一、基于免疫遗传算法的无功优化研究（论文文献综述）
张田[1]（2021）在《基于混合智能算法的小水电配电网无功优化研究》文中研究说明小水电作为一种发展潜力巨大的新型清洁能源,它具有技术完善、经济效益好等优势。但是,现阶段的小水电发电还多见于边缘地区的供电系统,通常情况下会与10k V等母线进行直接并网操作。另一方面,小水电电网除了会随着季节以及地域等因素而发生变化以外,还存在供电半径长、导线截面积小等问题。综上,大量接入小水电会引起正常电网电压性能的稳定性下降。此外,小水电电网持续发电能力上的缺陷也势必加大电压输出稳定性控制的难度,导致电网系统的经济效益减少,因此,如何提高小水电电网系统的无功优化控制,从而稳定系统电压、降低网损,具有非常大的研究价值和应用价值。本文从小水电的发展状况以及国内外无功优化现状入手,介绍了目前主流的传统优化算法和人工智能算法的原理和优缺点。着重分析了小水电接入配电网带来的电压越限、无功分布不合理和线路损耗增加问题,提出构建基于小水电配电网的多目标无功优化数学模型,以网损最小为目标函数,电压偏移量与无功补偿量为罚函数。将包括发电机端电压在内的多个配电网参数作为控制变量,并介绍了配电网潮流计算方法。针对传统算法在求解小水电配电网无功优化、多目标问题上耗时长等问题,提出混合智能算法。重点阐述了遗传算法、多智能体算法的理论基础及主要特点,提出了基于多智能体和伪并行遗传算法的智能混合型求解算法。根据遗传算法的内在并行性和小水电站的特点,提出伪并行遗传算法。研究多智能体协同配合机制,针对多智能体自主、反应、社会等特点,将多智能体协作机制和网格环境引入到伪并行遗传算法中,增加了遗传算法跳出局部最优解的概率,在改进遗传算子的基础上引入了自学习算子,可使得系统传输数据量减小,增强系统多样性,从而能以较快速度收敛于全局最优解。本文基于MATLAB平台实现了算法的程序设计工作,分别采用辐射状IEEE 13标准节点和环状IEEE 30标准节点对含有小水电接入的配电网进行了仿真运算,将运算结果与传统的遗传算法以及多智能体遗传算法进行对比分析,结果表明本文所提出的算法在降低系统网损、提高电网电压质量等方面具有显着优势,而且大幅地提高了运算速度,具有更强的全局寻优能力。
刘欣雨[2]（2020）在《基于蚁群算法的配电网无功优化研究》文中研究表明电力系统中由于无功的不足和分布的不合理,产生了线路网损过高、电压水平偏低、电能质量差等问题。无功优化是保证系统安全、经济运行的有效手段,是提高电能质量的重要措施之一,因此如何利用和优化无功资源,进一步降低配网损耗,提高电压合格率,具有重要意义。根据是否考虑配电网负荷变化,无功优化问题可分为静态无功优化与动态无功优化两类。本文首先从静态无功优化入手,以获得投资收益最高作为无功优化的目标,同时兼顾系统经济性与安全性建立了静态无功优化目标函数,选取遗传算法与本文算法分别计算在负荷水平不变的情况下,所需安装无功补偿装置的最佳位置及补偿容量,并进行比较分析,验证了蚁群算法的可行性。引入某地区全年负荷实际数据,研究在负荷水平变化情况下的动态优化问题。由于负荷数据量庞大且负荷变化具有随机性和波动性的特点,采用场景分析技术将难以建模的复杂模型转化为易于求解的确定性模型,降低了建模和求解的难度,借助K-均值聚类算法以每日数据为聚类单元,对全年负荷变化数据进行聚类分析实现典型场景的构建,得到六个能够表征全年数据特征的典型时序场景和各个场景的概率,在考虑单一场景时,每个场景可以等效为静态。因此就以静态无功优化目标函数为基础得到动态无功优化的目标函数,运用蚁群算法求得负荷水平变化情况下所需安装的无功补偿装置最佳位置及补偿容量。最终,经IEEE-33节点系统仿真计算,结果表明:对比分别通过蚁群算法与遗传算法进行配电网静态无功优化计算,运用蚁群算法的优化结果综合运行费用减少、网络损耗减小、电压稳定度提高;将基于K-均值聚类和典型场景分析的动态无功优化与静态无功优化结果对比,可知动态优化更贴合负荷变化的实际情况、投资收益更高、需要补偿的节点数减少一倍、总补偿容量减少、总网损更小、电压也更稳定。
