本文選題：無功優(yōu)化 + 粒子群算法��； 參考：《大連海事大學(xué)》2014年碩士論文

【摘要】：電力系統(tǒng)無功功率的合理分布是保證電壓質(zhì)量和降低網(wǎng)損的前提,對(duì)整個(gè)電力系統(tǒng)的安全穩(wěn)定和經(jīng)濟(jì)運(yùn)行有著重要的意義。無功優(yōu)化是一個(gè)含有連續(xù)變量和離散變量的混合優(yōu)化問題,具有多約束,非線性,高維度的特點(diǎn)。傳統(tǒng)的優(yōu)化算法將模型做了近似處理,離散變量連續(xù)化,導(dǎo)致有一定的誤差,且求解復(fù)雜,計(jì)算效率降低。近年來,智能算法憑借其簡單易行,魯棒性強(qiáng)等特點(diǎn)得到了廣泛的關(guān)注和研究,在電力系統(tǒng)無功優(yōu)化方面也得到了應(yīng)用。 粒子群算法(PSO)是眾多智能算法中性能較為優(yōu)越的一種,具有收斂速度快,優(yōu)化結(jié)果精度高和容易實(shí)現(xiàn)等優(yōu)勢(shì)。但基本粒子群算法在處理無功優(yōu)化這類多維多峰的實(shí)際問題時(shí),易陷入早熟,收斂速度和精度往往無法保證,可靠性不能保障。在此背景下,本論文針對(duì)無功優(yōu)化問題的特點(diǎn),以有功網(wǎng)損最小作為目標(biāo)函數(shù),在現(xiàn)有的粒子群算法基礎(chǔ)上加以改進(jìn)：首先,以線性遞減權(quán)重系數(shù)的粒子群算法為基礎(chǔ),提出自適應(yīng)權(quán)重系數(shù)的混沌粒子群算法(SAW-CPSO)。將線性遞減慣性權(quán)重改為自適應(yīng)慣性權(quán)重,引入混沌機(jī)制,用立方混沌對(duì)種群進(jìn)行初始化,增加收斂速度和種群多樣性,有效避免早熟。然后,對(duì)現(xiàn)有粒子群算法的拓?fù)浣Y(jié)構(gòu)進(jìn)行了介紹和分析,在環(huán)形(Ring)拓?fù)涞幕A(chǔ)上,提出了一種新的具有動(dòng)態(tài)拓?fù)浣Y(jié)構(gòu)的粒子群算法(D-PSO)。該方法在初始階段采用聚類方法將粒子群分簇,加快收斂速度；在迭代過程中,根據(jù)各粒子簇的收斂情況引入鄰居動(dòng)態(tài)調(diào)整機(jī)制；在迭代后期,形成一個(gè)環(huán)形(Ring)拓?fù)?以提高算法全局搜索能力和收斂精度。 最后,在Matlab軟件平臺(tái)下,分別將所提出的兩種算法在無功優(yōu)化問題上進(jìn)行了應(yīng)用,采用IEEE14, IEEE30節(jié)點(diǎn)的算例,并與其他粒子群算法進(jìn)行了比較。優(yōu)化結(jié)果證明所提出的方法在處理電力系統(tǒng)無功優(yōu)化問題時(shí)具有可行性及有效性。
[Abstract]:The rational distribution of reactive power in power system is the premise to guarantee voltage quality and reduce network loss, which is of great significance to the safety, stability and economic operation of the whole power system. Reactive power optimization is a hybrid optimization problem with continuous and discrete variables, which has the characteristics of multi-constraint, nonlinear and high-dimensional. The traditional optimization algorithm approximates the model, and the discrete variables are continuous, which leads to some errors, complex solution and low computational efficiency. In recent years, due to its simplicity and robustness, intelligent algorithm has been widely studied and applied in reactive power optimization of power system. Particle Swarm Optimization (PSO) is one of the most intelligent algorithms, which has the advantages of fast convergence, high precision and easy implementation. But the basic particle swarm optimization algorithm is easy to fall into premature convergence speed and precision and reliability can not be guaranteed when dealing with the practical problems of multi-dimensional and multi-peak reactive power optimization. Under this background, aiming at the characteristics of reactive power optimization problem, this paper takes the minimum active power loss as the objective function and improves on the existing particle swarm optimization algorithm. Firstly, it is based on the particle swarm optimization algorithm with linear decreasing weight coefficient. An adaptive weight coefficient chaotic particle swarm optimization algorithm (SAW-CPSO) is proposed. The linear decreasing inertia weight is changed into adaptive inertia weight and chaotic mechanism is introduced to initialize the population with cubic chaos to increase the convergence speed and diversity of the population and to avoid precocity effectively. Then, the topological structure of the existing particle swarm optimization algorithm is introduced and analyzed. Based on the ring topology, a new particle swarm optimization algorithm with dynamic topology is proposed. In the initial stage, the clustering method is used to cluster the particle swarm to accelerate the convergence rate; in the iterative process, the neighbor dynamic adjustment mechanism is introduced according to the convergence of each cluster; in the later stage of the iteration, a ring topology is formed. In order to improve the global search ability and convergence accuracy of the algorithm. Finally, the two algorithms are applied to the reactive power optimization problem on the Matlab software platform. The examples of IEEE 14 and IEEE30 nodes are used and compared with other particle swarm optimization algorithms. The optimization results show that the proposed method is feasible and effective in dealing with reactive power optimization problems in power systems.
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TM714.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王希云;劉瑞芳;;混沌粒子群算法及其在桁架結(jié)構(gòu)優(yōu)化設(shè)計(jì)中的應(yīng)用[J];太原科技大學(xué)學(xué)報(bào);2006年06期

