CN114389277A - 基于蜉蝣算法的配电网无功优化方法 - Google Patents

基于蜉蝣算法的配电网无功优化方法 Download PDF

Info

Publication number
CN114389277A
CN114389277A CN202210029993.XA CN202210029993A CN114389277A CN 114389277 A CN114389277 A CN 114389277A CN 202210029993 A CN202210029993 A CN 202210029993A CN 114389277 A CN114389277 A CN 114389277A
Authority
CN
China
Prior art keywords
mayflies
fitness
updating
female
mayfly
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
Application number
CN202210029993.XA
Other languages
English (en)
Inventor
刘庆珍
彭泽森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202210029993.XA priority Critical patent/CN114389277A/zh
Publication of CN114389277A publication Critical patent/CN114389277A/zh
Pending legal-status Critical Current

Links

Images

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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • 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]
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • Y02E40/30—Reactive power compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于蜉蝣算法的配电网无功优化方法，用以解决电力系统寻找降损方案没有合理依据的问题，结合Levy飞行和随机惯性权重系数的优点，对基础蜉蝣算法做出改进，增强了蜉蝣算法的全局搜索能力以及收敛速度，从而更快找到降低全网有功损耗的最优方案。

Description

基于蜉蝣算法的配电网无功优化方法
技术领域
本发明涉及电力系统无功优化技术领域，具体涉及一种基于蜉蝣算法的配电网无功优化方法。
背景技术
在评估电力系统的可靠性与经济性时，往往会采用两个指标进行衡量，其中包括实际运行时电压水平的偏移程度以及线路传输的有功损耗的大小，即网损。随着电网结构的不断复杂化，各种分布式电源(如光伏发电、风力发电等)接入数量的增加，发电出力不稳定，导致电网的电压水平较以前更加不稳定。系统的无功功率的分布情况是影响系统电压水平的主要因素之一，当系统无功功率富余时，会导致部分节点的电压水平偏高；而当系统中无功功率无法满足负荷需求时，则某些节点的电压水平会偏低，从而使系统的电能质量下降，用户侧的用电受到一定程度的影响。在对电压进行调节时，会采用一些调压措施，如改变变压器分接头、投入静电电容器等。这些调压措施的本质是对系统的无功分布进行调整，从而使各节点的电压达到运行要求。
发明内容
有鉴于此，本发明的目的在于提供一种基于蜉蝣算法的配电网无功优化方法，以解决电力系统寻找降损方案没有合理依据的问题，结合Levy飞行和随机惯性权重系数的优点，对基础蜉蝣算法做出改进，增强了蜉蝣算法的全局搜索能力以及收敛速度，从而更快找到降低全网有功损耗的最优方案。
为实现上述目的，本发明采用如下技术方案：
一种基于蜉蝣算法的配电网无功优化方法，包括以下步骤：
步骤S1:获取配电网系统原始数据，并初始化蜉蝣算法基本参数；
