CN109120017A - 一种基于改进粒子群算法的电力系统无功优化方法 - Google Patents
一种基于改进粒子群算法的电力系统无功优化方法 Download PDFInfo
- Publication number
- CN109120017A CN109120017A CN201710481491.XA CN201710481491A CN109120017A CN 109120017 A CN109120017 A CN 109120017A CN 201710481491 A CN201710481491 A CN 201710481491A CN 109120017 A CN109120017 A CN 109120017A
- Authority
- CN
- China
- Prior art keywords
- particle
- algorithm
- population
- particle swarm
- swarm algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 82
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000006872 improvement Effects 0.000 title description 4
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进粒子群算法的电力系统无功优化方法,包括以下步骤:1)输入系统数据和优化算法参数并初始化种群;2)根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算;3)更新粒子群算法和差分进化算法种群;4)比较两种群最优值的优劣并保存最佳个体的位置和相应适应值。本发明提出的动态无功优化方法能够时刻保证以网损值最小为依据分配工作时间,严格满足控制设备动作次数约束,解决了动态无功优化问题,具有数学模型简单清晰,易于理解,求解速度快,问题规模小的优点,较好地解决动态无功优化问题。
Description
技术领域
本发明属于电力系统无功优化领域,特别是一种基于改进粒子群算法的电力系统无功优化方法。
背景技术
电力系统无功功率的合理分布是保证电压质量的基本条件。一方面,无功过剩将抬高系统电压,使电压越上限运行,从而危害系统和设备的安全运行,而且过多的无功备用也会造成不必要的投资。另一方面,无功功率不足将降低系统电压,使电压越下限运行,用电设备不能充分利用,系统一旦发生较大的扰动,就可能使电压低于临界电压,引发电压崩溃,系统因失去同步而瓦解导致一系列灾难性事故发生。
在现代大电网中,随着电力系统联网容量的增大和输电电压的提高,输电功率变化和高压线路的投切都将引起很大的无功功率变化,系统对无功功率和电压的调节和控制能力的要求越来越高。另一方面,由于受电力市场化变革的影响以及来自环境、经济和技术方面的制约,为了充分利用系统资源,现代电网越来越接近于极限运行状态,这使得电网缺乏灵活的调节能力,特别是在某些紧急运行情况下,电网更加脆弱,通过无功电压优化控制,不仅能改善电压质量,提高系统稳定性,还能降低有功网损,节约能源。
电力系统无功优化与控制是提高电压合格率、降低网损的重要措施,是保证系统安全、经济运行的一项有效手段。通过无功优化调度可以充分利用电力系统中的无功电源,优化电网的无功潮流分布,降低电网的有功损耗,并改善电压质量,提高电压稳定性。随着电力规模的不断扩大,用户对电能质量要求的提高。但是目前电力系统无功优化中粒子群算法收敛速度快,易陷入局部最优。
发明内容
本发明的目的是提供一种基于改进粒子群算法的电力系统无功优化方法。
实现本发明目的的技术解决方案为:一种基于改进粒子群算法的电力系统无功优化方法,包括以下步骤:
步骤1、输入系统数据和优化算法参数并初始化种群;系统数据包括发电机参数、负荷参数、变压器参数、无功补偿参数等,各类控制变量的上下限值以及各种约束条件,对控制变量随机产生的初始解群由粒子的控制变量及其上下限值决定,并设置迭代次数为0,即在控制变量约束范围内随机初始化两个种群中每个个体的位置。
步骤2、根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算;
对不同位置的粒子,根据目标函数计算各自的潮流值,得出网络损耗值,进而得出最终的目标函数值,这一过程可以分为两个相互独立又相互联系的两个进程,一个是计算出某次迭代的电网潮流值,另一个是根据得出的潮流值对电网的网络参数重新进行修正,进行新一轮的电网潮流计算。
步骤3、更新粒子群算法和差分进化算法种群;
对两种算法种群的更新主要由三部分组成,第一部分为粒子先前速度的继承,表示粒子对当前自身运动状态的信任,依据自身的速度进行惯性运动,第二部分表示粒子本身的思考,即综合考虑自身以往的经历从而实现对下一步行为决策,它反映的是一个增强学习过程,第三部分表示粒子间的信息共享与相互合作,在搜索过程中粒子一方面记住它们自己的经验,同时考虑其同伴的经验,当单个粒子察觉同伴经验较好的时候,它将进行适应性的调整,寻求一致认知过程。