2 常伯濤;范穎;趙書強(qiáng);馬燕峰;楊建華;;基于改進(jìn)粒子群算法的輸電網(wǎng)擴(kuò)展規(guī)劃[J];華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

3 張亮;呂林;;利用粒子群算法解決電網(wǎng)優(yōu)化購入電量[J];電力系統(tǒng)保護(hù)與控制;2009年22期

4 劉志雄;嚴(yán)新平;趙潤軍;;置換流水車間調(diào)度粒子群算法與參數(shù)設(shè)置分析[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2010年06期

5 張?zhí)戽?汪清;何開鋒;;粒子群算法在氣動(dòng)力參數(shù)辨識(shí)中的應(yīng)用[J];空氣動(dòng)力學(xué)學(xué)報(bào);2010年06期

6 喬佩利;馬麗麗;鄭林;;基于改進(jìn)粒子群算法的車間作業(yè)調(diào)度問題研究[J];哈爾濱理工大學(xué)學(xué)報(bào);2011年02期

7 田雨波;彭濤;沙莎;;基于微分進(jìn)化算子和混沌擾動(dòng)的量子粒子群算法[J];江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

8 侯磊;;基于多目標(biāo)粒子群算法的船舶主尺度優(yōu)化設(shè)計(jì)研究[J];船舶力學(xué);2011年07期

9 趙菲;焦彥軍;;基于粒子群算法的輸電線路參數(shù)辨識(shí)[J];陜西電力;2011年09期

10 余羅兼;李濟(jì)澤;;一種改進(jìn)粒子群算法的移動(dòng)機(jī)器人路徑規(guī)劃[J];機(jī)電技術(shù);2011年05期

相關(guān)會(huì)議論文 前10條

1 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[A];中國科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會(huì)論文集(上)[C];2012年

2 陳定;何炳發(fā);;一種新的二進(jìn)制粒子群算法在稀疏陣列綜合中的應(yīng)用[A];2009年全國天線年會(huì)論文集（上）[C];2009年

3 陳龍祥;蔡國平;;基于粒子群算法的時(shí)滯動(dòng)力學(xué)系統(tǒng)的時(shí)滯辨識(shí)[A];第十二屆全國非線性振動(dòng)暨第九屆全國非線性動(dòng)力學(xué)和運(yùn)動(dòng)穩(wěn)定性學(xué)術(shù)會(huì)議論文集[C];2009年

