J006基于小生境策略和量子遗传算法的无功优化
基于改进遗传算法的配网无功优化
![基于改进遗传算法的配网无功优化](https://img.taocdn.com/s3/m/01dae7e8e109581b6bd97f19227916888486b9f1.png)
为了保证整个电网具有较高的电压质量,需要电网
力系统具有较高的经济效益 [1]。
发出无功的电源设备在输电网以及配电网环节实现较
遗传算法、人工神经元网络算法和模拟退火算法等
为合理的分配,从而使得整个电网具有充足的备用无功
都是现代意义上的人工智能算法。这些人工智能算法
功率,进而电网的电压水平就不会有较大的波动,电气
优化模型进行分析。研究结果表明,使用改进遗传算法后的有功损耗相比常规遗传算法下降了 0.28 MW,损耗降低率提高
了 1.37%,并且迭代次数明显降低,提高了优化的速率。
关键词:配网无功优化;遗传算法;免疫算法;单目标耦合
中图分类号:TN926⁃34;TM74
文章编号:1004⁃373X(2016)22⁃0018⁃04
电网中传输,在输电网和配电网等远距离传输电网中最
能够简化处理自然界中离散的复杂问题。因此可以将
大限度地减少无功功率的传输。整个电网具有可靠性
现代人工智能算法应用于电网中,用于解决无功电源优
化分配问题。
遗传算法是一种对生物进化规律进行模拟的空间
收稿日期:2016⁃03⁃10
基金项目:重庆市自然科学基金(kj131302)
搜索算法,该算法最先由美国学者在 20 世纪 70 年代提
Copyright©博看网 . All Rights Reserved.
work)into single objective optimization. In this paper,the immune algorithm with global searching ability is combined with the
genetic algorithm to improve the stability and adaptability of the genetic algorithm. Finally,the optimization model of the im⁃
改进小生境差分进化算法在配网无功优化中的应用
![改进小生境差分进化算法在配网无功优化中的应用](https://img.taocdn.com/s3/m/543c34dd783e0912a2162acb.png)
改进小生境差分进化算法在配网无功优化中的应用黄俊辉1,李琥1,衣涛2,元梨花3,韩俊1 (1.国网江苏省电力公司经济技术研究院,江苏南京210000;2.上海交通大学电气工程系,上海200240;3.上海博英信息科技有限公司,上海200240)【摘要】摘要:配网无功优化是一类非线性的整数规划问题,通过调整变压器的变比,改变发电机的端电压和连接补偿电容来改变电力网络中的无功,减小系统网损。
差分进化算法是一种收敛速度快,收敛精度高的智能进化算法,针对无功优化模型对差分进化算法做出改进,引入小生境思想。
通过实例验证了小生境粒子群算法(NPSO)和改进小生境差分进化算法(FERDE)对无功补偿装置布点优化规划的有效性。
结果表明,增强算法的局部搜索能力和扩宽搜索范围,在收敛速度和精度上都有不同程度的提高。
【期刊名称】电网与清洁能源【年(卷),期】2015(031)006【总页数】5【关键词】配网无功优化;差分进化算法;小生境;粒子群优化配网无功优化问题是一个多变量、多约束的混合非线性规划问题,其控制变量既有连续变量,又有离散变量,整个优化过程十分复杂,计算规模大。
从传统的算法,如线性规划法、非线性规划法等,到人工智能算法,如粒子群优化算法、遗传算法等,都在不同程度上对无功优化做出贡献。
随着智能启发式优化算法的发展,差分进化算法逐步被应用到电力系统中,该算法具有易理解、并行处理、鲁棒性好等特点,能以较大概率找到问题的全局最优解,且计算效率比传统的进化规划等算法高。
其最大的优势在于简单易实现、收敛速度快、搜索精度高,不但适合科学研究,而且适合工程应用。
因此,差分进化算法(Differential evolution algorithm,DE)一经提出,立刻引起了演化计算领域研究者的广泛关注,并涌现出大量的研究成果,已经在函数优化、神经网络设计、分类、模式识别、信号处理、机器人技术等应用领域取得了成功应用[1-2]。
改进量子遗传算法在无功优化中的应用
![改进量子遗传算法在无功优化中的应用](https://img.taocdn.com/s3/m/29017c254b73f242336c5f8c.png)
(S c h o o l o f E l e c t i r c a l E n g i n e e i r n g ,S h a n d o n g U n i v e r s i t y , J i n a n 2 5 0 0 6 1 , C h i n a )
Abs t r a c t : S t a t i c v o l t a g e s t a b i l i t y i n d e x i s i n t r o d u c e d i n t h e t r a d i t i o n a l r e a c t i v e p o we r o p t i mi z a t i o n