吴昊[3]（2020）在《基于混合编码遗传算法的多目标无功优化研究》文中认为合理分布供电系统中的无功功率是一种保证系统安全、可靠以及经济运行的前提条件,同时,合理的分布无功功率也可以有效的降低系统有功功率损耗以及提升电压质量。因此,本文为了提升当前供电系统的安全性、稳定性以及经济效益与运行效率,以减少电网有功功率网损和提升电压质量为优化目标,结合潮流计算P-Q分解法的相关特点,选取了遗传算法这种人工智能优化算法对电力系统中无功功率的分配进行优化计算,并在基本遗传算法的基础上对其进行了包括编码方式、初始种群生成以及选择、交叉和变异等步骤的改进,并用改进遗传算法对电力系统内各个控制变量进行合理配置,以达到减少供电系统有功网损和提升电压质量的目的。具体工作内容如下:（1）通过查阅关于电力系统无功优化的相关文献资料,并总结近年来电力系统无功优化运用的方法,以及常见的无功功率调整设备。在初步地了解了遗传算法相关原理和特性的相关知识后,根据本课题的需求结合无功优化实际情况和遗传算法的相关特性去选择合适的优化方案。（2）经过总结和学习前人在数学模型的建立方面的研究,建立了一个以减少供电系统有功网损和提升电压质量为目的的电力系统无功优化计算的数学模型,并列出相关的功率约束方程和变量约束方程等约束条件。（3）深入学习了遗传算法的相关知识,并在了解了基本遗传算法的原理和步骤后,分析了其优缺点,并在保留其优点的基础上,针对其缺点加以改进,使改进后的新型遗传算法更加适合解决电力系统无功优化的相关问题。（4）将传统的计算机求解潮流计算的极坐标牛顿-拉夫逊潮流计算方法优化为P-Q分解法后结合建立好的数学模型和改进后的新型遗传算法,利用MATLAB编制程序。（5）本文利用以上编译好的程序对三个IEEE理论系统进行仿真,并通过分析仿真结果表明优化过后的遗传算法相较于原始的遗传算法有更好的收敛速度和精度,且能很好解决无功优化的相关问题。为了研究经优化后的遗传算法在实际中的应用,对内蒙古薛家湾地区部分实际的线路进行了仿真实验,仿真结果表明优化后的遗传算法在实际线路中也可以很好地解决相关无功优化问题。
贾犇[4]（2020）在《基于负荷预测的多中心内点法配电网无功优化研究》文中认为随着经济的快速发展,用户对电能需求的量也越来越大,这对电力系统的稳定可靠提出了越来越高的要求。为了维持电力系统的稳定可靠运行,需对电力系统调节,动态无功优化作为一种有效的手段得到越来越受到重视,另一方面,电力系统负荷预测是动态无功优化的一个基础,其预测的准确与否直接关系到电力系统动态无功优化的效果。基于此,本文对配电网的无功优化展开研究,提出了基于负荷预测的多中心内点法的配电网动态无功优化方法,具体的研究内容如下:首先,本文对研究内容的相关背景及研究的意义进行介绍;然后分别介绍了国内外的短期负荷预测技术和国内外的静态无功优化技术和动态无功优化技术的研究情况。另外对预测算法在短期负荷预测中的应用做了相关的基本介绍。其次,本文介绍了时间序列算法和支持向量机（SVM）算法这两个算法的原理及相关适用条件。基于短期负荷预测的相关特征,采取两种算法的优点,建立了基于时间序列算法和SVM算法相混合的算法来对电力系统短期负荷进行预测。利用该算法对无功负荷进行预测,并采用均方根相对误差RMSRE来评估预测结果,通过相关的仿真,并与传统的方法进行比较,仿真结果显示本文方法具有预测精度高、适应性强等特点。然后,本文对作为动态无功优化基础的静态无功优化进行了详细的分析,针对内点法收敛速度较慢及多中心-校正内点法对初始值要求高的缺点,将免疫算法引入到多中心-校正内点法中,建立的基于免疫算法的多中心-校正内点法模型,利用免疫算法改进多中心-校正内点法初始值的问题。通过仿真结果,本文的结合免疫算法的多中心-校正内点法能够得到更好的无功优化效果。最后,本文利用结合免疫算法的多中心-校正内点法计算各个符合段的静态无功优化,从而得到各个负荷段控制的设备值。进一步的通过引入负荷系数,通过各个时间段负荷系数的数值来控制无功补偿设备触发动作的时刻,以此形成本文的动态无功优化策略。通过建立IEEE30节点系统仿真模型,并通过仿真分析,验证本文方法具有有效性和可靠性等特点。
周帅[5]（2020）在《基于改进遗传算法的电网无功优化及节能降损研究》文中研究指明本文以电网无功优化降低系统有功网损作为目标函数,在满足潮流约束及变量约束的同时,采用罚函数的方式防止节点电压越限以及发电机无功输出越限,作为本文无功优化的数学模型。选择遗传算法作为无功优化工具。并采用混合编码方式、改进单点交叉操作以及引入非线性规划函数fmincon针对简单遗传算法存在的性能缺陷进行改进。利用本文的改进遗传算法通过MATLAB在数学领域以及电力系统领域进行仿真验证。为验证fmincon函数在改进遗传算法中的作用,将改进遗传算法拆分为两种优化算法:一种为改进遗传算法,另一种为去除fmincon函数,其余参数和改进方案均与改进遗传算法相同的算法。通过仿真结果分析可得:fmincon函数在改进遗传算法的优化过程中起到非常重要的作用,且改进遗传算法不论在收敛速度方法,还是收敛精度方面均优于简单遗传算法,验证了本文改进遗传算法的有效性。
