学位论文 > 优秀研究生学位论文题录展示
改进粒子群算法在电力系统无功优化中的应用
作 者: 武鲁晓
导 师: 张明军
学 校: 山东大学
专 业: 电工理论与新技术
关键词: 无功优化 分组变化的惯性权重 选择操作 扰动因子 改进粒子群算法
分类号: TM714.3
类 型: 硕士论文
年 份: 2012年
下 载: 295次
引 用: 0次
阅 读: 论文下载
内容摘要
在现代电力系统中,电能质量的好坏是确保整个系统安全稳定运行的关键,而电压质量则是衡量电能质量的一个重要指标。无功功率是影响电压质量的重要因素,因此需要对系统进行合理的无功规划。合理的无功优化,不仅能够有效的改善整个电网的无功分布,而且还能降低系统的有功损耗。电力系统无功优化问题是一个非常复杂的非线性规划问题,它包含有多个变量和多种约束,而且变量中连续变量和离散变量共存,需要选取合适的解决方法。而约束中的等式约束即潮流方程是一个非凸的高阶方程组,同样包含有多个变量和约束,如果采用一般的数学方法求解起来相当困难,这就需要选取合理的计算方法进行求解。在进行无功优化时,同样需要选择适当的优化算法,综合分析各种传统优化算法和人工智能算法的特点后,选取合适的算法作为优化方法。基于无功优化的特点,本文选用粒子群算法作为优化的方法,利用P-Q分解法进行潮流计算,选取了以有功网损最小为目标函数并结合罚函数的模型。详细介绍了粒子群算法的基本原理和实现流程,陈述了粒子群算法的各种改进措施,本文针对粒子群算法早熟、容易陷入局部最优等缺点进行了相应的改进,采用了分组变化的惯性权重,即将种群分为大小两组,大组采用典型的线性递减策略,小组采用基于反正切函数的非线性递减策略;加速因子选用了线性策略即c1线性递减,c2线性递增;同时结合遗传算法中的选择操作,通过这些改进措施,有效的提高了算法的性能,使算法能及时跳出局部最优,迅速搜索到全局最优值的区域附近,收敛到全局最优值,为了弥补选择操作带来的种群多样性丧失的缺陷,本文加入了扰动因子,将各粒子的适应度函数值进行排序,对适应度函数值较好的大部分粒子添加很小的扰动因子,对适应度函数值较差的小部分粒子采取重新初始化操作,有效的解决了多样性丧失的问题。将改进后的粒子群算法(MPSO)应用在无功优化中,着重介绍了应用时需要解决的几个问题,离散变量的处理,适应度函数的确定,算法终止条件的判定,潮流计算方法的选取,对于离散变量,本文采用整数实数混合编码策略,这一策略具有无误差、求解精度高的优点。随后本文给出了基于改进粒子群算法的无功优化计算步骤和流程图。为了验证算法的有效性和适用性,本文最后将改进粒子群算法分别应用在IEEE-14和IEEE-30节点标准测试系统上,采用MATLAB语言进行编程仿真,并与标准粒子群算法(SPSO)进行了对比,通过分析比较仿真结果,验证了它的有效性,采用改进粒子群算法能够有效地降低了系统的有功网损,提高了系统的电压质量,相比于标准粒子群算法,改进粒子群算法具有更好的全局收敛性能和更快的收敛速度。
|
全文目录
摘要 10-12 ABSTRACT 12-15 第一章 绪论 15-26 1.1 课题的研究背景与意义 15-16 1.2 无功优化在国内外的发展及研究现状 16-25 1.2.1 无功优化的特点 16-17 1.2.2 无功优化研究的不同之处 17 1.2.3 传统的优化方法 17-21 1.2.4 人工智能算法 21-25 1.3 本文的主要研究工作 25-26 第二章 电力系统无功优化的数学模型 26-30 2.1 引言 26 2.2 无功优化的数学模型 26-27 2.3 本文选取的目标函数 27-28 2.4 无功优化中的约束条件 28-29 2.4.1 不等式约束 28-29 2.4.2 功率约束方程 29 2.5 小结 29-30 第三章 