t i o n l a a l g o it r h m ,b u t t h e e v o l u t i o n s p e e d a n d d i r e c t i o n a r e d e t e r mi n e d b y t h e s e l e c t i o n o f t h e q ua n — r um g a t e a n g l e i n c o n v e n t i o n a l q ua n t u m lg a o it r h m a n d t he in f a l o p t i mi z a t i o n e f f e c t i s a f f e c t e d b y i t . I n t hi s p a p e r ,a n i mp r o v e d q u a nt um r o t a t i o n g a t e a l g o it r h m i s pr o p o s e d whi c h c a n a d a pt i v e l y c o mp u t e
基于遗传算法的电力系统无功优化的一种改进算法
![基于遗传算法的电力系统无功优化的一种改进算法](https://img.taocdn.com/s3/m/ba930d1752d380eb62946dfb.png)
0.8 0.5 0.2 0.2 0.2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0799 -0.1129 -0.1488 0.0140 0.0754 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0.035 0 0 0.024 0.106
0.023 0 0 0.009 0.019
0 0 0 0 0
表3
状 态 优化前 基本遗 传算法 改进遗 传算法 发电 有功
优化前后系统网络损耗变化(MW)
发电 无功 2.83400 2.83400 2.83400 网络 损耗 6.82318 5.31993 5.14323 22.01% 24.63% 第 45 代: 5.3212 第 20 代: 5.1926 网损减小 百分比 中间 结果
0 引言
遗传算法是模拟生物界自然选择和遗传机制 的高度并行的、基于多点搜索的自适应搜索算法。 遗传算法在解决多变量、非线性、不连续、多约束 的问题时显示出其独特的优势,能实现算法的群体 收敛性和个体的多样性间的动态平衡,但是基本遗 传算法容易陷入局部最优解,不能很好的平衡全局 搜索能力和局部搜索能力。因此将基本遗传算法加 以改进并推广来解决无功优化问题,能够提高收敛 速度和精度,避免结果陷入局部最优。针对电力系 统无功优化问题的非线性、变量的离散性和连续性 并存等特点,用改进的遗传算法来对它进行求解是 一个很好的选择。
值同一数量级的值; k 为一个系数,该值一般取略 小于 1 的数。这样在遗传算法的初期阶段,个体之 间的适应度相差不大,有利于个体的多样性;随着 遗传代数的增加,复制适应度较大个体的强制性就 增大,有利于遗传算法的收敛。 ③ 交叉概率和变异概率的改进 交叉概率 Pc 和变异概率 Pm 的选择是影响遗 传算法行为和性能的关键所在,直接影响算法的收 敛 性 。 在 自 适 应 遗 传 算 法 ( Adaptive Genetic Algorithm)中,Pc 和 Pm 是基于个体的适应度值 来自适应地进行改变。当群体有陷入局部最优解的 趋势时, 就相应地提高 Pc 和 Pm; 当群体在解空间 发散时, 就降低 Pc 和 Pm。 自适应遗传算法在保持 群体多样性的同时,保证遗传算法的收敛能力,有 效地提高了遗传算法的优化能力。自适应遗传算法 的交叉率和变异率的公式如下:
基于混合遗传算法的无功优化
![基于混合遗传算法的无功优化](https://img.taocdn.com/s3/m/6e06b70803d8ce2f0066239f.png)
关键 词:电力系统
无功优化 混 合遗 传算法 文献标识码 :A
Ke r s P we y t m Re ci ep we p i z t n Hy r n t y wo d : o rs se at o r t v o mia i o b i Ge e i d c
中图分类 号: T 3 M7 4
广 东 电网 公司广 州供 电局 张 卫华
Gu n d n o rGrdCop rt nGu n z o o rS p l u e u Zh n iu a g o gP we i r oai a g h uP we u p yB ra o a gWeh a
摘 要 :通过混 合算法来改进遗 传算法是 一种可行的 方向 。在前 人研究的 基础上进一步提 出 了一种能 够保持遗 传算 法 、模 拟退火算法和禁忌 搜索算 法优点的混合遗传算法 该算 法显著改善 了遗传 算法早熟收敛和局部搜索能 力差的 不足 , 具有 良好的全局寻优能力和局部 搜索能力,并在实际系统应 用中验证 了它的有效性 。
Abtat Iia i ldrcint i rv e eca oi m( A)ymen f y r l rh B sdo e ome s d , src:ts a e i t v b e o o mpo egnt l rh G b a s bi ag i m ae nt r r t ya i g t oh d ot hf u kn f y r A whc a e i h d at e o , a u sac( Sad s l e n el gS , sit d cd t ido bi G , i cn rmantea vna s fGA tb er T )n i a d a na n (A) i nr u e IS h d h g h mu t i o
基于小生境遗传优化算法的配电网无功优化
![基于小生境遗传优化算法的配电网无功优化](https://img.taocdn.com/s3/m/74271f621711cc7931b71649.png)
Re a c t i v e Po we r Opt i mi z a t i o n o f Di s t r i b ut i o n Ne t wo r k
Ba s e d o n Ni c h e Ge n e t i c Al g o r i t h m