步骤S2:根据控制变量取值范围随机生成初始种群，将种群划分为雌性和雄性两类，并计算初始潮流和初始网损，从而获得各种群的适应度值；
步骤S3:根据Levy飞行和随机惯性权重系数分别更新雌蜉蝣的速度与位置,将更新后的位置代入潮流计算程序中获得新适应度值，新适应度值优于个体最优则更新个体最优；
步骤S4:根据Levy飞行和随机惯性权重系数分别更新雄蜉蝣的速度与位置，通过潮流计算程序获得雄蜉蝣的新适应度，若优于个体最优则更新个体最优，同时与全局最优比较，若优于全局最优则更新全局最优；
步骤S5:分别对雌雄个体按照适应度由优到差进行排列，同等级的雌雄个体进行交配操作以产生子代蜉蝣；
步骤S6:对子代蜉蝣进行变异操作；
步骤S7:对空间中所有的蜉蝣个体按照适应度值进行排序，筛选出与初始种群数量相同的优秀个体。
步骤S8：判断是否达到迭代结束条件，满足则退出循环并输出最优解,得到最优优化方案，否则返回步骤3。
进一步的，所述原始数据包括节点信息和支路信息。
进一步的，所述步骤S3具体为：
根据结合Levy飞行和随机惯性权重系数的式(1)和式(3)分别更新雌蜉蝣的速度与位置；同时将更新后的位置代入潮流计算程序中获得新适应度值，新适应度值优于个体最优则更新个体最优
Figure BDA0003465970840000031
其中，
Figure BDA0003465970840000032
为第i个雌性蜉蝣在第n次迭代中的第j维度上的速度；
Figure BDA0003465970840000033
为第i个雌性蜉蝣在第n次迭代中的第j维度上的位置；gbestj代表第j维上全局的最佳位置；a2是一个正吸引系数；rmf代表雌性蜉蝣与对应的雄性蜉蝣欧式距离；β为蜉蝣的固定能见度系数，用以限制蜉蝣的能见范围；Levy(λ)表示跳跃步长服从Levy分布的随机搜索向量；
Figure BDA0003465970840000037
代表矢量运算；g为惯性权重系数，满足式(2)
g＝gmin+(gmax-gmin)*rand()+σ*randn() (2)
其中，gmin、gmax分别为惯性权重系数的最小值与最大值；rand()为(0,1)内均匀分布的随机数；randn()为正态分布的随机数；σ为方差，表示g与其数学期望的偏差程度；
Figure BDA0003465970840000034
其中，
Figure BDA0003465970840000035
为第i个雌蜉蝣在第n+1次迭代中的第j维度上的位置。
进一步的，所述步骤S4具体为：根据与Levy飞行和随机惯性权重系数相结合的式(4)和式(5)分别更新雄蜉蝣的速度与位置；通过潮流计算程序获得雄蜉蝣的新适应度，若优于个体最优则更新个体最优，同时与全局最优比较，若优于全局最优则更新全局最优；
Figure BDA0003465970840000036
其中，
Figure BDA0003465970840000041
为第i个雄蜉蝣在第n次迭代中的第j维度上的速度，
Figure BDA0003465970840000042
为第i个雄蜉蝣在第n次迭代中的第j维度上的位置，a1代表个体认知成分的大小，a2代表社会认知成分的大小，pbestij代表第i个雄蜉蝣在第j维上到过的最佳位置；
Figure BDA0003465970840000043
其中，
Figure BDA0003465970840000044
为第i个蜉蝣在第n+1次迭代中的第j维度上的位置。
进一步的，所述步骤S5具体为：分别对雌雄个体按照适应度由优到差进行排列，同等级的雌雄个体按照式(6)和式(7)进行交配
操作以产生子代蜉蝣
offspring1＝L*xm+(1-L)xfm (6)
offspring1＝L*xfm+(1-L)xm (7)
其中，L为随机数，取值范围为(0，1)；xm、xfm分别为雄性个体与雌性个体。
进一步的，所述步骤S6具体为：根据式(8)对部分子代蜉蝣进行变异操作。
offspringn＝offspringn+σN(0,1) (8)
其中，σ为正态分布的标准差，N(0,1)是平均值为0，方差为1的标准正态分布。
本发明与现有技术相比具有以下有益效果：
本发明以解决电力系统寻找降损方案没有合理依据的问题，结合Levy飞行和随机惯性权重系数的优点，对基础蜉蝣算法做出改进，增强了蜉蝣算法的全局搜索能力以及收敛速度，从而更快找到降低全网有功损耗的最优方案。