粒子群优化算法及改进粒子群算法 30-47 3.1 粒子群算法的起源 30 3.2 原始粒子群算法和标准粒子群算法 30-35 3.2.1 原始粒子群算法的基本原理 30-32 3.2.2 原始粒子群算法的实现流程 32-33 3.2.3 标准粒子群算法 33-34 3.2.4 粒子群算法的特点 34-35 3.3 粒子群算法的改进措施综述 35-40 3.3.1 惯性权重的改进 35-37 3.3.2 带收缩因子的粒子群算法 37-38 3.3.3 学习因子c1和c2的改进 38 3.3.4 其他参数的选择 38-39 3.3.5 粒子群算法与其他算法的结合 39-40 3.3.6 拓扑结构的改进 40 3.4 改进粒子群算法的提出 40-43 3.4.1 参数方面的改进 41 3.4.2 与遗传算法中的选择操作相结合 41-43 3.4.3 加入扰动因子 43 3.5 改进粒子群算法的操作流程 43-45 3.6 本章小结 45-47 第四章 改进粒子群算法应用于电力系统无功优化 47-56 4.1 引言 47 4.2 基于改进粒子群算法的无功优化中的几个环节 47-52 4.2.1 离散变量的处理 47-48 4.2.2 适应度函数的选取 48 4.2.3 收敛准则 48-49 4.2.4 无功优化中的潮流计算方法 49-52 4.3 改进粒子群算法的无功优化流程 52-55 4.4 本章小结 55-56 第五章 基于MATLAB下的算例仿真结果分析 56-71 5.1 引言 56 5.2 IEEE-14节点算例分析 56-63 5.2.1 IEEE-14节点测试系统数据 56 5.2.2 标准PSO算法和MPSO算法中的参数设置 56-60 5.2.3 仿真结果分析 60-63 5.3 IEEE-30节点算例分析 63-70 5.3.1 IEEE-30节点测试系统连接图 63-64 5.3.2 IEEE-30节点测试系统的各种数据 64-66 5.3.3 IEEE-30节点测试系统的仿真结果分析 66-70 5.4 本章小结 70-71 第六章 结论与展望 71-74 参考文献 74-79 致谢 79-80 学位论文评阅及答辩情况表 80
|
相似论文
- 内点法在大型电力系统无功优化中的应用研究,TM714.3
- 基于免疫机制蚁群算法的电力系统无功优化研究,TP18
- 基于改进粒子群算法的无功优化,TP301.6
- 动态无功补偿在油田变电站的应用研究,TM714.3
- 含分布式电源的配电网无功优化偿研究,TM714.3
- 基于改进遗传算法的配电网无功优化计算,TM744
- 电力系统无功优化的混合算法研究,TM714.3
- 青山湖区配网无功优化方案研究,TM714.3
- 宁波电网无功优化及电压控制研究,TM714.3
- 新农村电气化供电模式研究,TM714.3
- 企业电网无功优化及其风险评估,TM714
- 衢州电网无功电压优化控制系统,TM761.1
- 基于网络型自动化系统的地区电网无功优化研究,TM761.1
- 县级电网无功优化补偿计算及建设实践,TM744
- 变电站无功电压优化控制策略研究与实现,TM761.1
- 基于蚁群—粒子群混合算法的电力系统无功优化,TM714.3
- 基于层次聚类法和蚁群算法的电力系统无功优化,TM714.3
- 配电网无功优化方法的研究,TM714.3
- 基于改进遗传算法的电力系统无功优化的研究,TM714.3
- 佛山电网无功优化应用研究,TM714.3
- 地区电网无功优化的研究,TM714
中图分类: > 工业技术 > 电工技术 > 输配电工程、电力网及电力系统 > 理论与分析 > 负荷分析 > 系统中能量损失的降低及无功功率的补偿
© 2012 www.xueweilunwen.com
|