4 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設(shè)計(jì)中的應(yīng)用[A];第十一屆全國膨脹節(jié)學(xué)術(shù)會(huì)議膨脹節(jié)設(shè)計(jì)、制造和應(yīng)用技術(shù)論文選集[C];2010年

5 劉卓倩;顧幸生;;一種基于信息熵的改進(jìn)粒子群算法[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文選編[C];2005年

6 熊偉麗;徐保國;;粒子群算法在支持向量機(jī)參數(shù)選擇優(yōu)化中的應(yīng)用研究[A];2007中國控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

7 方衛(wèi)華;徐蘭玉;陳允平;;改進(jìn)粒子群算法在大壩力學(xué)參數(shù)分區(qū)反演中的應(yīng)用[A];2012年中國水力發(fā)電工程學(xué)會(huì)大壩安全監(jiān)測(cè)專委會(huì)年會(huì)暨學(xué)術(shù)交流會(huì)論文集[C];2012年

8 熊偉麗;徐保國;;單個(gè)粒子收斂中心隨機(jī)攝動(dòng)的粒子群算法[A];2009年中國智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

9 馬向陽;陳琦;;以粒子群算法求解買賣雙方存貨主從對(duì)策[A];第十二屆中國管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2010年

10 趙磊;;基于粒子群算法求解多目標(biāo)函數(shù)優(yōu)化問題[A];第二十一屆中國（天津）’2007IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 王芳;粒子群算法的研究[D];西南大學(xué);2006年

2 安鎮(zhèn)宙;家庭粒子群算法及其奇偶性與收斂性分析[D];云南大學(xué);2012年

3 劉建華;粒子群算法的基本理論及其改進(jìn)研究[D];中南大學(xué);2009年

4 黃平;粒子群算法改進(jìn)及其在電力系統(tǒng)的應(yīng)用[D];華南理工大學(xué);2012年

5 胡成玉;面向動(dòng)態(tài)環(huán)境的粒子群算法研究[D];華中科技大學(xué);2010年

6 張寶;粒子群算法及其在衛(wèi)星艙布局中的應(yīng)用研究[D];大連理工大學(xué);2007年

7 劉宏達(dá);粒子群算法的研究及其在船舶工程中的應(yīng)用[D];哈爾濱工程大學(xué);2008年

8 楊輕云;約束滿足問題與調(diào)度問題中離散粒子群算法研究[D];吉林大學(xué);2006年

9 雷開友;粒子群算法及其應(yīng)用研究[D];西南大學(xué);2006年

10 秦全德;粒子群算法研究及應(yīng)用[D];華南理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 張?zhí)m;量子粒子群算法及其應(yīng)用[D];西北大學(xué);2010年

2 隨聰慧;粒子群算法的改進(jìn)方法研究[D];西南交通大學(xué);2010年

3 董銀麗;一種新的交叉粒子群算法及其應(yīng)用[D];西安電子科技大學(xué);2006年

4 馬楠楠;基于粒子群算法的化工過程優(yōu)化及其應(yīng)用[D];北京化工大學(xué);2008年

5 徐青鶴;改進(jìn)粒子群算法及其應(yīng)用研究[D];杭州電子科技大學(xué);2009年

6 郭香軍;粒子群算法的改進(jìn)研究[D];燕山大學(xué);2012年

7 鐘帥;基于粒子群算法的微博用戶影響力研究[D];華中科技大學(xué);2012年

8 方群;多目標(biāo)拆卸線平衡問題的改進(jìn)粒子群算法研究[D];西南交通大學(xué);2014年

9 朱偉豐;改進(jìn)粒子群算法最優(yōu)路徑的研究[D];重慶師范大學(xué);2014年

10 孟令群;混沌粒子群算法在河流水質(zhì)模型參數(shù)識(shí)別中的應(yīng)用[D];長安大學(xué);2009年

，

本文編號(hào)：1952041