袁玉松[6]（2020）在《计及分布式电源的配电网优化运行策略研究》文中提出随着社会经济的快速发展,化石能源被无节制的开采与使用,能源紧缺以及环境污染问题愈发严重,气候变化加剧,恶劣天气现象频繁发生。为了有效缓解能源和环境问题,新能源技术例如风能、太阳能以及潮汐能等,目前被广泛使用。分布式能源是新能源发展的重要方向,具有清洁、节能环保和高效灵活的特点,并且具有经济性。现如今,分布式电源在配电网中的利用率越来越高,并网后会给配电网的安全运行造成不同程度的影响,故含分布式电源配电网的优化运行问题亟待解决。本文首先利用混合型粒子群算法对含分布式电源的配电网进行重构,然后在此基础上采用改进布谷鸟算法进行无功优化,进而达到优化配电网运行的目的。本文主要的研究内容如下:（1）首先对含分布式电源的配电网运行特点进行介绍,分析分布式电源并网对配电网的影响。在仿真案例中,从分布式电源的接入位置、容量以及数量这3个方面来验证分布式电源并网会对配电网节点电压和网络损耗产生不同程度的影响。（2）考虑采用配电网重构方法对网架结构进行优化来减少分布式电源并网对配电网运行带来的影响。首先建立含分布式电源的配电网重构的数学模型;其次采用了混合型粒子群算法,该算法结合了蚁群算法和粒子群算法的各自优势;然后,以网络线路损耗为优化目标,在满足配电网安全稳定运行和相关工程要求的约束条件下,利用混合型粒子群算法对含分布式电源的配电网进行重构,从而优化配电网运行。最后,通过IEEE33节点系统作为算例进行仿真来验证该算法的实用性和有效性。（3）考虑采用配电网无功优化方法对重构后的含分布式电源配电网运行进一步优化。首先建立含分布式电源配电网无功优化的数学模型;其次,针对传统布谷鸟算法易陷入局部最优的缺陷而采用了多策略搜索的布谷鸟算法;然后,以配电网的有功网损为优化目标,在满足配电网安全稳定运行和相关工程要求的约束条件下,运用多策略搜索的布谷鸟算法对重构后的含分布式电源的配电网进行无功优化。最后,将重构后IEEE33节点系统作为算例进行仿真实验来证明多策略搜索的布谷鸟算法的优越性和可行性。
李德海[7]（2020）在《基于遗传与免疫算法的含分布式电源的配电网无功优化》文中提出随着新能源发电技术的快速发展,分布式发电日益引起关注。分布式发电的优势是投资少、清洁环保、灵活可靠,可以持续地输出或吸收无功、参与无功优化、保持系统无功平衡、优化无功分配。文章首先研究了典型配电网的潮流模型,将分布式电源作为可持续调节的无功设备,与传统无功补偿设备结合参与系统无功优化。其次,以系统损失最小为目标函数,使用遗传算法和免疫算法联合求解,提高了算法的求解效率。最后,IEEE33节点系统仿真计算验证了分布式电源能够有效减少系统损失、促进电压稳定,联合使用遗传算法和免疫算法进行求解,能够避免算法陷入局部最优解,且全局优化能力得到了极大提升。
周帅,张红旗[8]（2019）在《遗传算法在无功优化方面应用及其改进》文中研究说明简要说明无功优化的重要性,较为全面的综述了运用遗传算法进行无功优化的研究现状,以算法改进方法分类综述。最后,对未来遗传算法在无功优化方面的研究方向提出自己的想法。
陈文献,梁嘉翔,陈相吾,马富齐[9]（2018）在《基于免疫遗传算法的小水电配电网无功优化》文中提出针对目前应用于电力系统无功优化的智能算法所存在的问题,提出将免疫遗传算法应用于电力系统无功优化问题的措施。免疫遗传算法是将免疫理论和基本遗传算法各自的优点相结合,不仅具有遗传算法的搜索特性,还具有免疫算法的多机制求解多目标函数最优解的自适应特性,对"早熟"问题有所改善,收敛于全局最优。最后,以安康市某区域电力系统为例对算法进行了性能测试,提出了合理的调压措施,结果表明将免疫遗传算法应用于电力系统无功优化问题可以显着降低系统网损,改善电压质量。
罗璇瑶[10]（2018）在《近海风电场多工况电压控制及无功优化配置研究》文中研究指明随着大力发展清洁能源成为研究主流,远离陆地、风能丰富的海上风电场越来越成为关注的焦点。含有高压交流海底电缆的近海风电场由于其较大的充电功率的特点,对其无功补偿研究具有很大的影响。在不同运行工况下,风电场对无功功率的需求不一样,送出功率较大或者系统电压骤降时,需要容性无功功率维持电压稳定,送出功率较小、产生工频过电压、孤岛运行时,需要感性无功功率保证风电场安全稳定运行。因此,本文主要针对近海风电场需要配置感性无功功率的多种工况进行了分析,并且提出一种以抑制过电压、大孤岛补偿为基础无功配置,辅以双馈风机的动态无功调节优化的综合无功配置方案。首先,本文对近海风电场的工频过电压产生机理进行分析,得出其对感性无功补偿的需求,通过公式推导得出并联电抗器在末端补偿时对容升效应抑制效果最明显的结果,结合近海风电场的结构特点可知在陆上集控中心增设并联电抗器是补偿效果最好、运行最方便的方案,并且利用ATP/EMTP仿真平台计算示例近海风电场在不同线路长度下的工频过电压,验证了理论推导结果。