步骤4、比较两种群最优值的优劣并保存最佳个体的位置和相应适应值。具体是比较粒子群体中最佳个体和差分进化群体中最佳个体的优劣,选择最佳个体作为粒子群算法和差分进化算法的下一步进化的依据。
本发明与现有技术相比,其显著优点为:1)本发明提出的动态无功优化方法能够时刻保证以网损值最小为依据分配动作时间,严格满足控制设备动作次数约束,解决了动态无功优化问题;2)本发明的数学模型简单清晰,易于理解,求解速度快,问题规模小,较好地解决动态无功优化问题;3)本发明有效地克服了基本粒子群算法容易陷入局部收敛的问题,提高了粒子群算法的优化性能。
附图说明
图1是本发明基于改进粒子群算法的电力系统无功优化方法的流程图。
图2是本发明改进粒子群算法的个体运动方式示意图。
图3是本发明10节点系统结构图。
图中编号所代表的含义为:1为输入系统数据和优化算法参数并初始化种群,2为根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算,3为更新粒子群算法和差分进化算法种群,4为比较两种群最优值的优劣并保存最佳个体的位置和相应适应值。
具体实施方式
结合图1,本发明的一种基于改进粒子群算法的电力系统无功优化方法,包括以下步骤:
步骤1、输入系统数据和优化算法参数并初始化种群;
系统数据包括发电机参数、负荷参数、变压器参数、无功补偿参数,控制变量的上下限值;
初始种群的产生方法为:
xid=Rand()×(xid.max-xid.min)+xid.max
式中,xid,xid.min,xid.max分别为第i个粒子的第d维控制变量及其上限值和下限值;Rand()是在[0,1]均匀分布的随机数。
步骤2、根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算;
根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算分为两个进程,一是计算出某次迭代的电网潮流值,另一个是根据得出的潮流值对电网的网络参数重新进行修正,之后进行新一轮的电网潮流计算。
步骤3、更新粒子群算法和差分进化算法种群;具体为:
假设一个由M个粒子组成的群体在D维的搜索空间以一定的速度飞行,粒子i在t时刻的状态属性设置如下:
位置:
Ld,Ud分别为粒子i在d维搜索空间的上限位置和下限位置;
速度:
vmin.id,vmax.id分别为粒子i在d维的最小速度和最大速度;
个体最优位置:
全局最优位置:
其中1≤d≤D,1≤i≤M,则粒子在t+1时刻的位置通过下式更新获得:
式中,ω为惯性权重系数,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习因子;
对两种算法种群的更新由三部分组成,第一部分为粒子先前速度的继承,表示粒子对当前自身运动状态的信任,依据自身的速度进行惯性运动;第二部分表示粒子本身的思考,即综合考虑自身以往的经历从而实现对下一步行为决策;第三部分表示粒子间的信息共享与相互合作。
步骤4、比较两种群最优值的优劣并保存最佳个体的位置和相应适应值。比较两种群最优值的优劣具体是比较粒子群体中最佳个体和差分进化群体中最佳个体的优劣,选择最佳个体作为粒子群算法和差分进化算法的下一步进化的依据。
本发明提出的动态无功优化方法能够时刻保证以网损值最小为依据分配动作时间,严格满足控制设备动作次数约束,解决了动态无功优化问题。
下面进行更详细的描述。
本发明的一种基于改进粒子群算法的电力系统无功优化方法,包括以下步骤:
步骤1、输入系统数据和优化算法参数并初始化种群;
系统数据包括发电机参数、负荷参数、变压器参数、无功补偿参数等,各类控制变量的上下限值以及各种约束条件,对控制变量随机产生的初始解群由粒子的控制变量及其上下限值决定,并设置迭代次数为0,即在控制变量约束范围内随机初始化两个种群中每个个体的位置。
电力系统的无功优化控制变量主要是发电机的机端电压、有载调压变压器分接头的档位和投入的无功补偿装置的容量。有载调压变压器分接头是一档一档的递变,无功补偿装置的投切也是按组逐级投切,而发电机机端电压可以连续调节。依据控制变量连续离散兼有的特点,引入混合编码的方式。用实数表示发电机机端电压的实际值;用整数表示变压器分接头档位和无功补偿装置投切档位。每类控制变量的取值均在其规定的取值范围之内,那么改进粒子群算法中的每个粒子在搜索空间中的位置就对应于无功优化的控制变量,每个粒子的搜索空间就是控制变量的个数,即
其中,UG为发电机端电压;QC为无功补偿装置投切档位;KT为变压器分接头可调档位;NG、NC、NT分别为发电机节点数,无功补偿节点数和可调变压器的个数。
对控制变量随机产生一个初始解群,即为粒子群的初始化,初始解群的产生方法如下:
xid=Rand()×(xid.max-xid.min)+xid.max (2)