Re s e a r c h I n s t i t u t e , S t a t e G r i d J i l i n E l e c t i r c P o we r C o ., L t d ., C h a n g c h u n 1 3 0 0 2 1 , C h i n a; 3 . Yi n g k o u
摘 要: 研 究配电网无功优化的问题 , 提 出一种改进的支路 追加法 , 以提 高潮流计算过程 中的收敛性。建立考虑
系统 网络 损耗 的 电容 器组 配 电 网无功优 化数 学模 型 , 针对 传 统遗传 算 法在 处理 高纬复 杂 变量优 化 问题 上 的缺 陷 ,
结合 小生境技 术的优势 , 提 出一种改进的小生境遗传优化算法求解无功优化模型。I E E E一 3 3节点测试 系统仿真 结果表明: 本文的模型简单有效 , 在无功优化的过程 中, 采 用本文的支路追加法和传统牛顿法进行 目标函数计算 获得的结果相 同, 可以有效地降低无功优化 中网络损耗并保证 电压质量。 关键词 : 配电网; 无功优化 ; 支路追加 法; 小生境遗传算法
Ab s t r a c t : T h e q u e s t i o n o f r e a c t i v e p o w e r o p t i mi z a t i o n i s es r e a r c h e d i n t h i s p a p e r , a n d a n i mp r o v e d b r a n c h s u p p l e me n -
基于改进小生境遗传算法的小水电网无功优化系统开发
![基于改进小生境遗传算法的小水电网无功优化系统开发](https://img.taocdn.com/s3/m/f0f5c20a6d175f0e7cd184254b35eefdc8d315c2.png)
基于改进小生境遗传算法的小水电网无功优化系统开发
毛荀;夏俊丽;张旭昶;罗亚桥
【期刊名称】《水电与新能源》
【年(卷),期】2015(000)004
【摘要】对富含小水电区域的无功优化研究进行了分析,研究了小水电的无功优化数学模型原理并采用改进的小生境遗传算法进行优化,从实用性角度开发了一套小水电无功优化系统,该系统能快速计算出不同潮流运行方式下各无功补偿点的最佳补偿容量,降低小水电网在低谷负荷下的电压水平和网损,并通过实际算例,证明了系统的正确性和有效性。
【总页数】5页(P33-37)
【作者】毛荀;夏俊丽;张旭昶;罗亚桥
【作者单位】国网安徽省电力公司电力科学研究院,安徽合肥 230000;武汉大学电气工程学院,湖北武汉 430000;国网安徽省电力公司电力科学研究院,安徽合肥 230000;国网安徽省电力公司电力科学研究院,安徽合肥 230000
【正文语种】中文
【中图分类】TM711
【相关文献】
1.基于改进小生境遗传算法的Pareto多目标配电网重构 [J], 李伟;张振刚;闫宁
2.基于改进排挤小生境遗传算法配网无功优化研究 [J], 张敬平;梁志瑞;苏海锋;王建杰
3.基于改进共享小生境遗传算法的配电网无功规划 [J], 陈丽;苏海锋;张晋国
4.基于免疫遗传算法的小水电配电网无功优化 [J], 陈文献;梁嘉翔;陈相吾;马富齐
5.改进小生境遗传算法在电力系统无功优化中的应用 [J], 李惠玲;盛万兴;张学仁;孟晓丽
因版权原因,仅展示原文概要,查看原文内容请购买。
基于遗传算法与粒子群算法的配电网无功优化
![基于遗传算法与粒子群算法的配电网无功优化](https://img.taocdn.com/s3/m/06f85204dc36a32d7375a417866fb84ae45cc33c.png)
基于遗传算法与粒子群算法的配电网无功优化
李正燕
【期刊名称】《金陵科技学院学报》
【年(卷),期】2007(23)4
【摘要】根据遗传算法(GA)收敛效果好和粒子群算法(PSO)收敛速度快的特点,将两者相结合对配电网无功优化模型进行求解.计算结果表明:该算法是收敛的、有效的.
【总页数】3页(P44-46)
【作者】李正燕
【作者单位】荆楚理工学院电子信息工程学院,湖北,荆门,443000
【正文语种】中文
【中图分类】T85
【相关文献】
1.基于改进型粒子群算法的含DG智能配电网无功优化 [J], 郑业爽;刘贵彬
2.基于回溯迭代搜索-粒子群算法的配电网无功优化研究 [J], 杨春生;周巍巍;魏海春;赵希宝;黄浩军
3.基于改进粒子群算法的含DG配电网无功优化 [J], 鲁裕婷;赵天乐;都洪基;朱鑫要;;;;
4.基于改进粒子群算法的配电网无功优化 [J], 周璨; 董伟广; 钟建伟; 戴小剑; 田波; 龙玉雪
5.基于改进粒子群算法结合惩罚因子的配电网无功优化的研究 [J], 王艳苹;彭欣荣;李威
因版权原因,仅展示原文概要,查看原文内容请购买。
基于小生境正交遗传算法的地区电网实时无功优化
![基于小生境正交遗传算法的地区电网实时无功优化](https://img.taocdn.com/s3/m/6a9b021c5627a5e9856a561252d380eb629423ab.png)
基于小生境正交遗传算法的地区电网实时无功优化
李聪
【期刊名称】《广东输电与变电技术》
【年(卷),期】2009(11)2
【摘要】在基本遗传算法(SGA)的基础上,引入生物学中小生境的概念和正交设计技术,制定了初始种群生成方法,以保证个体的多样性,并存遗传算法选择、交叉和变异等操作中做出相应改进,从而形成可用于电力系统实时无功优化的小生境正交遗传算法.应用此算法时,通过采用一种典型小生境技术结合最优保存策略的小生境最优选择方法来进行种群的选择,减少了迭代过程中陷入局部最优解的可能性,并进一步减少迭代次数.仿真算例结果标明:在优化条件相同时,该算法的迭代次数明显少于基本遗传算法,显著提高了无功优化的收敛速度.