其次,本文对研究较少的孤岛运行模式进行了分析,研究了大孤岛运行模式下所需额外配备的应急电源和并联电抗器的配置方案,应急电源的容量应该满足海上升压站及风机塔筒内部用电消耗,并联电抗器的选择则应参照低压侧海底电缆的充电功率,可以按照实际接入大孤岛运行模式下的风机数量进行电抗器的分组选择,并通过实例计算了该配置方案下的潮流和短路电流,验证了该配置方案的适应性。另外,本文对含有双馈风机的近海风电场的电压无功特性进行了研究,提出了 一种计及双馈风机无功出力的免疫遗传算法,同时考虑风机端电压限制和无功出力极限,通过控制双馈风机的端电压改变不同位置的每台双馈风机的无功出力,距离海上升压站越近的风机无功出力越大,保证电压满足要求的前提下以达到网损最优目的,通过编写C语言程序实现了算法的优化。最后,基于上述三种工况,在陆上集控中心用磁控电抗器代替固定电抗器,在海上升压站增设孤岛模式所需固定电容器,加之通过算法优化利用双馈风机的无功出力,得到考虑多工况运行的综合无功优化配置方案,通过MATLAB/Simulink仿真平台对比并验证了该方案对于各种工况的适用性,充分发挥了双馈风机的无功出力,减少了达到同等送电质量所需的补偿装置容量。本文的研究成果为日后近海风电场工程的规划设计提供了一定参考。
二、基于免疫遗传算法的无功优化研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于免疫遗传算法的无功优化研究（论文提纲范文）
（1）基于混合智能算法的小水电配电网无功优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 小水电的国内外发展状况 |
| 1.2.2 小水电配电网无功优化的国内外研究现状 |
| 1.3 主要研究内容 |
| 第2章 小水电配电网无功优化的理论研究 |
| 2.1 小水电配电网无功优化的影响分析 |
| 2.1.1 小水电接入配电网电压特性的分析 |
| 2.1.2 小水电接入配电网对线损影响的分析 |
| 2.2 小水电配电网的无功优化数学模型 |
| 2.2.1 目标函数 |
| 2.2.2 约束条件 |
| 2.3 小水电配电网无功优化的潮流计算 |
| 2.3.1 节点导纳矩阵 |
| 2.3.2 牛顿拉夫逊法潮流计算方法 |
| 2.4 本章小结 |
| 第3章 基于混合算法的小水电配电网无功优化 |
| 3.1 多智能体算法 |
| 3.1.1 多智能体的相关定义 |
| 3.1.2 多智能体的协调与协作 |
| 3.2 遗传算法 |
| 3.2.1 遗传算法简介 |
| 3.2.2 遗传操作 |
| 3.2.3 伪并行遗传算法 |
| 3.3 混合算法的提出 |
| 3.4 混合算法的步骤 |
| 3.5 本章小结 |
| 第4章 混合算法在小水电配电网中的应用 |
| 4.1 基于IEEE13节点系统无功优化结果分析 |
| 4.1.1 IEEE13节点系统 |
| 4.1.2 仿真结果分析 |
| 4.2 基于IEEE30节点系统无功优化结果分析 |
| 4.2.1 IEEE30节点系统 |
| 4.2.2 仿真结果分析 |
| 4.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
（2）基于蚁群算法的配电网无功优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 无功优化的目的和意义 |
| 1.2 无功优化的国内外研究现状 |
| 1.3 本文所作的工作 |
| 第二章 配电网无功优化的数学模型 |
| 2.1 配电网无功优化模型 |
| 2.2 配电网无功优化的静态目标函数构建 |
| 2.2.1 配电网静态无功优化目标函数 |
| 2.2.2 约束条件 |
| 2.3 配电网无功优化的动态目标函数构建 |
| 2.3.1 配电网动态无功优化目标函数 |
| 2.3.2 约束条件 |
| 2.4 本章小结 |
| 第三章 基于场景分析法的配电网动态无功优化 |
| 3.1 场景分析技术 |
| 3.1.1 场景生成法 |
| 3.1.2 场景缩减法 |
| 3.1.3 场景分析方法的应用 |
| 3.2 聚类分析算法 |
| 3.2.1 聚类算法的要求 |
| 3.2.2 数据的相似性度量 |
| 3.2.3 常用的聚类分析方法 |
| 3.2.4 K-均值聚类算法 |