式中,xid,xid.min,xid.max分别为第i个粒子的第d维控制变量及其上限值和下限值;Rand()是在[0,1]均匀分布的随机数。
步骤2、根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算;
对不同位置的粒子,根据目标函数计算各自的潮流值,得出网络损耗值,进而得出最终的目标函数值,这一过程可以分为两个相互独立又相互联系的两个进程,一个是计算出某次迭代的电网潮流值,另一个是根据得出的潮流值对电网的网络参数重新进行修正,进行新一轮的电网潮流计算。这一过程中要注意处理的是状态变量的越限问题,最终目的是在满足状态变量和控制变量值都不越限的前提下得到所需的潮流值。
步骤3、更新粒子群算法和差分进化算法种群;
假设一个由M个粒子组成的群体在D维的搜索空间以一定的速度飞行,粒子i在t时刻的状态属性设置如下:
位置:
Ld,Ud分别为粒子i在d维搜索空间的上限位置和下限位置;
速度:
vmin.id,vmax.id分别为粒子i在d维的最小速度和最大速度;
个体最优位置:
全局最优位置:
其中1≤d≤D,1≤i≤M,则粒子在t+1时刻的位置通过下式更新获得:
式中,ω为惯性权重系数,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2称为学习因子,通常取c1=c2=2。
式(3)主要由三部分组成:第一部分为粒子先前速度的继承,表示粒子对当前自身运动状态的信任,依据自身的速度进行惯性运动,第二部分表示粒子本身的思考,即综合考虑自身以往的经历从而实现对下一步行为决策,它反映的是一个增强学习过程,第三部分表示粒子间的信息共享与相互合作,在搜索过程中粒子一方面记住它们自己的经验,同时考虑其同伴的经验,当单个粒子察觉同伴经验较好的时候,它将进行适应性的调整,寻求一致认知过程。
步骤4、比较两种群最优值的优劣并保存最佳个体的位置和相应适应值。
比较粒子群体中最佳个体和差分进化群体中最佳个体的优劣,选择最佳个体作为粒子群算法和差分进化算法的下一步进化的依据。
下面结合实施例对本发明做进一步详细的描述。
实施例
为了验证所提出的改进粒子群算法求解电力系统无功优化问题的有效性和优化结果,采用C语言在PC机上编写了基于此算法的无功优化程序,并对10节点系统进行优化测试,10节点系统结构图如图3所示,该系统是一个闭环系统,有6条线路,3个发电机节点,3个负荷节点,3台有载调压变压器,3个发电机节点中,节点1作为平衡节点,其余2个发电机节点为PV节点,系统中其他节点为PQ节点;2个无功补偿节点(节点为5,10);可调变压器支路为1-4,2-8,3-6,4-10,电压等级为220kV,系统总负荷为315+j255MVA,改进粒子群算法步骤如下:
步骤一、输入系统数据和优化算法参数并初始化种群;
步骤二、根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算;
步骤三、更新粒子群算法和差分进化算法种群;
步骤四、比较两种群最优值的优劣并保存最佳个体的位置和相应适应值。
经过程序实施无功优化后,各节点电压、发电机有功功率、电容器补偿容量对比情况如表1、2、3所示。
表1优化前后节点电压对比
节点名 | 优化前电压 | 优化后电压 |
1 | 1.030 | 1.100 |
2 | 1.025 | 1.100 |
3 | 1.025 | 1.100 |
4 | 0.980 | 1.031 |
5 | 1.000 | 1.127 |
6 | 1.017 | 1.142 |
7 | 0.991 | 1.133 |
8 | 1.007 | 1.047 |
9 | 0.910 | 1.074 |
10 | 1.003 | 1.037 |
表2优化前后发电机有功功率对比
节点名 | 优化前有功 | 优化后有功 |
1 | 0.76 | 0.74 |
2 | 1.60 | 1.60 |
3 | 0.85 | 0.85 |
表3优化前后补偿容量对比
节点号 | 优化前已投入容量 | 优化后已投入容量 |
10 | 0.05 | 0.20 |
由上可知,本发明提出的动态无功优化方法能够时刻保证以网损值最小为依据分配工作时间,严格满足控制设备动作次数约束,解决了动态无功优化问题,具有数学模型简单清晰,易于理解,求解速度快,问题规模小的优点,较好地解决动态无功优化问题。
Claims (5)
1.一种基于改进粒子群算法的电力系统无功优化方法,其特征在于,包括以下步骤:
步骤1、输入系统数据和优化算法参数并初始化种群;
步骤2、根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算;
步骤3、更新粒子群算法和差分进化算法种群;
步骤4、比较两种群最优值的优劣并保存最佳个体的位置和相应适应值。
2.根据权利要求1所述的基于改进粒子群算法的电力系统无功优化方法,其特征在于,步骤1中系统数据包括发电机参数、负荷参数、变压器参数、无功补偿参数,控制变量的上下限值;