【总页数】5页(P8-12)
【作者】李聪
【作者单位】广东电网公司广州供电局
【正文语种】中文
【中图分类】TM712
【相关文献】
1.基于改进小生境遗传算法的小水电网无功优化系统开发 [J], 毛荀;夏俊丽;张旭昶;罗亚桥
2.基于改进小生境伪并行遗传算法的电力系统无功优化研究 [J], 罗文光
3.基于最小欧式距离(1+1)小生境遗传算法的无功优化 [J], 邓艳秋;满小平;绳环宇;韩学军
4.基于小生境自适应遗传算法的无功优化 [J], 刘伟娜;郭燕霞;陈俊红;梁景峰;于尧
5.基于小生境遗传算法的电力系统无功优化分析 [J], 张宏炜;吴立君;马懿
因版权原因,仅展示原文概要,查看原文内容请购买。
基于自适应小生境粒子群优化算法的电力系统无功优化
![基于自适应小生境粒子群优化算法的电力系统无功优化](https://img.taocdn.com/s3/m/cff31f2002d8ce2f0066f5335a8102d276a261cd.png)
基于自适应小生境粒子群优化算法的电力系统无功优化刘自发;张建华【期刊名称】《电力自动化设备》【年(卷),期】2009(029)011【摘要】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.%ANPSO(Adaptive Niche Particle Swarm Optimization) algorithm is presented for reactive power optimization to avoid the premature phenomenon of PSO. The Niche radius is dynamically created by the swarm position and the dot product sign of two vectors, by which different Niche groups are built. Each Niche group is evolved by PSO and a sharing mechanism is adopted to improve the adaptability of the evolved groups for enhancing the global searching ability. The proposed algorithm is tested on IEEE 6-bus,IEEE 14-bus, IEEE 30-bus and 1EEE 118-bus systems. Results show its better performance in celerity,accuracy and efficiency.【总页数】4页(P27-30)【作者】刘自发;张建华【作者单位】华北电力大学,电力系统保护与动态安全监控教育部重点实验室,北京,102206;华北电力大学,电力系统保护与动态安全监控教育部重点实验室,北京,102206【正文语种】中文【中图分类】TM714.3【相关文献】1.基于改进小生境帝国竞争算法的多目标电力系统无功优化 [J], 张金环;安海霞;王永春2.基于改进小生境伪并行遗传算法的电力系统无功优化研究 [J], 罗文光3.自适应粒子群优化算法在电力系统无功优化中的应用 [J], 陈艳飞;何正文4.基于改进小生境粒子群优化算法的电力系统无功优化研究 [J], 韩学军;邓艳秋;张全厚;高博;绳环宇5.基于小生境遗传算法的电力系统无功优化分析 [J], 张宏炜;吴立君;马懿因版权原因,仅展示原文概要,查看原文内容请购买。
基于遗传算法的无功优化配置
![基于遗传算法的无功优化配置](https://img.taocdn.com/s3/m/16e05f67b207e87101f69e3143323968011cf4b5.png)
基于遗传算法的无功优化配置季敏剑;周武【期刊名称】《浙江电力》【年(卷),期】2015(34)9【摘要】Through research based on genetic algorithm and fast power flow algorithm, the installation mode of reactive power compensation equipment on power grid is decided. Based on the grid structure analysis, op-timization calculation on configuration of reactive power compensation equipment is conducted in accordance with operating parameters of power network and historical load data to determine the installation location of reactive power compensation device, installed capacity and packet mode. Taking grid structure in Luqiao dis-trict of Taizhou as an example, optimal allocation scheme of reactive power is calculated and determined, by which favorable effect of local reactive power balancing, voltage qualification rate improvement and grid loss reduction is achieved. In the meantime, rationality of planning and decision-making for allocation of reactive power compensation is verified.%通过基于基因遗传算法和快速潮流算法的研究,确定电网中无功补偿设备安装方式。
基于小生境遗传算法的微电网控制与优化