| 3.3 配电网中不确定因素的场景划分 |
| 3.3.1 基于K-均值聚类算法的典型场景分析 |
| 3.3.2 配电网典型场景分析 |
| 3.3.3 负荷场景划分 |
| 3.4 本章小结 |
| 第四章 基于蚁群算法的配电网无功优化 |
| 4.1 蚁群算法的基本原理 |
| 4.1.1 蚂蚁觅食行为与策略 |
| 4.1.2 人工蚁群 |
| 4.2 蚁群算法模型 |
| 4.3 蚁群算法在配电网无功优化中的应用 |
| 4.3.1 蚁群算法的实现 |
| 4.3.2 无功补偿位置及补偿容量的选择 |
| 4.3.3 适应度函数的选取 |
| 4.3.4 应用于蚁群算法的公式 |
| 4.3.5 运用蚁群算法求解无功优化问题的参数选取 |
| 4.4 本章小结 |
| 第五章 算例分析 |
| 5.1 配电网静态无功优化 |
| 5.1.1 静态无功优化算例与参数 |
| 5.1.2 静态无功优化结果 |
| 5.2 配电网动态无功优化 |
| 5.2.1 动态无功优化算例与参数 |
| 5.2.2 动态无功优化结果 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（3）基于混合编码遗传算法的多目标无功优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题背景及研究意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 2 无功优化问题与数学模型 |
| 2.1 无功功率平衡与电压以及有功网损的关系 |
| 2.1.1 无功功率与电压 |
| 2.1.2 无功功率与有功网损 |
| 2.2 电力系统的无功功率电源及控制设备 |
| 2.3 无功优化的数学模型 |
| 2.3.1 目标函数 |
| 2.3.2 功率约束方程 |
| 2.3.3 变量约束方程 |
| 2.4 本章小结 |
| 3 无功优化的潮流计算 |
| 3.1 潮流计算方法 |
| 3.1.1 牛顿——拉夫逊法 |
| 3.1.2 P-Q分解法 |
| 3.2 潮流计算算例分析 |
| 3.2.1 潮流计算算例数据 |
| 3.2.2 潮流计算算例结果及分析 |
| 3.3 本章小结 |
| 4 遗传算法的改进及其在无功优化中的应用 |
| 4.1 遗传算法的基本原理 |
| 4.2 遗传算法的求解过程 |
| 4.2.1 染色体编码 |
| 4.2.2 初始种群生成 |
| 4.2.3 适应度函数 |
| 4.2.4 选择 |
| 4.2.5 交叉 |
| 4.2.6 变异 |
| 4.2.7 收敛判据 |
| 4.3 遗传算法的特点 |
| 4.3.1 遗传算法的优点 |
| 4.3.2 遗传算法的缺点 |
| 4.4 遗传算法的优化 |
| 4.4.1 参数编码优化 |
| 4.4.2 初始种群生成优化 |
| 4.4.3 选择步骤优化 |
| 4.4.4 交叉步骤优化 |
| 4.4.5 变异步骤优化 |
| 4.4.6 收敛判据优化 |
| 4.5 新型优化遗传算法在简单数学函数中的算例分析 |
| 4.5.1 简单数学函数的数据 |
| 4.5.2 简单数学函数算例中遗传算法的优化 |
| 4.5.3 算例结果及分析 |
| 4.6 改进遗传算法的电力系统无功优化流程 |
| 4.7 本章小结 |
| 5 算例分析 |
| 5.1 IEEE-14节点系统算例分析 |
| 5.1.1 IEEE-14节点系统算例数据 |
| 5.1.2 IEEE-14节点系统算例遗传算法优化过程 |
| 5.1.3 IEEE-14节点系统算例结果与分析 |
| 5.1.4 IEEE-14节点系统算例分析所得结论 |
| 5.2 IEEE-30节点系统算例分析 |
| 5.2.1 IEEE-30节点系统算例数据 |
| 5.2.2 IEEE-30节点系统算例遗传算法优化过程 |
| 5.2.3 IEEE-30节点系统算例结果与分析 |
| 5.2.4 IEEE-30节点系统算例分析所得结论 |
| 5.3 IEEE-57节点系统算例分析 |
| 5.3.1 IEEE-57节点系统算例数据 |
| 5.3.2 IEEE-57节点系统算例遗传算法优化过程 |
| 5.3.3 IEEE-57节点系统算例结果与分析 |
| 5.3.4 IEEE-57节点系统算例分析所得结论 |
| 5.4 内蒙古薛家湾地区部分节点系统算例分析 |
| 5.4.1 内蒙古薛家湾地区部分节点系统算例数据 |
| 5.4.2 内蒙古薛家湾地区部分节点系统算例遗传算法优化过程 |
