本文選題：無功優(yōu)化 + 粒子群算法　； 參考：《東北大學(xué)》2014年碩士論文

【摘要】：電力系統(tǒng)無功優(yōu)化是典型的非線性優(yōu)化問題,具有多約束、多變量、離散性等特點,在利用目前的優(yōu)化方法求解時存在很多問題,例如難以找到全局最優(yōu)、求解時間長、求解精度低等。因此我們有必要研究新的方法或者新的改進(jìn)策略。以粒子群算法為代表的群智能算法是求解無功優(yōu)化這類復(fù)雜非線性優(yōu)化問題的有力工具,但粒子群算法是一種相對新的優(yōu)化技術(shù),在理論分析和應(yīng)用研究等方面還處于初級階段,有很多問題值得研究,例如如何提升算法跳出局部最優(yōu)解的能力,如何提升算法求解高維度、復(fù)雜、多峰問題的精度和速度。本文首先針對標(biāo)準(zhǔn)粒子群算法容易陷入局部最優(yōu)解的缺陷進(jìn)行改進(jìn),提出了兩種改進(jìn)策略——包含精英權(quán)重的全面學(xué)習(xí)策略和錦標(biāo)賽鄰域拓?fù)涓倪M(jìn)策略,并將兩種改進(jìn)策略與標(biāo)準(zhǔn)粒子群算法相結(jié)合,形成改進(jìn)的粒子群算法并將其運用到了電力系統(tǒng)無功優(yōu)化領(lǐng)域。然后本文進(jìn)一步研究大規(guī)模復(fù)雜電力網(wǎng)絡(luò)無功優(yōu)化的模型及求解方法,在改進(jìn)粒子群算法的基礎(chǔ)上提出了基于協(xié)同進(jìn)化理論框架的大規(guī)模復(fù)雜電力網(wǎng)絡(luò)無功優(yōu)化的求解方法——分布協(xié)作粒子群算法,在電網(wǎng)分區(qū)的基礎(chǔ)之上,以一種分布協(xié)作的方式處理復(fù)雜系統(tǒng)的無功優(yōu)化問題。相比傳統(tǒng)的集中式的優(yōu)化計算方式,該方法不僅能夠降低問題的復(fù)雜程度,加快算法的計算速度,而且能處理各分區(qū)無功調(diào)節(jié)設(shè)備的協(xié)調(diào)配合問題,有利于實現(xiàn)電力系統(tǒng)綜合無功電壓控制。最后,本文將理論研究成果應(yīng)用到某市分散式風(fēng)電項目之中。在對項目調(diào)研的基礎(chǔ)上,設(shè)計了一套綜合無功電壓控制系統(tǒng),并利用分布協(xié)作粒子群算法完成其中的無功優(yōu)化部分。通過對比引入綜合無功電壓控制系統(tǒng)前后風(fēng)電場無功電壓調(diào)節(jié)設(shè)備的動作次數(shù)、網(wǎng)損大小及優(yōu)化計算的時間等關(guān)鍵指標(biāo),可以看出本文設(shè)計的基于分布協(xié)作粒子群算法的綜合無功電壓控制系統(tǒng)相比傳統(tǒng)各風(fēng)電場單獨優(yōu)化控制和集中式的優(yōu)化計算方式有很大的優(yōu)越性。
[Abstract]:Reactive power optimization in power system is a typical nonlinear optimization problem, which has the characteristics of multi-constraint, multi-variable, discreteness and so on. There are many problems in solving the problem by using the current optimization methods, such as the difficulty to find the global optimum and the long time to solve the problem. The accuracy of the solution is low. Therefore, we need to study new methods or new improvement strategies. The swarm intelligence algorithm, represented by particle swarm optimization, is a powerful tool for solving complex nonlinear optimization problems such as reactive power optimization, but particle swarm optimization is a relatively new optimization technique. The theoretical analysis and application research are still in the primary stage, there are many problems worth studying, such as how to improve the ability of the algorithm to jump out of the local optimal solution, how to improve the accuracy and speed of the algorithm to solve high-dimensional, complex and multi-peak problems. In this paper, we first improve the standard particle swarm optimization (PSO) algorithm because it is easy to fall into the local optimal solution, and propose two improved strategies: a comprehensive learning strategy with elite weights and a tournament neighborhood topology improvement strategy. Two improved strategies are combined with the standard particle swarm optimization algorithm to form the improved particle swarm optimization algorithm and apply it to the field of reactive power optimization in power system. Then this paper further studies the reactive power optimization model and solution method of large-scale complex power network. Based on the improved particle swarm optimization (PSO) algorithm, a new method of reactive power optimization for large-scale complex power networks based on co-evolution theory is proposed, which is distributed cooperative particle swarm optimization (DCPSO), which is based on the partition of power network. Reactive power optimization of complex systems is dealt with in a distributed and cooperative way. Compared with the traditional centralized optimization method, this method can not only reduce the complexity of the problem and speed up the calculation of the algorithm, but also can deal with the coordination problem of reactive power regulation equipment in different districts. It is propitious to realize the integrated reactive power and voltage control of power system. Finally, this paper applies the theoretical research results to a decentralized wind power project in a certain city. Based on the research of the project, a set of integrated reactive power and voltage control system is designed, and the reactive power optimization part is completed by using distributed cooperative particle swarm optimization algorithm. By comparing the operation times of reactive power and voltage regulating equipment, the network loss and the time of optimization calculation before and after the introduction of integrated reactive power and voltage control system, and so on, the key indexes of wind farm reactive power and voltage regulation equipment are compared. It can be seen that the integrated reactive power and voltage control system designed in this paper based on distributed cooperative particle swarm optimization algorithm has great superiority compared with the traditional wind farm single optimal control and centralized optimal calculation method.
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TM714.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 全芙蓉;;粒子群算法的理論分析與研究[J];硅谷;2010年23期