附图说明
图1是实现本发明方法的流程图。
图2是本发明实施例中与其他算法的收敛情况的对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于蜉蝣算法的配电网无功优化方法，包括以下步骤：
步骤S1：读取系统原始数据，包括节点信息和支路信息，初始化基本参数，包括种群大小、迭代次数等。
步骤S2：依据控制变量取值范围随机生成初始种群，将种群划分为雌性和雄性两类，并计算初始潮流和初始网损，从而获得各种群的适应度值，设置初始速度为0。
步骤S3：根据式(1)和式(3)分别更新雌蜉蝣的速度与位置。式(1)中，当雌性蜉蝣适应度优于雄性蜉蝣时，雌性蜉蝣不再随机飞行，而是依据Levy飞行规则在解空间中进行速度更新。将更新后速度代入(3)中获取新的位置，并代入潮流计算程序中获得新适应度值，新适应度值优于个体最优则更新个体最优。
Figure BDA0003465970840000051
其中，
Figure BDA0003465970840000061
为第i个雌性蜉蝣在第n次迭代中的第j维度上的速度；
Figure BDA0003465970840000062
为第i个雌性蜉蝣在第n次迭代中的第j维度上的位置；a2是一个正吸引系数；rmf代表雌性蜉蝣与对应的雄性蜉蝣欧式距离；β为蜉蝣的固定能见度系数，用以限制蜉蝣的能见范围；Levy(λ)表示跳跃步长服从Levy分布的随机搜索向量。
Figure BDA0003465970840000063
代表矢量运算。g为速度惯性权重系数，不再设定为常数，满足式(2)。
g＝gmin+(gmax-gmin)*rand()+σ*randn() (2)
其中，gmin、gmax分别为惯性权重系数的最小值与最大值；rand()
为(0,1)内均匀分布的随机数；randn()为正态分布的随机数；σ为方差，表示g与其数学期望的偏差程度，有利于算法向期望方向进化。
Figure BDA0003465970840000064
其中，
Figure BDA0003465970840000065
为第i个雌蜉蝣在第n+1次迭代中的第j维度上的位置。
步骤S4：根据式(4)和式(5)分别更新雄蜉蝣的速度与位置；
(4)式中当雄性蜉蝣个体适应度优于全局最优时，速度更新规则引入Levy飞行，使其按照该规则下进行速度更新后按照式(5)进行位置更新。通过潮流计算程序获得雄蜉蝣的新适应度，若优于个体最优则更新个体最优，同时与全局最优比较，若优于全局最优则更新全局最优。
Figure BDA0003465970840000066
其中，
Figure BDA0003465970840000071
为第i个雄蜉蝣在第n次迭代中的第j维度上的速度，
Figure BDA0003465970840000072
为第i个雄蜉蝣在第n次迭代中的第j维度上的位置，a1代表个体认知成分的大小，a2代表社会认知成分的大小，pbestij代表第i个雄蜉蝣在第j维上到过的最佳位置；g为速度惯性权重系数。
Figure BDA0003465970840000073
其中，
Figure BDA0003465970840000074
为第i个雄蜉蝣在第n+1次迭代中的第j维度上的位置。
步骤S5：分别对雌雄个体按照适应度由优到差进行排列，同等级的雌雄个体按照式(6)和式(7)进行交配操作以产生子代蜉蝣。
offspring1＝L*xm+(1-L)xfm (6)
offspring1＝L*xfm+(1-L)xm (7)
其中，L为随机数，取值范围为(0，1)；xm、xfm分别为雄性个体与雌性个体。
步骤S6：根据式(8)对部分子代蜉蝣进行变异操作。
offspringn＝offspringn+σN(0,1)\*MERGEFORMAT (2-8)
其中，σ为正态分布的标准差，N(0,1)是平均值为0，方差为1的标准正态分布。
步骤S7：对空间中所有的蜉蝣个体按照适应度值进行排序，筛选出与初始种群数量相同的优秀个体。
步骤S8：判断是否达到迭代结束条件，满足则退出循环并输出最优解，否则返回步骤3。
实施例1：
在本实施例中，针对IEEE30，具体包括以下步骤：