初始种群的产生方法为:
xid=Rand()×(xid.max-xid.min)+xid.max
式中,xid,xid.min,xid.max分别为第i个粒子的第d维控制变量及其上限值和下限值;Rand()是在[0,1]均匀分布的随机数。
3.根据权利要求1所述的基于改进粒子群算法的电力系统无功优化方法,其特征在于,步骤2中根据粒子群算法和差分进化算法种群中个体的位置信息进行潮流计算分为两个进程,一是计算出某次迭代的电网潮流值,另一个是根据得出的潮流值对电网的网络参数重新进行修正,之后进行新一轮的电网潮流计算。
4.根据权利要求1所述的基于改进粒子群算法的电力系统无功优化方法,其特征在于,步骤3中更新粒子群算法和差分进化算法种群具体为:
假设一个由M个粒子组成的群体在D维的搜索空间以一定的速度飞行,粒子i在t时刻的状态属性设置如下:
位置:
Ld,Ud分别为粒子i在d维搜索空间的上限位置和下限位置;
速度:
vmin.id,vmax.id分别为粒子i在d维的最小速度和最大速度;
个体最优位置:
全局最优位置:
其中1≤d≤D,1≤i≤M,则粒子在t+1时刻的位置通过下式更新获得:
式中,ω为惯性权重系数,r1,r2为均匀分布在(0,1)区间的随机数;c1,c2为学习因子;
对两种算法种群的更新由三部分组成,第一部分为粒子先前速度的继承,表示粒子对当前自身运动状态的信任,依据自身的速度进行惯性运动;第二部分表示粒子本身的思考,即综合考虑自身以往的经历从而实现对下一步行为决策;第三部分表示粒子间的信息共享与相互合作。
5.根据权利要求1所述的基于改进粒子群算法的电力系统无功优化方法,其特征在于,步骤4比较两种群最优值的优劣具体是比较粒子群体中最佳个体和差分进化群体中最佳个体的优劣,选择最佳个体作为粒子群算法和差分进化算法的下一步进化的依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481491.XA CN109120017A (zh) | 2017-06-22 | 2017-06-22 | 一种基于改进粒子群算法的电力系统无功优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481491.XA CN109120017A (zh) | 2017-06-22 | 2017-06-22 | 一种基于改进粒子群算法的电力系统无功优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109120017A true CN109120017A (zh) | 2019-01-01 |
Family
ID=64732756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710481491.XA Pending CN109120017A (zh) | 2017-06-22 | 2017-06-22 | 一种基于改进粒子群算法的电力系统无功优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109120017A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021940A (zh) * | 2019-04-25 | 2019-07-16 | 国网重庆市电力公司璧山供电分公司 | 一种基于改进粒子群算法的电容器优化配置方法 |
WO2021082444A1 (zh) * | 2019-10-28 | 2021-05-06 | 南通大学 | 用于大规模脑病历分割的多粒度Spark超信任模糊方法 |
CN116796911A (zh) * | 2023-08-25 | 2023-09-22 | 国网江苏省电力有限公司淮安供电分公司 | 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102723721A (zh) * | 2012-05-31 | 2012-10-10 | 西南交通大学 | 基于个体最优位置自适应变异扰动粒子群算法的电力系统无功优化方法 |
CN105114242A (zh) * | 2015-07-22 | 2015-12-02 | 重庆邮电大学 | 基于模糊自适应的dfpso算法的水轮机调速器参数优化方法 |
CN105790282A (zh) * | 2016-03-07 | 2016-07-20 | 国网江苏省电力公司电力科学研究院 | 一种含upfc电网的无功优化分析系统和方法 |
-
2017
- 2017-06-22 CN CN201710481491.XA patent/CN109120017A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102723721A (zh) * | 2012-05-31 | 2012-10-10 | 西南交通大学 | 基于个体最优位置自适应变异扰动粒子群算法的电力系统无功优化方法 |