![基于小生境遗传算法的微电网控制与优化](https://img.taocdn.com/s3/m/8749821291c69ec3d5bbfd0a79563c1ec4dad75a.png)
基于小生境遗传算法的微电网控制与优化王瑞琪;张承慧;李珂;陈阿莲;杜春水【摘要】提出一种基于小生境遗传算法的微电网控制策略及优化方法.建立整个微电网的小信号动态模型,分析得到影响微电网运行特性的主要控制参数及其优化取值域,有效提高了优化过程的计算效率.为构建准确的优化目标函数,采用PSCAD/EMTDC搭建微电网平台并进行各种工作模式及模式切换的时域仿真.针对传统遗传算法存在的非全局性收敛、收敛速度慢等问题,采用小生境技术和自适应技术改进的遗传算法优化微电网的运行特性.算例分析结果验证了所提微电网控制策略及优化方法的有效性和鲁棒性.%A control strategy and optimization method based on the niche genetic algorithm is proposed for microgrid.In order to effectively improve the optimization efficiency,a small-signal dynamic model of whole microgrid is built and the main control parameters,which influence the operating performance of microgird,and their optimum ranges are obtained by analysis.For establishing the accurate objective function of optimization,the microgrid platform is built based on PSCAD/EMTDC and the time-domain simulation is carried out for different operating modes and corresponding mode switching of microgrid.Aiming at the nonglobal convergence and slow convergence rate of traditional genetic algorithm,a genetic algorithm improved by niche technique and adaptive technique is adopted to optimize the operating performance of microgrid.The result of example analysis verifies the validity and robustness of the proposed control strategy and optimization method.【期刊名称】《电力自动化设备》【年(卷),期】2013(033)008【总页数】8页(P7-14)【关键词】微电网;小信号模型;小生境技术;遗传算法;优化;控制【作者】王瑞琪;张承慧;李珂;陈阿莲;杜春水【作者单位】山东大学控制科学与工程学院,山东济南250061;山东大学电力电子节能技术与装备教育部工程中心,山东济南250061;山东大学控制科学与工程学院,山东济南250061;山东大学电力电子节能技术与装备教育部工程中心,山东济南250061;山东大学控制科学与工程学院,山东济南250061;山东大学电力电子节能技术与装备教育部工程中心,山东济南250061;山东大学控制科学与工程学院,山东济南250061;山东大学电力电子节能技术与装备教育部工程中心,山东济南250061;山东大学控制科学与工程学院,山东济南250061;山东大学电力电子节能技术与装备教育部工程中心,山东济南250061【正文语种】中文【中图分类】TM727;TM760 引言微电网作为一种能量供应系统中增加可再生能源和分布式能源渗透率的新型能量传输模式和组织形式,成为国内外研究的重点[1-2]。
一种改进的遗传算法在无功优化中的应用
![一种改进的遗传算法在无功优化中的应用](https://img.taocdn.com/s3/m/d3719285294ac850ad02de80d4d8d15abe23008b.png)
一种改进的遗传算法在无功优化中的应用
肖力
【期刊名称】《计算机仿真》
【年(卷),期】2010(027)008
【摘要】针对电力系统无功优化问题,采用遗传算法(GA)是一种有效的全局优化概率搜索算法.为了降低系统有功损耗,保证无功电力在规定范围之内,将混沌搜索引入到标准遗传算法,提出了一种结合混沌搜索的改进遗传算法.通过混沌序列搜索产生初始种群,同时对交叉、变异、选择算子进行了改进,进一步改善了遗传算法的全局寻优能力,并有效防止了局部收敛,提高了算法的收敛速度和计算精度.对系统进行了无功优化,并进行仿真.仿真结果表明,改进的遗传算法能更精确地寻找到全局最优解,并明显加快了收敛速度,性能优于标准遗传算法.
【总页数】4页(P278-281)
【作者】肖力
【作者单位】鄂州大学计算机系,湖北,鄂州,436000
【正文语种】中文
【中图分类】TM712
【相关文献】
1.改进遗传算法在电力系统无功优化中的应用 [J], 何宏;曹晔
2.改进量子遗传算法在无功优化中的应用 [J], 杨佳俊;徐建政
3.改进量子遗传算法在无功优化中的应用 [J], 杨佳俊;徐建政
4.改进免疫遗传算法在DG系统无功优化中的应用 [J], 曾令全;吴昊华;刘琳琳;潘英吉
5.改进遗传算法在无功优化中的应用研究 [J], 杨过
因版权原因,仅展示原文概要,查看原文内容请购买。
基于最小欧式距离(1+1)小生境遗传算法的无功优化
![基于最小欧式距离(1+1)小生境遗传算法的无功优化](https://img.taocdn.com/s3/m/228827334531b90d6c85ec3a87c24028915f85e4.png)
基于最小欧式距离(1+1)小生境遗传算法的无功优化
邓艳秋;满小平;绳环宇;韩学军