| 5.4.3 内蒙古薛家湾地区部分节点系统算例结果与分析 |
| 5.4.4 内蒙古薛家湾地区部分节点系统算例分析所得结论 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
（4）基于负荷预测的多中心内点法配电网无功优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 短期负荷预测研究现状 |
| 1.3 静态及动态无功优化的研究现状 |
| 1.3.1 静态无功优化的研究现状 |
| 1.3.2 动态无功优化的研究现状 |
| 1.4 支持向量机与免疫算法在电力系统中的应用 |
| 1.4.1 支持向量机在短期负荷预测中的应用 |
| 1.4.2 免疫算法在无功优化中的应用 |
| 1.5 本文的主要工作 |
| 1.6 本章小结 |
| 第2章 时间序列与支持向量机的预测模型 |
| 2.1 无功预测的背景 |
| 2.2 无功预测相关理论研究 |
| 2.2.1 传统的预测方法 |
| 2.2.2 人工智能的预测方法 |
| 2.3 时间序列与支持向量机的无功预测模型 |
| 2.3.1 时间序列方法 |
| 2.3.2 支持向量机方法 |
| 2.3.3 时间序列与SVM预测组合模型 |
| 2.4 算例分析 |
| 2.4.1 短期负荷预测建模 |
| 2.4.2 仿真分析 |
| 2.5 本章小结 |
| 第3章 改进多中心内点法的优化算法 |
| 3.1 现代内点法 |
| 3.1.1 原对偶内点法 |
| 3.1.2 预测.校正内点法 |
| 3.2 改进多中心-校正内点法 |
| 3.2.1 多中心-校正内点法 |
| 3.2.2 结合免疫算法的多中心-校正内点法 |
| 3.3 算例分析 |
| 3.4 本章小结 |
| 第4章 基于负荷预测的动态无功优化 |
| 4.1 概述 |
| 4.2 静态无功优化 |
| 4.2.1 静态无功优化的数学模型 |
| 4.2.2 IA-MCC在静态无功优化的应用罚因子的选取 |
| 4.2.3 IA-MCC在静态无功优化的应用 |
| 4.3 动态无功优化 |
| 4.3.1 动态无功优化模型 |
| 4.3.2 动态无功优化方法 |
| 4.3.3 负荷预测和负荷分段 |
| 4.4 算例分析 |
| 4.4.1 静态无功优化仿真分析 |
| 4.4.2 动态无功优化仿真分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果、参加学术会议及获奖 |
| 致谢 |
（5）基于改进遗传算法的电网无功优化及节能降损研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 优化算法分析 |
| 1.4 目前存在的问题 |
| 1.5 研究内容及目标 |
| 1.6 技术路线 |
| 1.7 本章小结 |
| 2 无功补偿 |
| 2.1 无功补偿概述 |
| 2.2 无功补偿原理 |
| 2.3 无功补偿方式 |
| 2.4 无功补偿设备 |
| 2.4.1 发电机 |
| 2.4.2 同步调相机 |
| 2.4.3 电力电容器 |
| 2.4.4 静止无功补偿器(SVC) |
| 2.4.5 静止无功发生器(SVG) |
| 2.5 本章小结 |
| 3 无功优化与数学模型 |
| 3.1 数学模型 |
| 3.1.1 等式约束条件 |
| 3.1.2 不等式约束条件 |
| 3.1.3 目标函数 |
| 3.2 潮流计算 |
| 3.2.1 节点分类 |
| 3.2.2 牛顿拉夫逊法 |
| 3.2.3 PQ分解法 |
| 3.3 本章小结 |
| 4 遗传算法 |
| 4.1 遗传算法简介 |
| 4.2 遗传算法的基本原理 |
| 4.3 遗传算法的基本步骤 |
| 4.3.1 编码 |
| 4.3.2 初始种群 |
| 4.3.3 适应度函数 |
| 4.3.4 遗传操作 |
| 4.3.5 终止判据 |
| 4.3.6 参数设置 |
| 4.4 遗传算法的操作流程图 |
| 4.5 本章小结 |
| 5 改进遗传算法 |
| 5.1 优化编码方式 |
| 5.2 改进交叉操作 |
| 5.3 引入非线性规划函数 |
| 5.4 改进遗传算法简单算例分析 |
| 5.5 基于改进遗传算法的无功优化流程 |
| 5.6 本章小结 |
| 6 算例与仿真 |
| 6.1 IEEE9节点系统 |
| 6.1.1 系统结构图 |
| 6.1.2 系统参数 |
| 6.1.3 IEEE9节点仿真分析 |
