1、“.....然后再引入对数障碍函数消去松弛变量的非负性约束,并引入拉格朗日乘子,形成增广拉格朗日函数如下式中,为障碍因子。非线性内点法非线性内方便地处理离散变量且具有明显的方向性。通过实例仿真验证了该算法具有收敛性好运算速度快等优点。无功优化的步骤首先保持离散变量的值不变,采用预测校正内点法优化连续变量,减少用原对偶内点法优化连续变量的迭代次数,从而提高计算速度然后保持优化后连续变量的值不变,利用改进遗传算法优化离散变量,改善简单遗传算法的早熟现象,同时考虑时间的限制,当出现网损下降且目标函数值连续次不变时就结束离散变提高计算速度然后保持优化后连续变量的值不变,利用改进遗传算法优化离散变量,改善简单遗传算法的早熟现象,同时考虑时间的限制,当出现网损下降且目标函数值连续次不变时就结束离散变量的优化再利用预测校正内点法进行连续变量的优化,如此交替进行......”。

2、“.....停止优化。该算法采用迭代法求解直流系统,文提出的混合算法优化结果在提升静态电压稳定指标电压质量及降低网损计算时间方面都优于传统遗传算法及粒子群算法的优化结果,并且各补偿装置容量均在合理范围内,这是由于混合算法与传统遗传算法及粒子群算法相比具有明显的方向性,大量的连续变量可以通过内点法迅速向最优解靠近,而不是随机地向最优解靠近。当用于更大电力系统时,控制变量更多,此算法将会表现出更强的适用性。参考文献王建学,王锡凡,陈皓勇,等基于内点法和遗传算法相结合的交直流系统无功优化研究原稿最优结果作为个初始个体,其余初始个体随机产生当时,由于可利用的结果连续优化解,此解中的离散控制变量并不满足离散约束,若采用同样的最优个体保留策略,则可将离散控制变量进行舍入圆整,形成个最优个体引入初始种群,其余个体随机产生。当系统负荷较重时......”。

3、“.....暂时放宽对负荷节点电压约束的上下限值,获得连续变量的优化结果。将此结果作为整,形成个最优个体引入初始种群,其余个体随机产生。当系统负荷较重时,采用内点法只优化连续变量发电机端电压无法获得满足各种约束条件的解时,暂时放宽对负荷节点电压约束的上下限值,获得连续变量的优化结果。将此结果作为连续变量的初值带入到改进遗传算法优化离散变量,利用改进遗传算法善于处理离散变量的特点,在离散优化阶段保持发电机端电压不变,只优化变压器档位和电容电抗器的投切组数,同时在改进遗传算件不存在迭代振荡的问题。而且通过遗传算法优化计算,结果的可行性已经得到满足满足式的所有等式与不等式约束,此时的内点法计算不存在结果的归档问题,是在满足可行性的基础上追求更好的优化结果。因此在内点法计算中,本文采用最优收敛判据......”。

4、“.....因在混合策略中遗传算法与内点法交替求解,故可采用最优个体保留策略当时,保留上次迭代现象。此时即使采用最优判据顺利收敛,获得的也将是连续优化结果,归档过程中其最优性也会受到破坏。为此,本文在内点法计算中采用可行收敛判据。连续优化内点法计算中,由于控制变量仅有发电机端电压,此时以最优判据为收敛条件不存在迭代振荡的问题。而且通过遗传算法优化计算,结果的可行性已经得到满足满足式的所有等式与不等式约束,此时的内点法计算不存在结果的归档问题,是在满足可行性的基础上追求更乘子和松弛变量满足大于零或小于零的条件来代替原来必须在可行域内求解的要求,大大简化了计算过程。图改进潮流算法流程图遗传算法本文交流系统中的离散变量及直流系统中的控制变量采用遗传算法进行优化。遗传算法源于的进化理论设想在特定环境下的群个体,由于环境限制,只有适应性强的可以生存,将优良性状遗传,而弱者被淘汰......”。

5、“.....沿多路径搜索实现全局最优可好的优化结果。因此在内点法计算中,本文采用最优收敛判据。遗传算法的动态调整提高初始种群质量是加快遗传算法寻优速度的有效方法之,因在混合策略中遗传算法与内点法交替求解,故可采用最优个体保留策略当时,保留上次迭代的最优结果作为个初始个体,其余初始个体随机产生当时,由于可利用的结果连续优化解,此解中的离散控制变量并不满足离散约束,若采用同样的最优个体保留策略,则可将离散控制变量进行舍入以非线性内点法直接求解连续非线性规划问题的主要优点是其计算时间对问题的规模不敏感,所具有的多项式时间复杂性在计算大规模非线性规划问题时很有优势。设有非线性规划问题对上式所描述的问题,可先引入松弛变量将不等式约束转化为等式约束,然后再引入对数障碍函数消去松弛变量的非负性约束,并引入拉格朗日乘子,形成增广拉格朗日函数如下式中,为障碍因子。非线性内点法非线性内如下式中......”。