2 吳軍;李為吉;;改進(jìn)的粒子群算法及在結(jié)構(gòu)優(yōu)化中的應(yīng)用[J];陜西理工學(xué)院學(xué)報(自然科學(xué)版);2006年04期

3 段海濤;劉永忠;馮霄;;水系統(tǒng)優(yōu)化的粒子群算法分析[J];華北電力大學(xué)學(xué)報(自然科學(xué)版);2007年02期

4 王偉;;混合粒子群算法及其優(yōu)化效率評價[J];中國水運(學(xué)術(shù)版);2007年06期

5 付宜利;封海波;孫建勛;李榮;馬玉林;;機(jī)電產(chǎn)品管路自動敷設(shè)的粒子群算法[J];機(jī)械工程學(xué)報;2007年11期

6 蔣榮華;王厚軍;龍兵;;基于離散粒子群算法的測試選擇[J];電子測量與儀器學(xué)報;2008年02期

7 周苗;陳義保;劉加光;;一種新的協(xié)同多目標(biāo)粒子群算法[J];山東理工大學(xué)學(xué)報(自然科學(xué)版);2008年05期

8 姚峰;楊衛(wèi)東;張明;;改進(jìn)粒子群算法及其在熱連軋負(fù)荷分配中的應(yīng)用[J];北京科技大學(xué)學(xué)報;2009年08期

9 張大興;賈建援;張愛梅;郭永獻(xiàn);;基于粒子群算法的三軸跟瞄裝置跟蹤策略研究[J];儀器儀表學(xué)報;2009年09期

10 王麗萍;江波;邱飛岳;;基于決策偏好的多目標(biāo)粒子群算法及其應(yīng)用[J];計算機(jī)集成制造系統(tǒng);2010年01期

相關(guān)會議論文 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年全國天線年會論文集（上）[C];2009年

3 陳龍祥;蔡國平;;基于粒子群算法的時滯動力學(xué)系統(tǒng)的時滯辨識[A];第十二屆全國非線性振動暨第九屆全國非線性動力學(xué)和運動穩(wěn)定性學(xué)術(shù)會議論文集[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)計中的應(yīng)用[A];第十一屆全國膨脹節(jié)學(xué)術(shù)會議膨脹節(jié)設(shè)計、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)會大壩安全監(jiān)測專委會年會暨學(xué)術(shù)交流會論文集[C];2012年

8 熊偉麗;徐保國;;單個粒子收斂中心隨機(jī)攝動的粒子群算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（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策[A];第十二屆中國管理科學(xué)學(xué)術(shù)年會論文集[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 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調(diào)度問題研究[D];浙江工業(yè)大學(xué);2014年

7 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

8 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

9 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

10 馮琳;改進(jìn)多目標(biāo)粒子群算法的研究及其在電弧爐供電曲線優(yōu)化中的應(yīng)用[D];東北大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 張忠偉;結(jié)構(gòu)優(yōu)化中粒子群算法的研究與應(yīng)用[D];大連理工大學(xué);2009年

2 李強(qiáng);基于改進(jìn)粒子群算法的艾薩爐配料優(yōu)化[D];昆明理工大學(xué);2015年

3 付曉艷;基于粒子群算法的自調(diào)節(jié)隸屬函數(shù)模糊控制器設(shè)計[D];河北聯(lián)合大學(xué);2014年

4 余漢森;粒子群算法的自適應(yīng)變異研究[D];南京信息工程大學(xué);2015年

5 梁計鋒;基于改進(jìn)粒子群算法的交通控制算法研究[D];長安大學(xué);2015年

6 楊偉;基于粒子群算法的氧樂果合成過程建模研究[D];鄭州大學(xué);2015年

7 李程;基于粒子群算法的AS/RS優(yōu)化調(diào)度方法研究[D];陜西科技大學(xué);2015年

8 樊偉健;基于混合混沌粒子群算法求解變循環(huán)發(fā)動機(jī)數(shù)學(xué)模型問題[D];山東大學(xué);2015年

9 陳百霞;考慮風(fēng)電場并網(wǎng)的電力系統(tǒng)無功優(yōu)化[D];山東大學(xué);2015年

10 戴玉倩;基于混合動態(tài)粒子群算法的軟件測試數(shù)據(jù)自動生成研究[D];江西理工大學(xué);2015年

，

本文編號：2067926