| 6.2 IEEE14节点系统 |
| 6.2.1 系统结构图 |
| 6.2.2 系统参数 |
| 6.2.3 IEEE14节点仿真分析 |
| 6.3 IEEE30节点系统 |
| 6.3.1 系统结构图 |
| 6.3.2 系统参数 |
| 6.3.3 IEEE30节点仿真分析 |
| 6.4 薛家湾某地区节点系统 |
| 6.4.1 系统结构图 |
| 6.4.2 系统参数 |
| 6.4.3 薛家湾某地区节点仿真分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）计及分布式电源的配电网优化运行策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.1.1 含分布式电源的配电网的特点 |
| 1.1.2 含分布式电源的配电网优化运行的目的与意义 |
| 1.2 含分布式电源的配电网优化运行研究现状 |
| 1.2.1 含分布式电源的配电网重构优化 |
| 1.2.2 含分布式电源的配电网无功优化 |
| 1.3 本文的主要研究内容 |
| 第2章 分布式电源接入对配电网的影响 |
| 2.1 分布式电源的种类 |
| 2.1.1 风力发电 |
| 2.1.2 光伏发电 |
| 2.2 分布式电源并网对配电网的影响 |
| 2.2.1 配电网电压的影响 |
| 2.2.2 配电网规划的影响 |
| 2.2.3 配电网继电保护的影响 |
| 2.2.4 配电网可靠性运行的影响 |
| 2.3 分布式电源在潮流计算中的处理 |
| 2.3.1 常规配电网中节点的分类 |
| 2.3.2 含分布式电源的配电网潮流计算时节点处理 |
| 2.4 算例分析 |
| 2.4.1 DG接入位置对配电网的影响 |
| 2.4.2 DG接入容量对配电网的影响 |
| 2.4.3 DG接入数量对配电网的影响 |
| 2.5 本章小结 |
| 第3章 基于混合型粒子群算法的含分布式电源的配电网重构 |
| 3.1 含分布式电源的配电网重构数学模型 |
| 3.1.1 目标函数 |
| 3.1.2 约束条件 |
| 3.2 蚁群算法与粒子群算法 |
| 3.2.1 蚁群算法 |
| 3.2.2 信息素τ更新 |
| 3.2.3 粒子群算法 |
| 3.3 混合型粒子群算法在含分布式电源的配电网重构中应用 |
| 3.3.1 混合型粒子群算法 |
| 3.3.2 算法流程 |
| 3.3.3 算法性能测试 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 第4章 基于改进布谷鸟算法的含分布式电源的配电网无功优化 |
| 4.1 含分布式电源的配电网无功优化数学模型 |
| 4.1.1 目标函数 |
| 4.1.2 约束条件 |
| 4.2 基于多策略搜索的布谷鸟搜索算法 |
| 4.2.1 布谷鸟搜索算法 |
| 4.2.2 多策略搜索 |
| 4.2.3 算法求解流程 |
| 4.2.4 算法性能测试 |
| 4.4 基于改进布谷鸟算法的配电网无功优化求解步骤 |
| 4.4.1 算法编码 |
| 4.4.2 求解步骤 |
| 4.5 仿真研究 |
| 4.5.1 仿真方案 |
| 4.5.2 仿真结果及分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
| 致谢 |
（7）基于遗传与免疫算法的含分布式电源的配电网无功优化（论文提纲范文）
| 0 引言 |
| 1 典型配电网潮流模型 |
| 1.1 风力发电 |
| 1.1.1 直接并网的异步发电机 |
| 1.1.2 双馈发电系统 |
| 1.2 光伏发电 |
| 1.3 燃气轮机系统 |
| 2 分布式电网无功优化设计 |
| 2.1 数学模型 |
| 2.1.1 约束条件 |
| 2.1.2 目标函数 |
| 2.1.3 适应性评价 |
| 2.2 基于遗传和免疫算法的无功优化方案 |
| 2.2.1 编码方案 |
| 2.2.2 适应性群体规模 |
| 2.2.3 遗传操作 |
| 3 算例分析 |
| 4 结语 |
（8）遗传算法在无功优化方面应用及其改进（论文提纲范文）
| 1 遗传算法基本原理 |
| 2 改进遗传算法及其应用 |
| 2.1 改进自身的遗传算法 |
| 2.1.1 编码方式的改进 |
| 2.1.2 遗传算子的改进 |
| 2.2 遗传算法与其它算法结合 |
| 2.2.1 小生境遗传算法 |
| 2.2.2 蜜蜂进化型遗传算法 |
| 2.2.3 免疫遗传算法 |