【期刊名称】《黑龙江电力》
【年(卷),期】2012(34)3
【摘要】针对电力系统无功优化存在的问题,提出了利用最小欧氏距离下(1+1)竞争小生境遗传算法,克服了小生境遗传算法中小生境难以确定的不足,改善了遗传算法容易陷入局部收敛和早熟的缺点.通过对IEEE30节点测试系统进行无功优化计算,验证了该算法全局搜索能力强、效率高.
【总页数】4页(P171-173,210)
【作者】邓艳秋;满小平;绳环宇;韩学军
【作者单位】东北电力大学电气工程学院,吉林吉林 132012;通化供电公司变电工区,吉林通化 134000;东北电力大学电气工程学院,吉林吉林 132012;东北电力大学电气工程学院,吉林吉林 132012
【正文语种】中文
【中图分类】TM712
【相关文献】
1.基于网格模板的最小欧式距离准则图像自动拼接技术 [J], 李佳佳;何小海;吴晓红
2.基于改进小生境遗传算法的小水电网无功优化系统开发 [J], 毛荀;夏俊丽;张旭昶;罗亚桥
3.基于改进排挤小生境遗传算法配网无功优化研究 [J], 张敬平;梁志瑞;苏海锋;王建杰
4.最小欧氏距离下(1+1)竞争小生境遗传算法 [J], 王春香;李现友
5.基于小生境遗传算法的电力系统无功优化分析 [J], 张宏炜;吴立君;马懿
因版权原因,仅展示原文概要,查看原文内容请购买。
基于改进遗传算法的配电网无功补偿优化
![基于改进遗传算法的配电网无功补偿优化](https://img.taocdn.com/s3/m/3c06b63d43323968011c92f9.png)
reactive to
power compensation
node.genetic
node
algorithm
is fit
resolving
reactive
optimization,genetic algorithm is algorithm
can
used
determine the compensation
交通大学出版社,2002
[3]乐乐.怀化市电网无功补偿优化系统的设计与实现[D].长沙:湖南大
学,2009
[4]赵尤新,徐国禹用敏感度方法分析计算电力系统的无功和电压最优 控制问题[J].重庆大学学报,1998(4):1—11 [5]苑舜,韩水配电网无功优化及无功补偿装置[M].北京:中国电力出
版社。2003
a d
验数据进行计算,整定出遗传算
法的控制参数。再按照本文的计
+
编码、种群仞始化
一般电网中各元件的电抗远大于电阻,所以各个节点电压
算流程框图编制基于改迸遗传 算法的无功补偿优化程序,对配
电网的fEEE 33节点系统进行
相位角的改变主要影响各节点的注入有功功率,各个节点电压
大小的改变主要影响各节点注入无功功率,所以: oR.au。d PL.a8
本文链接:/Periodical_gykzjsj201301027.aspx
摘要
建立以降低网损之后带来经济效益最大为目标函数的模型,通过引入灵敏度分析,得到候选补偿节点以减小寻优时的
计算量,再用遗传算法作为配电网无功补偿优化算法.确定补偿节点和最适合的补偿容量。在遗传算法计算过程中通过保
存最优秀个体的办法,在提高计算速度妁同时还能提高计算精度。
基于量子免疫克隆算法的多目标无功优化
![基于量子免疫克隆算法的多目标无功优化](https://img.taocdn.com/s3/m/c01c1e5b2f3f5727a5e9856a561252d380eb2010.png)
基于量子免疫克隆算法的多目标无功优化罗毅;多靖赟【摘要】结合量子计算原理和免疫克隆算子,提出一种解决多目标无功优化问题的量子免疫克隆算法.该算法采用量子比特编码,使一个量子抗体可以同时表征多个信息状态,进而增加了种群的多样性;采用量子重组与量子非门操作的搜索策略,将全局搜索和局部寻优有机结合,确保所得解集快速有效地从不可行域边缘和可行域内部向最优Pareto前端逼近;采用目标函数值与理想化目标的接近程度来评价解的优劣性,有效降低了传统算法各目标函数值加权叠加过程中对权重选取的依赖性.IEEE 14节点系统仿真测试结果表明,该算法能有效提高系统运行的经济性和安全性.【期刊名称】《电力自动化设备》【年(卷),期】2013(033)009【总页数】5页(P31-35)【关键词】多目标优化;无功;免疫克隆算子;量子计算原理;量子重组;量子非门;模型【作者】罗毅;多靖赟【作者单位】华北电力大学控制与计算机工程学院,北京102206;华北电力大学控制与计算机工程学院,北京102206【正文语种】中文【中图分类】TM7110 引言电力系统无功优化是指从优化运行的角度调整系统中各种无功控制设备的参数,在满足节点正常功率平衡及各种安全指标的约束下,实现目标函数最小化的过程[1]。
它既是保证电力系统安全、经济运行的有效手段之一,又是降低网络损耗、提高电压质量的重要措施[2]。
无功优化是一个多目标、多约束、变量类型混合的非线性规划问题。
关于无功优化的求解方法可分为传统数学算法和现代启发式算法。
传统数学方法有非线性规划法[3]、简化梯度法[4]、内点法[5]等,这类方法有一定的优越性,但计算较为复杂,易陷入局部最优解,且不便于处理离散变量。
随着人工智能的发展和计算机运行速度的提高,越来越多的现代启发式算法应用于无功优化中,如遗传算法[6]、蚁群算法[7]、免疫算法[8]、粒子群算法[9-10]、搜索禁忌算法[11]、模拟退火算法[12]等,且都取得了一定的研究成果。
一种改进的小生境遗传算法
![一种改进的小生境遗传算法](https://img.taocdn.com/s3/m/7b6e1ddc9fc3d5bbfd0a79563c1ec5da50e2d6d7.png)
一种改进的小生境遗传算法
郏宣耀;王芳
【期刊名称】《重庆邮电大学学报(自然科学版)》
【年(卷),期】2005(017)006
【摘要】简单遗传算法(SGA)存在早熟收敛和后期收敛速度慢的弱点,基于小生境(niche)技术的改进遗传算法因其较好地保持了种群多样性,显示出更优的性能,但它存在操作复杂、比简单遗传算法更费时的缺陷,因此提出了一种基于自适应的小生境遗传算法.该算法在多模函数的优化中能够保持种群多样度的稳定性,获取合适的子种群规模,从而以更快的收敛速度获得更优的解.仿真结果表明该算法高效、可靠,易于实现.