步骤S1:获取IEEE30节点标准测试系统的所有原始数据，初始化雌雄蜉蝣种群大小、最大迭代次数、速度上下限以及惯性权重系数上下限。
步骤S2：选定发电机端电压、有载变压器分接头位置、并联电容器组数为控制变量，各节点电压、相角为状态变量；设定各变量的上下限，如表1所示，并根据上下限初始化雌雄蜉蝣种群；利用初始控制变量值代入潮流计算程序，将总有功网损作为适应度值，初始化个体最优与全局最优。
表1各变量约束条件(p.u)
Figure BDA0003465970840000081
步骤S3：根据引入Levy飞行和随机惯性权重系数的式(4)、式(5)更新雄性蜉蝣的速度和位置，将更新结果代入潮流计算程序获取新得网损值，与历史个体最优与全局最优进行适应度比较并按照规则进行更新；根据与Levy飞行和随机惯性权重系数相结合的式(1)、式(3)更新雌性蜉蝣的速度和位置，将新的控制变量值代入潮流计算程序中获得网损值。
步骤S4：对雌雄个体分别按照适应度值优劣进行排序，排位相同的雌雄个体按照式(6)、式(7)进行交配获得两个蜉蝣子代，代入潮流计算程序获得适应度值，并按照规则更新全局最优；按照设定的变异率选择部分子代，按照式(1-8)对选定的子代进行变异操作，对变异后的子代利用潮流计算程序进行适应度评估，并按照规则对全局最优进行更新；
步骤S5：对所有个体按照适应度优劣进行排序，取与预设种群大小相同数量的蜉蝣个体作为下一次迭代的对象，并将这些个体分为雄性与雌性两组；判断是否达到最大迭代次数，未满足则返回步骤S3，满足则退出循环。
步骤S6：对比验证。选择标准IEEE30节点系统作为实验对象，采用基础的蜉蝣算法和粒子群方法对系统进行无功优化，与本发明提出的改进的蜉蝣方法的无功优化结果进行比较。利用三种方法优化后的各控制变量值如表2所示，适应度收敛曲线对比如图2所示，降损效益对比结果如表3所示。
表2 IEEE-30节点系统无功优化结果对比(p.u.)
Figure BDA0003465970840000091
Figure BDA0003465970840000101
表3 IEEE 30节点系统优化后的有功网损
Figure BDA0003465970840000102
根据三种方法对系统进行优化的最终结果，分析表3可知，针对IEEE30节点系统进行无功优化时，改进的MA方法、MA方法以及PSO方法均能使系统总有功网损降低，但本发明提出的改进的MA方法降损效益最好。
见图2所示，三种算法的迭代次数均设为200次，在经过200次的迭代计算后，各算法均能收敛至全局最优解处。在迭代前期，MA算法需要经过40次的迭代就可以收敛至全局最优，而PSO算法则需要100次，MA算法相较于PSO算法收敛速度更快。经过多次实验发现，MA算法与PSO算法在迭代过程中，均会出现收敛至局部最优的现象。将Levy飞行以及随机惯性权重系数加入MA算法后，ProMA算法能跳脱出局部最优解，从而沿着全局最优的方向继续进化。ProMA算法引入了新的位置更新策略，增强了寻优过程中种群的多样性以及跳脱局部最优的能力，使MA算法的全局搜索能力得到提升，算法性能优于另外两种算法。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种基于蜉蝣算法的配电网无功优化方法，其特征在于，包括以下步骤：
步骤S1:获取配电网系统原始数据，并初始化蜉蝣算法基本参数；
步骤S2:根据控制变量取值范围随机生成初始种群，将种群划分为雌性和雄性两类，并计算初始潮流和初始网损，从而获得各种群的适应度值；
步骤S3:根据Levy飞行和随机惯性权重系数分别更新雌蜉蝣的速度与位置,将更新后的位置代入潮流计算程序中获得新适应度值，新适应度值优于个体最优则更新个体最优；
步骤S4:根据Levy飞行和随机惯性权重系数分别更新雄蜉蝣的速度与位置，通过潮流计算程序获得雄蜉蝣的新适应度，若优于个体最优则更新个体最优，同时与全局最优比较，若优于全局最优则更新全局最优；
步骤S5:分别对雌雄个体按照适应度由优到差进行排列，同等级的雌雄个体进行交配操作以产生子代蜉蝣；
步骤S6:对子代蜉蝣进行变异操作；
步骤S7:对空间中所有的蜉蝣个体按照适应度值进行排序，筛选出与初始种群数量相同的优秀个体。
步骤S8：判断是否达到迭代结束条件，满足则退出循环并输出最优解,得到最优优化方案，否则返回步骤3。