| 2.2.4 模拟退火遗传算法 |
| 2.2.5 内点法和遗传算法相结合 |
| 3 结语 |
（9）基于免疫遗传算法的小水电配电网无功优化（论文提纲范文）
| 1 无功优化的数学模型 |
| 1.1 目标函数 |
| 1.2 等式约束 |
| 1.3 不等式约束 |
| 2 免疫遗传算法 |
| 2.1 遗传算法 |
| 2.2 免疫遗传算法 |
| 3 实例研究 |
| 3.1 模型搭建 |
| 3.2 算法相关参数的设定 |
| 3.3 结果分析 |
| 4 结论 |
（10）近海风电场多工况电压控制及无功优化配置研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 近海风电场研究现状 |
| 1.2.2 风电场无功优化研究现状 |
| 1.3 本文主要研究内容 |
| 2 近海风电场数学模型及运行特性 |
| 2.1 近海风电场数学模型 |
| 2.1.1 双馈风机数学模型 |
| 2.1.2 变压器数学模型 |
| 2.1.3 输电线路数学模型 |
| 2.2 风电场不同工况运行特性 |
| 2.2.1 正常并网工况研究 |
| 2.2.2 暂态工况研究 |
| 2.2.3 孤岛工况研究 |
| 2.3 多工况无功需求综合分析 |
| 2.4 本章小结 |
| 3 近海风电场感性无功优化配置研究 |
| 3.1 考虑工频过电压的并联电抗器优化配置 |
| 3.1.1 首端补偿效果分析 |
| 3.1.2 末端补偿效果分析 |
| 3.1.3 双端补偿效果分析 |
| 3.2 大孤岛模式无功配置研究 |
| 3.2.1 风机内部接线型式研究 |
| 3.2.2 大孤岛运行设备配置原则 |
| 3.3 感性无功配置方案仿真计算 |
| 3.3.1 近海风电场工频过电压计算 |
| 3.3.2 大孤岛运行潮流及短路计算 |
| 3.3.3 综合感性无功配置方案 |
| 3.4 本章小结 |
| 4 计及风机出力的近海风电场电压无功优化 |
| 4.1 风电场无功优化数学模型 |
| 4.1.1 目标函数 |
| 4.1.2 潮流功率约束方程 |
| 4.1.3 变量约束限制 |
| 4.2 考虑不同位置风机无功出力的免疫遗传算法及求解 |
| 4.2.1 算法实现步骤 |
| 4.2.2 节点处理方法 |
| 4.3 算例分析及方案研究 |
| 4.3.1 算例模型 |
| 4.3.2 电压无功优化计算 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 5 近海风电场多工况电压控制及无功优化配置仿真研究 |
| 5.1 近海风电场参数计算 |
| 5.1.1 系统侧参数 |
| 5.1.2 风机参数 |
| 5.1.3 线路参数 |
| 5.1.4 变压器参数 |
| 5.2 近海风电场无功优化配置方案 |
| 5.2.1 综合无功补偿配置原则 |
| 5.2.2 近海风电场无功需求分析 |
| 5.2.3 基于磁控电抗器的无功补偿方案 |
| 5.3 综合无功配置方案仿真分析 |
| 5.3.1 仿真模型搭建 |
| 5.3.2 仿真计算与分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的科研成果 |
| 致谢 |
四、基于免疫遗传算法的无功优化研究（论文参考文献）
- [1]基于混合智能算法的小水电配电网无功优化研究[D]. 张田. 陕西理工大学, 2021(08)
- [2]基于蚁群算法的配电网无功优化研究[D]. 刘欣雨. 西安石油大学, 2020(10)
- [3]基于混合编码遗传算法的多目标无功优化研究[D]. 吴昊. 内蒙古农业大学, 2020(02)
- [4]基于负荷预测的多中心内点法配电网无功优化研究[D]. 贾犇. 湖北民族大学, 2020(12)
- [5]基于改进遗传算法的电网无功优化及节能降损研究[D]. 周帅. 内蒙古农业大学, 2020(02)
- [6]计及分布式电源的配电网优化运行策略研究[D]. 袁玉松. 湖北民族大学, 2020(12)
- [7]基于遗传与免疫算法的含分布式电源的配电网无功优化[J]. 李德海. 黑龙江电力, 2020(02)
- [8]遗传算法在无功优化方面应用及其改进[J]. 周帅,张红旗. 科技风, 2019(13)
- [9]基于免疫遗传算法的小水电配电网无功优化[J]. 陈文献,梁嘉翔,陈相吾,马富齐. 电网与清洁能源, 2018(08)
- [10]近海风电场多工况电压控制及无功优化配置研究[D]. 罗璇瑶. 武汉大学, 2018(06)