AISPSO算法在电网无功优化的应用

发布时间：2021-02-28 23:40

　　针对粒子群算法搜索后期的局部收敛问题,提出加入邻域空间和择优替换粒子改进方法的自适应信息选择粒子群优化（AISPSO）算法.将AISPSO算法应用于电网无功优化,选取发电机节点电压、变压器、无功补偿容量为控制变量,代入粒子编码机制寻优,在连续5次迭代无法跳出时,加入邻域空间,替换粒子后再次搜索.通过AISPSO算法优化调度,搜索电网网损最优值,达到电网无功优化目标.根据研究数据对比,AISPSO算法寻优所得网损比基本粒子群算法降低了4.43个百分点. 

【文章来源】：上海工程技术大学学报. 2019,33(04)

【文章页数】：6 页

【部分图文】：

图2 粒子编码结构图

以迭代次数为50,种群规模为20的IEEE 30节点电网为例.采用AISPSO算法进行计算,算法流程图如图3所示.该算法的主要计算步骤如下.1) 设定计算前的各类参数,如影响粒子搜索能力的惯性权重值和学习因子等,最大程度提高AISPSO算法在网损寻优过程的能力;确定变量上下限值,避免变量搜索过程中出现范围外的情况,减少结果错误率.

图4为IEEE 30节点系统框图.图中有4条线路装有变压器调整两端电压,故在编码机制中设变压器数量为4;发电机端节点分别为1、2、13、22、23和27,共6个;用户负荷端节点分别为2～4、7～8、10、12、14～21、23～24、26和29～30,共20个.其变量约束条件及优化结果见表1至表3.表1 控制变量约束条件(标幺值)Table 1 Constraints of control variables VG KT QG 上限 1.06 1.100 0.60 下限 0.96 0.900 0.00 步长 0.01 0.025 0.02

【参考文献】：
期刊论文
[1]基于分层编码粒子群优化的配电网复合目标重构方法研究（英文）[J]. 文娟,谭阳红,蒋林,徐祖华.  Journal of Central South University. 2018(03)
[2]用快速收敛粒子群优化算法解决函数优化问题[J]. 郑晓月.  轻工学报. 2016(03)
[3]粒子群算法的边界问题研究[J]. 方田.  科技视界. 2015(13)
[4]基于前推回代法和牛顿拉夫逊法的配电网潮流计算[J]. 彭穗,何朋亮,刘志伟,欧阳文建,刘文峰.  电子测试. 2015(02)
[5]基于种群替代的量子粒子群算法的含风电网无功优化[J]. 孟安波,李阳,陈育成,何占琦.  电气应用. 2014(05)
[6]基于改进PSO算法的电力系统无功优化[J]. 陈前宇,陈维荣,戴朝华,张雪霞.  电力系统及其自动化学报. 2014(02)
[7]基于改进粒子群算法的无功优化[J]. 刘水.  电气应用. 2013(02)
[8]求解约束优化问题的动态多种群粒子群算法[J]. 刘衍民.  山东大学学报(理学版). 2011(09)
[9]求解约束优化问题的动态邻域粒子群算法[J]. 彭虎,田俊峰,邓长寿.  计算机应用研究. 2011(07)
[10]一种基于收缩因子的改进粒子群算法[J]. 易云飞,陈国鸿.  软件导刊. 2009(09)

硕士论文
[1]地区电网无功优化研究[D]. 肖少华.华南理工大学 2016
[2]基于改进粒子群算法的电网无功优化[D]. 梁新兰.东北石油大学 2010



本文编号：3056623