6、“.....目前,求解该问题的方法主要有常规数学规划类数值优化算法和人工智能类的启发式优化算法,其中非线性内点法具有寻优速度快收敛性好鲁棒性强的优点,但其处理离散变量的能力不强。遗传算法编码方式灵活,可有效解决无功优化的混合整数变量问题,但需要计算大量的适应值,收敛速度慢,且易产生早熟收敛。遗传算法是模仿生物遗传与进化原理的种自适应概率优化方法。它通过基因变量的述优化结果无论从网损降低值还是从计算时间上都优,且满足各种约束条件,同时在离散优化阶段采用变压器次调节的档位限制为档,分级步长是,更符合电力系统运行实际的要求。结论本文提出的混合算法优化结果在提升静态电压稳定指标电压质量及降低网损计算时间方面都优于传统遗传算法及粒子群算法的优化结果,并且各补偿装置容量均在合理范围内,这是由于混合算法与传统遗传算法及粒子群算法相比具有明显的方法的目标函数中引入对越限量的惩罚项,消除该越限量......”。

7、“.....然后再进行连续变量的优化,如此交替进行,当满足组合策略的收敛条件时结束优化。采用本文组合策略得到的上述系统的优化结果见图。图优化结果述优化结果无论从网损降低值还是从计算时间上都优,且满足各种约束条件,同时在离散优化阶段采用变压器次调节的档位限制为档,分级步长是,更符合电力系统运行实际的要求。结论好的优化结果。因此在内点法计算中,本文采用最优收敛判据。遗传算法的动态调整提高初始种群质量是加快遗传算法寻优速度的有效方法之,因在混合策略中遗传算法与内点法交替求解,故可采用最优个体保留策略当时,保留上次迭代的最优结果作为个初始个体,其余初始个体随机产生当时,由于可利用的结果连续优化解,此解中的离散控制变量并不满足离散约束,若采用同样的最优个体保留策略,则可将离散控制变量进行舍入最优结果作为个初始个体,其余初始个体随机产生当时,由于可利用的结果连续优化解......”。

8、“.....若采用同样的最优个体保留策略,则可将离散控制变量进行舍入圆整,形成个最优个体引入初始种群,其余个体随机产生。当系统负荷较重时,采用内点法只优化连续变量发电机端电压无法获得满足各种约束条件的解时,暂时放宽对负荷节点电压约束的上下限值,获得连续变量的优化结果。将此结果作为价值较优的解将其特征遗传至下轮解,直至趋向最优。内点法的动态调整通过大量的仿真计算发现,采用内点法求解实际系统的连续无功优化问题时,若以最优判据为收敛条件,则可能出现迭代振荡的不利现象。此时即使采用最优判据顺利收敛,获得的也将是连续优化结果,归档过程中其最优性也会受到破坏。为此,本文在内点法计算中采用可行收敛判据。连续优化内点法计算中,由于控制变量仅有发电机端电压,此时以最优判据为收敛基于内点法和遗传算法相结合的交直流系统无功优化研究原稿合编码来描述优化问题的解个体,可方便地处理离散变量......”。

9、“.....目前,求解该问题的方法主要有常规数学规划类数值优化算法和人工智能类的启发式优化算法,其中非线性内点法具有寻优速度快收敛性好鲁棒性强的优点,但其处理离散变量的能力不强。遗传算法编码方式灵活,可有效解决无功优化的混合整数变量问题,但需要计算大量的适应值,收敛速度慢,且易产生早熟收最优结果作为个初始个体,其余初始个体随机产生当时,由于可利用的结果连续优化解,此解中的离散控制变量并不满足离散约束,若采用同样的最优个体保留策略,则可将离散控制变量进行舍入圆整,形成个最优个体引入初始种群,其余个体随机产生。当系统负荷较重时,采用内点法只优化连续变量发电机端电压无法获得满足各种约束条件的解时,暂时放宽对负荷节点电压约束的上下限值,获得连续变量的优化结果。将此结果作为内点法和遗传算法相结合的交直流系统无功优化研究原稿......”。