【总页数】4页(P721-723,744)
【作者】郏宣耀;王芳
【作者单位】浙江大学,宁波理工学院,信息科学与工程分院,浙江,宁
波,315100;School of Business Management, University of East Anglia, Norwich, England,NR4 7TJ
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于改进小生境遗传算法的三角模糊数互补判断矩阵排序方法 [J], 杨雪康;匡兵;林瑞;周峰
2.SVD滤波与改进小生境遗传算法在双馈异步电机转子匝间短路故障量提取中的应用 [J], 李俊卿;朱锦山;沈亮印;康文强
3.一种基于改进小生境遗传算法的图像分割方法 [J], 李阳;归伟夏
4.一种改进的小生境遗传算法在多目标优化中的应用 [J], 凌志钧;王小平;薛小平
5.基于改进自适应小生境遗传算法的机械臂逆运动学求解 [J], 杨惠珍;刘西洋因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基于小生境策略和量子遗传算法的无功优化李宁 王林川 刘萍 田军(东北电力大学 吉林 吉林市 132012)摘 要:针对量子遗传算法在多维函数优化中迭代次数多、易陷入局部极值等缺点,本文将小生境协同进化策略引入量子遗传算法,使染色体均匀分布于处置空间。
通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向,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,IEEE-30节点系统算例仿真表明,本文所述算法与其它算法相比,具有收敛速度快、精度高,寻优能力强等优点。
关键词:电力系统;无功优化;量子遗传算法;小生境;量子比特0 引言电力系统无功优化是在电力系统有功负荷、有功电源及有功潮流分布已经给定的情况下,以发电机端电压幅值、无功补偿电源容量和可调变压器分接头位置作为控制变量,而以发电机无功出力、负荷节点电压幅值和支路输送功率作为状态变量,应用优化技术和人工智能技术,在满足电力系统无功负荷的需求下,谋求合理的无功补偿点和最佳补偿容量,使电力系统安全、经济地向用户供电。
近年来,相继出现了多种智能优化算法以求解无功优化问题,如模拟退火法、遗传算法、粒子群算法等,虽然每种算法都较以前的经典算法有所改进,但是随着问题的规模和复杂程度越来越大,单一算法的性能逐渐受到局限,所以如何构造新的算法,在两个或多个单一算法上取长补短,是提高算法优化性能的有效途径。
量子遗传算法(quantum genetic algorithm,QGA)是量子计算[1]与遗传算法相结合的产物,是新发展起来的概率进化算法。
由于QGA采用量子比特编码来表示染色体,因此该算法隐含着强大的并行性,是一种十分高效的方法。
但由于其是通过选择、交叉、变异操作来更新种群,也易陷入局部极值和过早收敛。
为了进一步提高算法的性能,本文在前人研究的基础上,对量子遗传算法进行改进,有效地克服了由于量子遗传算法多样性差而造成的易陷于局部最优的缺点。
通过测试用例,与其它优化方法进行比较,验证了该算法是可行的、有效的。
1 无功优化问题的数学模型1.1目标函数本文以网损最小为目标进行优化计算,以罚函数形式处理节点电压越限及发电机无功出力越限情况,目标函数定义为QQVVLPPPFλλ++=min(1)式中:右边第一项为系统的有功功率损耗;第二、三项分别为对PQ节点电压越限和发电机无功越限的惩罚项;LPVλ、Qλ分别为对节点电压和发电机无功越限的惩罚因子;网损和惩罚项的计算如下:)sincos(1ijijijijHjjNiiLBGVVPδδ+=∑∑∈=(2)21max min(DNiVi i iVPV V=Δ=−∑)(3)21max min(GNGiQi Gi GiQPQ Q=Δ=−∑)iV;0;;Gi Gi GiGi Gi GiGi i Gi GiQ Q QQ Q Q QQ Q Q−<⎧⎪Δ=≤⎨⎪−<⎩(4)(5)(6)max maxmin maxmin min;0;;i i i ii i ii i i iV V V VV V VV V V V−<⎧⎪Δ=≤≤⎨⎪−<⎩max maxmin maxmin minGiGiQQ≤式中、NDN、分别为系统节点、负荷节点和发电机节点总数;H表示和节点i直接相连的节点集合;、GNiVjV为节点i、j电压;ijθ为节点i、j电压的相位角之差;、ijGijB为节点导纳矩阵的实部和虚部;、、分别为节点i电压幅值及其上、下限值;、、分别为发电机节点i无功出力及其上、下限值。
iVmaxiVminiVGiQmaxGiQ minGiQ1.2 约束条件 (1)潮流约束(cos sin )(sin cos i i j ij ij ij ij j H i i j ij ij ij ij j H P V V G B Q V V G B )δδδδ∈∈⎧=+⎪⎪⎨⎪=−⎪⎩∑∑ (7) 式中:i ;、分别为注入节点i 的有功功率和无功功率。
N ∈i P i Q (2)变量约束变量约束可分为控制变量约束和状态变量约束。
选取发电机端电压、无功补偿设备补偿容量和变压器分接头变比为控制变量;发电机无功出力和负荷节点电压V 作为状态变量。
控制变量约束条件为G V C Q t T G Q min max min max min max ;;;Gi Gi Gi G Ci Ci Ci C ti ti ti TV V V i N Q Q Q i S TT T i S ≤≤∈⎧⎪≤≤∈⎨⎪≤≤∈⎩ (8)式中:、、分别为发电机节点i 电压幅值及其上、下限值;、、分别为无功补偿节点i 的补偿容量及其上、下限值;、、分别为可调变压器变比及其上、下限值。
