适应免疫算法使计算速度和收敛性均达到最优；对于IEEE14节点系统，与遗传和免疫算法相比，该算法的收敛效果提高8％，计算时间缩短55S；与改进的免疫算法相比，其收敛效果提高2％，计算时间缩短0．5S；对于IEEE118系统，与遗传和免疫算法相比，该算法的收敛效果提高5％，时间减少分别为493S和336S；与改进的免疫算法相比，其收敛效果提高3％，计算时间缩短26S．     

粒子群算法及其在电力系统无功优化中的应用综述

粒子群优化(Particle Swarm Optimization, PSO)算法是一种基于群体智能的启发式全局优化技术.本文首先介绍了粒子群优化算法的基本原理,给出了算法实现的基本步骤、多种改进形式以及研究现状:其次分析了电力系统无功优化的特点,并对PSO算法在无功优化中的应用做了相应的论述.由于电力系统无功优化是一具多变量、多约束、非线性的组合优化问题,使得PSO算法在电力系统无功优化方面具有广泛的应用前景.     

进化策略方法在电力系统无功优化中的应用

将进化策略方法应用于电力系统无功优化,通过对不同类型的变量采用不同的变异方法,解决了模拟进化法中同时处理整型变量和连续变量的混合优化问题。算例表明,该方法具有全局收敛性好,适应性强的优点,并能提高优化解的可行性,其结果优于常规方法。     

基于PPSO算法的电力系统无功优化

电力系统无功优化可以降低系统的有功损耗,保证系统运行的安全性和经济性.采用向量粒子群优化（PPSO）算法求解电力系统无功优化问题,在算法中通过初始化得到向量的相位角,并将相位角引入速度更新过程,这样可以更有效地提高搜索精度.在IEEE-14节点系统中,采用PPSO算法、标准粒子群优化算法、随机惯性权重粒子群优化算法和改进吸引排斥粒子群优化算法进行无功优化仿真实验对比,结果表明,PPSO算法可以更好地降低有功损耗.     

电力系统无功优化的分段线性同伦算法研究

提出了采用分段线性同伦算法进行电力系统无功优化的新方法。文中以系统有功损耗最小为目标函数，以运行变量为约束条件，利用状态变量与控制变量之间的灵敏度矩阵建立了无功优化数学模型。经过ＩＥＥＥ－６节点实验系统的计算分析，取得了满意的结果。     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

基于改进PSO算法的电力系统无功优化

介绍了PSO算法,结合电力系统无功优化问题的实际情况,针对其存在的易陷入局部最优点的缺点,提出了改进的PSO算法。该算法改变了初始化方法和粒子更新方法,在算法后期引入变异因子,并将问题分解成子问题进行处理。在IEEE-14节点系统的仿真计算中,改进PSO算法与其他人工智能算法相比,在较短时间内取得了更好的优化效果。     

模糊规划在电力系统无功优化中的应用

对于电力系统无功优化问题,本文采用了线性规划结合模糊数学中寻优原理的综合处理方法,给出了无功优化问题的线性模型及有关各目标函数的最优性隶属函数,从而得出了多目标问题令人满意的结果。     

基于免疫进化细菌觅食算法的无功优化

针对传统细菌觅食算法在优化过程中步长一致、收敛速度较慢的缺陷,提出了一种免疫进化细菌觅食算法(IBFO),并将其用于电力系统无功优化问题上.这种改进的算法赋予了细菌对搜索空间的感知能力,利用灵敏度的概念来调节步长,加快收敛速度;将免疫算法中的克隆选择思想引入算法中,对精英细菌进行克隆、高频变异和随机交叉,提高收敛精度.将IBFO算法在IEEE 14、IEEE 30节点标准测试系统中进行了无功优化仿真,结果表明:新算法较其它算法具有较强的全局搜索能力,且收敛速度快、鲁棒性好,可以作为求解电力系统无功优化问题的一种新途径.     