CN105114242A (zh) * | 2015-07-22 | 2015-12-02 | 重庆邮电大学 | 基于模糊自适应的dfpso算法的水轮机调速器参数优化方法 |
CN105790282A (zh) * | 2016-03-07 | 2016-07-20 | 国网江苏省电力公司电力科学研究院 | 一种含upfc电网的无功优化分析系统和方法 |
Non-Patent Citations (1)
Title |
---|
刘丹丹: "基于改进粒子群算法的电力系统无功优化", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021940A (zh) * | 2019-04-25 | 2019-07-16 | 国网重庆市电力公司璧山供电分公司 | 一种基于改进粒子群算法的电容器优化配置方法 |
CN110021940B (zh) * | 2019-04-25 | 2023-04-07 | 国网重庆市电力公司璧山供电分公司 | 一种基于改进粒子群算法的电容器优化配置方法 |
WO2021082444A1 (zh) * | 2019-10-28 | 2021-05-06 | 南通大学 | 用于大规模脑病历分割的多粒度Spark超信任模糊方法 |
CN116796911A (zh) * | 2023-08-25 | 2023-09-22 | 国网江苏省电力有限公司淮安供电分公司 | 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Dynamic multi-group self-adaptive differential evolution algorithm for reactive power optimization | |
CN110518575A (zh) | 基于区域划分的多时间尺度主动配电网电压优化控制方法 | |
Xin et al. | Cooperative control strategy for multiple photovoltaic generators in distribution networks | |
WO2023179003A1 (zh) | 一种多时间尺度主动配电网电压控制方法 | |
CN109390962B (zh) | 一种多端柔直系统的不平衡功率自适应优化分配方法 | |
CN108134401A (zh) | 交直流混合系统多目标潮流优化及控制方法 | |
CN109120017A (zh) | 一种基于改进粒子群算法的电力系统无功优化方法 | |
CN114362267B (zh) | 考虑多目标优化的交直流混合配电网分散式协调优化方法 | |
CN111049173A (zh) | 多端直流配网自组织下垂控制方法 | |
CN105098788B (zh) | 一种时序递进的无功电压优化调度控制方法 | |
CN109390953A (zh) | 含分布式电源和电动汽车的低压配电网无功电压协调控制方法和系统 | |
CN106712044A (zh) | 一种风电场内无功电压多目标优化方法 | |
CN111725798A (zh) | 一种用于直流微电网集群的分布式经济调度预测控制方法 | |
Rohani et al. | Combined design of PSS and STATCOM controllers for power system stability enhancement | |
CN105633972A (zh) | 一种基于分层分区控制的有源配电网调压方法 | |
CN111245032B (zh) | 一种计及风电场集电线路降损优化的电压预测控制方法 | |
CN105406485B (zh) | 基于改进蝙蝠算法的变电站动态无功优化方法与系统 | |
CN113890039B (zh) | 一种多端柔性直流配电网潮流调度优化方法 | |
CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
CN109494750B (zh) | 一种高中压配电网的分层分布式电压优化控制方法 | |
CN105337290A (zh) | 一种适用于电力系统低频振荡辅助决策的无功调整方法 | |
CN107451743B (zh) | 一种考虑源荷运行特性的有源配电网孤岛运行方法 | |
CN112152268B (zh) | 一种交、直流子微网控制方法及子微网群间控制方法 | |
CN117081079A (zh) | 一种upfc多目标优化配置模型 | |
CN106410819B (zh) | 含电压不可行节点的受端电网动态无功优化方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |