学位论文 > 优秀研究生学位论文题录展示

基于改进粒子群算法的无功优化

作　者: 姚楠
导　师: 吴建华
学　校: 东北大学
专　业: 电工理论与新技术
关键词: 粒子群优化算法 改进粒子群算法 动态惯性因子 无功优化
分类号: TP301.6
类　型: 硕士论文
年　份: 2009年
下　载: 59次
引　用: 1次
阅　读: 论文下载
 

内容摘要


电力系统无功优化以满足系统负荷要求和各种运行约束为前提,主要目的是提高电压稳定性和降低网损。电力系统无功优化问题是一个多变量、多约束、非线性的规划问题,而且它的控制变量中既有离散变量又有连续变量,这使得无功优化问题非常复杂,采用常规方法通常难以求解。针对无功优化问题的上述特点,本文采用粒子群优化(Particle Swarm Optimization, PSO)算法对该问题进行求解。粒子群优化算法是一种简便易行,收敛快速的基于群体智能的演化计算方法,但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这个缺点,本文运用种群聚集度指数定义函数来动态调节惯性因子,提高收敛精度,避免陷入局部极值。在处理种群聚集度指数越限问题时,对更新越限群体的方法进行改进。根据每次迭代后粒子群体的静态分布规律,采用正态分布函数来重新定义越限群体,使种群聚集度指数符合约束条件,从而实现惯性因子的动态调节。基于以上方法可以改善标准粒子群优化算法的性能。将改进后的粒子群优化(Modified Particle Swarm Optimization, MPSO)算法应用于经典的测试函数,结果表明其全局收敛性能及收敛精度均较PSO有了较大的提高。将MPSO算法应用于电力系统无功优化中典型的IEEE6, IEEE 14, IEEE30节点系统,进行了仿真计算,综合考虑发电机机端电压、无功补偿点补偿无功、可调变压器变比等各种影响无功潮流的因素,在满足电压和无功出力约束条件下以系统有功网损最小为目标,针对不同系统的特点和要求通过仿真实验确定不同的参数,取得了较为满意的效果。与标准PSO算法作了比较,结果表明本文的MPSO算法收敛性能和系统针对性较PSO算法有了较大提高。

全文目录


摘要  5-6
Abstract  6-11
第1章 绪论  11-27
  1.1 课题背景及意义  11-14
    1.1.1 无功优化的背景  11-13
    1.1.2 无功优化的相关概念  13-14
    1.1.3 无功优化研究的意义和可行性  14
  1.2 无功优化算法的国内外研究现状  14-21
    1.2.1 传统优化算法  15-17
    1.2.2 现代优化算法  17-21
  1.3 粒子群优化算法在电力系统中的应用和前景  21-24
    1.3.1 粒子群优化算法的应用  21-23
    1.3.2 粒子群优化算法的前景  23-24
  1.4 本文的主要工作  24-27
第2章 改进的粒子群优化算法(MPSO)  27-45
  2.1 标准粒子群优化算法  27-36
    2.1.1 算法的起源  27-28
    2.1.2 算法介绍  28-32
    2.1.3 算法实现的流程  32-34
    2.1.4 与其他智能算法比较  34
    2.1.5 算法的几种改进方法  34-36
  2.2 改进的粒子群优化算法(MPSO)  36-41
    2.2.1 种群聚集度指数  37-38
    2.2.2 采用分布函数更新粒子  38-39
    2.2.3 动态惯性因子  39-40
    2.2.4 最佳参数组  40-41
  2.3 算法测试  41-44
    2.3.1 测试函数  41-42
    2.3.2 测试条件  42
    2.3.3 测试结果仿真分析  42-44
  2.4 本章小结  44-45
第3章 基于改进粒子群优化算法的电力系统无功优化  45-57
  3.1 电力系统无功优化的数学模型  45-49
    3.1.1 目标函数  45-46
    3.1.2 离散变量的处理  46-47
    3.1.3 无功优化的约束条件  47-49
    3.1.4 约束条件的处理  49
  3.2 基于改进粒子群优化算法的无功优化  49-56
    3.2.1 粒子编码方案  49-50
    3.2.2 判敛准则  50-51
    3.2.3 程序设计的基本思想  51-56
  3.3 本章小结  56-57
第4章 算例分析  57-69
  4.1 IEEE-6节点系统算例分析  57-60
    4.1.1 IEEE-6节点系统的数据  57-58
    4.1.2 无功优化后结果  58-59
    4.1.3 优化前后结果比较  59-60
  4.2 IEEE-14节点系统算例分析  60-62
    4.2.1 IEEE-14节点系统的数据  60-61
    4.2.2 无功优化后结果  61-62
    4.2.3 优化前后结果比较  62
  4.3 IEEE-30节点系统算例分析  62-66
    4.3.1 IEEE-30节点系统的数据  62-63
    4.3.2 无功优化后结果  63
    4.3.3 优化前后结果比较  63-66
  4.4 本章小结  66-69
第5章 结论  69-71
  5.1 总结  69
  5.2 展望  69-71
参考文献  71-77
致谢  77-79
攻读硕士期间发表的论文  79

相似论文

  1. 内点法在大型电力系统无功优化中的应用研究,TM714.3
  2. 基于粒子群算法求曲线/曲面间最小距离方法,O182
  3. 融合粒子群和蛙跳算法的模糊C-均值聚类算法研究,TP18
  4. 基于免疫机制蚁群算法的电力系统无功优化研究,TP18
  5. 基于控制方法的粒子群算法改进及应用研究,TP301.6
  6. 基于RFID监狱智能管理系统研究与实现,TP315
  7. 复杂动态环境下的小型足球机器人路径规划研究,TP242
  8. 基于智能算法的二维下料问题的研究,TP301.6
  9. 爆炸搜索算法研究,TP301.6
  10. 文化智能优化算法及其在约束优化问题中的应用研究,O224
  11. 电力系统无功优化的混合算法研究,TM714.3
  12. 心电信号时间不可逆性分析和胎儿心电信号提取方法研究,TN911.7
  13. 宁波电网无功优化及电压控制研究,TM714.3
  14. 面向股票价格指数多步预测的混合模型研究,F224
  15. 基于粒子群优化算法的水箱过程装置控制研究,TP18
  16. 变电站无功电压优化控制策略研究与实现,TM761.1
  17. 智能支持向量机方法及其在丙烯聚合熔融指数预报中的应用,TQ325.14
  18. 基于粒子群遗传混合算法的配电网重构研究,TM732
  19. 基于粒子群算法的电力变压器主绝缘设计,TM41
  20. 基于TD-SCDMA蜂窝网的无线定位技术研究,TN929.5
  21. 基于粒子群优化算法的多机器人编队控制技术,TP242

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 一般性问题 > 理论、方法 > 算法理论
© 2012 www.xueweilunwen.com