、分别为补偿电容节点和变压器支路集合。
状态变量的约束条件为Gi V max Gi V min Gi V Ci Q max Ci Q min Ci Q ti T max ti T min ti T C S T S min maxmin max i i i i i i V V V Q Q Q ≤≤⎧⎨≤≤⎩ (9) 2 量子遗传算法量子遗传算法[2]是量子计算与遗传算法相结合的产物,它是建立在量子的态矢量表述基础上,将量子比特的几率幅表示应用于染色体的编码,使得一条染色体可以表达多个态的叠加,这种表示很好的缩小了种群规模,增加了种群多样性。
并利用量子门作用和量子门更新来完成进化搜索,具有种群规模小而不影响算法性能、收敛速度快和全局寻优能力强等优点,从而实现了目标的优化求解。
3 小生境进化策略小生境进化策略具有很高的全局寻优能力和收敛速度,在保持解的多样性方面表现优异,以其能有效解决多峰函数优化问题的优点而广泛应用于进化算法中。
本文引入小生境协同进化策略,其核心是将量子位概率空间分为n 个,初始化过程按式(10)对概率空间进行平分,将每个子种群初始化为相同概率的量子染色体。
k k αβ⎤⎡⎤=⎢⎥⎣⎦ (10) 式(10)表示N 个种群中第i 个种群的初始值。
与传统初始化方法相比,算法更易于寻找到最优染色体,由此得到最优搜索方向。
通过控制子种群之间的排挤和竞争,使各个子种群在进化中动态形成各自独立的搜索空间,从而实现对多个局部极值进行同步搜索,避免了算法的早熟收敛。
当连续未进化代数达到设定值时,引入量子“灾变”,即重新初始化量子初值,使算法跳出局部最优。
4 采用小生境策略和量子遗传算法求解无功优化问题4.1 量子位编码在量子遗传算法中,采用量子比特存储和表达一个基因。
该基因可以为0态或1态,或它们的任意叠加态。
即该基因所表达的不再是某一确定的信息,而是包含所有可能的信息,对该基因的任一操作也同时会作用于所有可能的信息。
采用遗传算法中的二进制编码,对存在多态的问题进行量子比特编码,如两态用一个量子比特进行编码,四态用两个量子比特进行编码。
该方法的优点是通用性好, 且实现简单。
在求解电力系统无功优化时,若用k 个量子位表示控制变量T 1T ,T 2T ,…T NT ,用j 个量子位表示U 1G , U 2G …U NG ,用m 个量子位表示 Q 1C , Q 2C …Q NC ,则编码后的染色体可以表示为12111211..................k k k j k j k j m k k k j k j k j m αααααααβββββββ++++++++++++⎡⎤⎢⎥⎢⎥⎣⎦(11) 式中,221i i αβ+=,其中,i=1,2, …k+j+m。
设包含n 个个体的种群P (t),形式如式(11)所示。
在初始化时,所有的α和β全部取为14.2 量子门操作在量子遗传算法中,种群的更新操作采用量子门来实现。
量子门的选择是量子遗传算法的一个关键问题,一般情况下,根据具体问题的不同而采用不同的量子门,从而完成更新种群的操作。
针对本文需要解决的问题,采用的是量子旋转门更新父代个体,从而产生新的子代个体。
更新量子门的公式为:1i 1t t i t i i G t ααββ++⎡⎤⎡⎤=⎢⎥⎢⎥⎢⎥⎢⎣⎦⎣⎦⎥ (12) 式中,cos sin G θθ⎡=⎢⎣ sin cos θθ−⎤⎥⎦(13) 其中,θ为旋转角,大小和方向根据一个事先设计的调整策略而确定。
本文依据文献[2]中方法对量子门进行改进。
作为QGA 的关键,传统量子门旋转角度多通过查表法实现,量子遗传算法的搜索方向主要取决于适应度值及量子比特位。
因此,当个体中染色体优于最优个体中的染色体时,由量子门更新确定的最优搜索方向却与实际最优方向相反。
为此,在确定搜索方向前,本文首先将当前个体中的待更新染色体替换当前最优个体中的相应染色体,组成一个新种群,并计算新种群的适应度值。
若优于原最优种群,表明当前个体中的染色体优于原最优个体中的染色体,则将此种群作为当前最优种群,作为下一代种群优化的目标种群。
如此依次替换种群中的每一个染色体。
该策略可以保证所得到的最优个体不会被交叉、变异等运算破坏,它是量子遗传算法收敛的一个重要保证。
4.3 量子交叉和变异遗传算法中,交叉的作用是实现个体之间结构信息的交换,通过交换可使具有低阶、短距、高平均适应度的模式能够合并而产生高阶、高适应度的 个体。
量子演化过程中,由于所有个体都朝一个目标演化,如果没有交叉和变异操作,极有可能陷入局部最优。
本文利用量子的相干特性,构造了各个体之间的联合交叉,即量子交叉。
量子变异操作实际上是更改了该量子比特态叠加的状态, 使得原来倾向于坍缩到状态0的变为倾向于坍缩到状态1或者相反。
显然, 该变异操作对染色体的所有叠加态均同时有效。
4.4判断灾变当连续未进化代数达到设定值时,引入量子灾变。
判断灾变[3]的步骤为:先计算该次迭代种群的平均适应度1/navg i i f f n ==∑,式中,f i 为第i 个个体的适应度值,将适应度值大于f avg 的适应度值,求平均得到'avg f ,定义'avg avgf f f Δ=−,Δf 很小说明种群趋于早熟,即种群的多样性遭到破坏,此时进行“灾变”,即只保留最优个体,重新生成其余个体。
4.5 算法流程与步骤量子遗传算法充分结合了量子算法和遗传算法的优点,大大提高了算法效率。
本文所述的小生境策略与量子遗传混合算法流程如下所示: (1)系统初始化,给出算法的初始值,读入系统网络节点参数、控制变量描述及约束条件等原始数据。
(2)令t=0,取种群规模为N的初始种群Q(t),按公式(10)确定种群初值。
(3)对初始种群每个个体实施一次测量,得一个状态P(t)。
(4)对每个状态计算适应度,记录最佳个体状态及其适应度值。