基于自适应免疫算法和预测-校正内点法的无功优化

针对电力系统无功优化问题,将自适应免疫算法（adaptive immtme algorithm,AIA）和预测-校正内点法相结合,提出了一种新的混合优化算法．先利用AIA进行大范围全局寻优,找到候选最优点,把它作为内点法的初始可行点,再通过预测-校正内点法在初始可行点的邻域内进行局部的确定性搜索,提高解的精度和速度;在此基础上,根据对偶间隙的变化过程,提出了对中心参数及相应障碍参数的改进选择方法,有效地避免了数值振荡,使计算精度及收敛速度均得到明显改善．将上述方法用于IEEE14节点系统,计算时间为2．0s,优化后网损下降2．27％;而用于IEEE118节点系统,计算时间为322s,优化后网损下降14．29％．这表明本文所提出的算法在计算速度和精度上较其他方法均有明显改进．     

电力系统多目标无功优化研究

在传统无功优化模型的基础上,引入了静态电压稳定性指标,建立了综合考虑系统有功网损最小、静态电压稳定裕度最大和电压水平最好的多目标无功优化模型.基于Pareto最优概念的改进多目标粒子群算法应用到多目标无功优化的求解中,对IEEE30节点统进行了仿真计算.优化结果表明,该模型在实现系统经济运行的同时也增强了电网的电压稳定同时求得的一组最优解能够为优化方法的决策提供更多的有效参考,具有实际意义.     

改进灾变遗传算法及其在无功优化中的应用

针对灾变遗传算法的早熟和稳定性问题,提出了一种改进灾变遗传算法,设计了与进化代数相关的改进灾变算子;为了兼顾算法的全局性能和收敛速度,设计了与进化代数相关的交叉概率和与个体适应度相关的变异概率.IEEE14节点和IEEE30节点无功优化算例表明,该改进算法具有良好的全局性能和收敛速度,适合求解电力系统的无功优化问题.     

一种改进PSO算法的电力系统无功优化方法

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,其思想来源于人工生命和演化计算理论,PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化．该算法简单易实现,可调参数少,已得到广泛研究和应用．本文将粒子群优化算法应用到电力系统无功优化问题的研究中,给出了具体的实施流程．为提高PSO的搜索能力,对PSO进行了改进,在算法中加入了第3种极值指导粒子搜索方向．对IEEE-6节点系统的仿真计算结果表明了算法的有效性．     

基于改进遗传算法的配电网无功优化

为了提高配电网无功优化的收敛速度,结合配电网根节点电压稳定特性,提出以首端已知电压和计算功率向末端递推,且在回代递推支路末端电压中用第K次电压新值的方法,提高了常规支路电流法的收敛速度,在用遗传算法进行无功优化的过程中,提出了局部搜索替换过程,增加了个体多样性,同时加速了适应值较低的个体的淘汰,提高了每一代个体的平均适应值水平,从而显著提高了常规遗传算法的收敛速度,通过对120节点与53节点的实际算例计算,验证了改进方法能提高电网无功优化的收敛速度和优化效果。     

基于神经网络和遗传算法的无功优化设计

无功优化是一个复杂的混合优化问题,传统方法较难获得全局最优解.文中提出了将并行遗传算法和Hopfield网络相结合的算法.该方法利用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取,并采用Hopfield网络简单、快速、规范的优点来优化样本空间,以取得整体的优化效率.     

动态无功优化的混合智能算法

针对存在离散控制设备动作次数约束的动态无功优化问题,提出免疫遗传算法和非线性内点法的混合算法.首先忽略控制设备的离散性和动作次数约束,采用非线性内点法求解初始优化解;然后按照控制变量的性质将原问题分解为连续优化与离散优化2个子问题迭代求解.在离散优化问题中,保持连续变量不变,采用免疫遗传算法优化离散变量,通过特别的编码方式使抗体自动满足动作次数约束;在连续优化问题中,保持离散变量不变,采用非线性内点法优化连续变量.混合算法充分结合了免疫遗传算法和非线性内点法的优点,能较快求解动态无功优化的近似最优解.IEEE14节点系统的仿真结果验证了混合算法的有效性.     

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解，克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略，来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算，并与传统粒子群算法进行了比较，结果表明，该算法求得的有功损耗较原状态降低了近1／5，且电压合格率为100％，具有较强的全局搜索能力和较高的收敛精度，是求解无功优化的有效方法．