2.根据权利要求1所述的基于蜉蝣算法的配电网无功优化方法，其特征在于，所述原始数据包括节点信息和支路信息。
3.根据权利要求1所述的基于蜉蝣算法的配电网无功优化方法，其特征在于，所述步骤S3具体为：
根据结合Levy飞行和随机惯性权重系数的式(1)和式(3)分别更新雌蜉蝣的速度与位置；同时将更新后的位置代入潮流计算程序中获得新适应度值，新适应度值优于个体最优则更新个体最优
Figure FDA0003465970830000021
其中，
Figure FDA0003465970830000022
为第i个雌性蜉蝣在第n次迭代中的第j维度上的速度；
Figure FDA0003465970830000023
为第i个雌性蜉蝣在第n次迭代中的第j维度上的位置；gbestj代表第j维上全局的最佳位置；a2是一个正吸引系数；rmf代表雌性蜉蝣与对应的雄性蜉蝣欧式距离；β为蜉蝣的固定能见度系数，用以限制蜉蝣的能见范围；Levy(λ)表示跳跃步长服从Levy分布的随机搜索向量；
Figure FDA0003465970830000024
代表矢量运算；g为惯性权重系数，满足式(2)
g＝gmin+(gmax-gmin)*rand()+σ*randn() (2)
其中，gmin、gmax分别为惯性权重系数的最小值与最大值；rand()为(0,1)内均匀分布的随机数；randn()为正态分布的随机数；σ为方差，表示g与其数学期望的偏差程度；
Figure FDA0003465970830000025
其中，
Figure FDA0003465970830000031
为第i个雌蜉蝣在第n+1次迭代中的第j维度上的位置。
4.根据权利要求1所述的基于蜉蝣算法的配电网无功优化方法，其特征在于，所述步骤S4具体为：根据与Levy飞行和随机惯性权重系数相结合的式(4)和式(5)分别更新雄蜉蝣的速度与位置；通过潮流计算程序获得雄蜉蝣的新适应度，若优于个体最优则更新个体最优，同时与全局最优比较，若优于全局最优则更新全局最优；
Figure FDA0003465970830000032
其中，
Figure FDA0003465970830000033
为第i个雄蜉蝣在第n次迭代中的第j维度上的速度，
Figure FDA0003465970830000034
为第i个雄蜉蝣在第n次迭代中的第j维度上的位置，a1代表个体认知成分的大小，a2代表社会认知成分的大小，pbestij代表第i个雄蜉蝣在第j维上到过的最佳位置；
Figure FDA0003465970830000035
其中，
Figure FDA0003465970830000036
为第i个蜉蝣在第n+1次迭代中的第j维度上的位置。
5.根据权利要求1所述的基于蜉蝣算法的配电网无功优化方法，其特征在于，所述步骤S5具体为：分别对雌雄个体按照适应度由优到差进行排列，同等级的雌雄个体按照式(6)和式(7)进行交配操作以产生子代蜉蝣
offspring1＝L*xm+(1-L)xfm (6)
offspring1＝L*xfm+(1-L)xm (7)
其中，L为随机数，取值范围为(0，1)；xm、xfm分别为雄性个体与雌性个体。
6.根据权利要求1所述的基于蜉蝣算法的配电网无功优化方法，其特征在于，所述步骤S6具体为：根据式(8)对部分子代蜉蝣进行变异操作。
offspringn＝offspringn+σN(0,1) (8)
其中，σ为正态分布的标准差，N(0,1)是平均值为0，方差为1的标准正态分布。
CN202210029993.XA 2022-01-12 2022-01-12 基于蜉蝣算法的配电网无功优化方法 Pending CN114389277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210029993.XA CN114389277A (zh) 2022-01-12 2022-01-12 基于蜉蝣算法的配电网无功优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210029993.XA CN114389277A (zh) 2022-01-12 2022-01-12 基于蜉蝣算法的配电网无功优化方法

Publications (1)

Publication Number Publication Date
CN114389277A true CN114389277A (zh) 2022-04-22

Family

ID=81202269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210029993.XA Pending CN114389277A (zh) 2022-01-12 2022-01-12 基于蜉蝣算法的配电网无功优化方法

Country Status (1)

Country Link
CN (1) CN114389277A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115243273A (zh) * 2022-09-23 2022-10-25 昆明理工大学 一种无线传感器网络覆盖优化方法及装置、设备、介质
CN116345470A (zh) * 2023-05-31 2023-06-27 国网冀北电力有限公司 一种融合知识图谱的电力系统潮流优化方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104682405A (zh) * 2015-03-31 2015-06-03 福州大学 一种基于禁忌粒子群算法的配电网无功优化方法
CN105896565A (zh) * 2016-06-06 2016-08-24 南京工程学院 基于比重变异粒子群算法的配电网无功优化方法
CN105956706A (zh) * 2016-05-09 2016-09-21 苏州泛能电力科技有限公司 一种基于改进型人工蜂群算法的配电网无功优化方法
WO2018103294A1 (zh) * 2016-12-07 2018-06-14 东北大学 基于双鱼群算法的电力无功优化系统及方法
CN113241805A (zh) * 2021-06-11 2021-08-10 云南电网有限责任公司电力科学研究院 一种电网二次调频方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104682405A (zh) * 2015-03-31 2015-06-03 福州大学 一种基于禁忌粒子群算法的配电网无功优化方法
CN105956706A (zh) * 2016-05-09 2016-09-21 苏州泛能电力科技有限公司 一种基于改进型人工蜂群算法的配电网无功优化方法
CN105896565A (zh) * 2016-06-06 2016-08-24 南京工程学院 基于比重变异粒子群算法的配电网无功优化方法
WO2018103294A1 (zh) * 2016-12-07 2018-06-14 东北大学 基于双鱼群算法的电力无功优化系统及方法
CN113241805A (zh) * 2021-06-11 2021-08-10 云南电网有限责任公司电力科学研究院 一种电网二次调频方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜凤利;张宇;王慧;: "基于引导策略自适应粒子群算法的农村电网无功优化", 沈阳农业大学学报, no. 01, pages 122 - 128 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115243273A (zh) * 2022-09-23 2022-10-25 昆明理工大学 一种无线传感器网络覆盖优化方法及装置、设备、介质
CN115243273B (zh) * 2022-09-23 2023-03-24 昆明理工大学 一种无线传感器网络覆盖优化方法及装置、设备、介质
CN116345470A (zh) * 2023-05-31 2023-06-27 国网冀北电力有限公司 一种融合知识图谱的电力系统潮流优化方法及装置
CN116345470B (zh) * 2023-05-31 2023-08-08 国网冀北电力有限公司 一种融合知识图谱的电力系统潮流优化方法及装置

Similar Documents

Publication Publication Date Title
Bentley et al. Finding acceptable solutions in the pareto-optimal range using multiobjective genetic algorithms
CN114389277A (zh) 基于蜉蝣算法的配电网无功优化方法
CN111582748B (zh) 一种基于评估指标体系和组合权重的黑启动方案评估方法
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
Kumar et al. Optimal distribution network reconfiguration to improve the system performances using PSO with multiple-objectives
Al-Ammar et al. Optimal capacitor placement in radial distribution systems using a fuzzy-dragonfly method
Mohamed et al. Genetic-moth swarm algorithm for optimal placement and capacity of renewable DG sources in distribution systems
CN109103901B (zh) 一种基于dsica算法的电力系统多目标无功优化方法
CN112202168A (zh) 多目标协调优化的多元电网超前控制供电方法及其系统
Sahu et al. A fast and scalable genetic algorithm-based approach for planning of microgrids in distribution networks
Nagaballi et al. A hybrid fuzzy and PSO based optimum placement and sizing of DG in radial distribution system
CN108695854B (zh) 一种用于电网多目标最优潮流控制方法、装置及设备
Rahiminejad et al. Shuffled frog leaping algorithm optimization for AC--DC optimal power flow dispatch
CN110955971A (zh) 基于改进遗传算法的电力弹簧优化配置方法
Lotfi et al. Simultaneous placement of capacitor and DG in distribution networks using particle swarm optimization algorithm
CN114792981A (zh) 一种基于lssvm负荷预测的电力系统无功优化方法及终端
CN110137969B (zh) 一种基于协同进化求解电力系统多目标最优潮流的方法
Alawode Kehinde et al. Multiobjective optimal power flow using hybrid evolutionary algorithm
CN117081079A (zh) 一种upfc多目标优化配置模型
Chang et al. Optimal planning of PV-DG units in a distribution system by biogeography-based optimization
Shri et al. Chaotic theory incorporated with PSO algorithm for solving optimal reactive power dispatch problem of power system
CN113807022B (zh) 基于鸽群算法和bp费用预测网络的有功调度求解方法
Kabir et al. Optimal Conductor Selection in Radial Distribution Network Using Bat and Genetic Algorithm.
Ghole et al. Optimal Placement of Distributed Generator using BFPSO
Jawad et al. Distributed Generation Integration Based on Optimization Techniques for Cost Minimization and Improve Networks Characteristics

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