基于原–对偶内点法的复杂电力系统电压崩溃校正控制

给出了在采用原–对偶内点法进行校正控制计算时值得注意的初值选取、中心参数选取等一些问题,并针对福建省网168节点系统的实际数据进行了仿真计算。结果表明,在考虑了这些要点后所求得的结果可靠,能较好地满足实际工程要求。

基于原—对偶内点法的电压无功实时优化控制算法

提出了一种充分利用稀疏技术的基于原—对偶内点法的电压无功实时优化控制算法。通过引入模糊约束对不可行的探测和处理,并结合电力系统的稀疏特性,提出旨在满足实时控制要求,提高算法速度和可靠性的措施。所提算法在华东电力系统中的试算表明,该方法能够有效地解决大规模电力系统中带有大量不等式约束的电压无功优化控制问题,对不可行能快速、准确地探测和处理。

矢量化动态最优潮流计算的步长控制内点法实现

实现动态最优潮流(dynamic optimal power flow,DOPF)的矢量化计算。通过将同类型、同时段的优化变量集中排列,建立动态最优潮流的矢量化模型,并采用步长控制内点法进行求解。各时段的梯度矩阵和海森矩阵具有与导纳矩阵相关的稀疏特性,在计算过程中保持不变。通过设计稀疏矩阵结构和内存分配策略提高Karush-Kuhn-Tucker(KKT)系统的形成速度。分析爬坡约束和购电量合同约束对求解KKT系统的影响,对比测试多个优化排序算法,指出近似最小度(approximate minimum degree,AMD)和列近似最小度(column approximate minimum degree,COLAMD)算法求解该模型KKT系统具有很高的效率。对节点数从14到1040共5个测试系统12～96时段的DOPF模型进行仿真计算,验证所提算法的正确性和高效性。基于步长控制内点法的矢量化方法提高了DOPF程序的计算速度和收敛性。

基于分支定界—原对偶内点法的日前无功优化

现有的日前无功优化模型较少考虑次日电压稳定问题,且算法无法准确处理离散变量及时段间耦合约束。针对此现状,提出了一种计及分区动态无功储备的日前无功优化模型,并采用分支定界—原对偶内点法对其进行求解。在求解过程中,利用分支定界树使离散变量逐步逼近离散值,通过合理的分支剪支策略满足离散变量的时段间耦合约束,将日前无功优化问题转换为一系列仅含连续变量的单时段无功优化问题进行求解。IEEE 30和IEEE 118节点系统的仿真结果表明了所提模型与方法的有效性。

基于原对偶内点法的电压无功功率优化

文章以电压无功优化的二次规划模型为基础，对原对偶内点法进行了扩展，使之能处理电压无功优化控制中大量的不等式约束。文章提出了一种壁垒参数的选取方法和控制计算步长的策略，并采用了一种有效的预测校正方法来提高算法的收敛性。

电力系统无功优化的原对偶内点算法及其应用

以电力系统中电压无功优化的非线性规划模型为基础,采用原对偶内点算法进行全局寻优;并在此基础上提出了一种预测校正方法,该方法通过协调解的最优性及可行性之间的关系提高算法的收敛性。对IEEE14节点和IEEE30节点系统的分析表明,带有预测校正方法的原对偶内点算法较单纯的原对偶内点算法所需迭代次数少,计算速度快,收敛性好。

基于原对偶仿射尺度内点法的电力系统无功优化算法

本文对潮流雅可比矩阵进行变换直接求取灵敏度系数，建立求解无功优化问题的线性规划模型，并提出采用一种有效的方法——原对偶仿射尺度内点法求解线性规划模型。该算法具有多项式时间复杂性。实际系统的计算结果表明，此算法的迭代收敛次数稳定，与系统规模关系不大，在求解大规模系统无功优化问题时，其性能优于具有指数时间复杂性的单纯性法。

非线性原-对偶内点法无功优化中的修正方程降维方法

针对无功优化模型中含有离散变量的问题,采用非线性原–对偶内点法进行求解。根据卡罗需–卡恩–塔克条件下修正方程结构稀疏的特点,首先将松弛变量和不等式拉格朗日乘子的增量用决策变量的增量表示,再将其代入修正方程并从中消去变比和无功电源出力的增量,最终降维后方程仅含节点电压幅值及相角、等式拉格朗日乘子增量。在计及变比和无功补偿装置出力的离散性约束条件下,通过增加无功电源出力作为优化变量,保证了修正方程中变比的海森矩阵始终为对角矩阵,扩展了降维处理方法的适用范围。算例结果验证了该降维方法的有效性。

基于稀疏技术的原对偶内点法电压无功功率优化

文章结合电力系统的稀疏特性，提出了一种基于稀疏技术的原对偶内点法电压无功优化控制数学模型，并给出了提高原对偶内点法计算速度的措施。所提算法在实际电力系统中的试算表明，该方法能够有效地解决大规模电力系统中带有大量不等式约束的电压无功优化控制问题；同经典的二次规划法以及采用致密模型的原对偶内点法比较表明，所提算法在速度上有明显的优越性。

原-对偶内点法最优潮流在电力系统中的应用

结合电力系统的特性 ,提出了一种基于稀疏技术的原 - 对偶内点法求解最优潮流问题 ,它在处理等式约束和变量型不等式约束时 ,能够同时处理函数型不等式约束 ,并且没有新的注入元注入系统。提出了一种新的迭代步长和中心方向的修改策略 ,同经典的牛顿法最优潮流比较表明 ,不需要预估有效约束集和进行试验迭代 ,易于编程实现。

原对偶内点法与定界法在无功优化中的应用

本文将原对偶内点法与分枝定界法综合应用于无功优化过程中 ,采用原对偶内点法进行全局寻优 ,运用分枝定界法进行离散变量 (变压器分接头与电容 /电抗器投切组数 )的归整。针对实际情况 ,本文建立了一个新的综合目标函数。对实际电网的优化计算表明 ,本文算法具有良好的特性。

基于改进遗传算法与原对偶内点法的无功优化混合算法

基于改进遗传算法和原对偶内点法提出一种求解无功优化问题的混合算法。首先通过改进遗传算法求解无功优化问题中的离散变量,然后采用原对偶内点法求解与已获得离散变量最匹配的连续变量。在改进遗传算法中采用交叉、变异算子并基于可行域规则处理离散约束,有效提高了混合优化算法的整体寻优效率。在IEEE118节点系统中的仿真计算结果验证了本文方法的有效性。该方法已应用于福建电网自动电压控制系统中。

基于预测-校正原对偶内点法的无功优化新模型

在有载可调变压器模型中引入虚拟节点,并通过该节点的电压来表示理想变压器对功率、电压的转换关系,由此在直角坐标系中建立了无功优化问题的二阶新模型。该新模型的海森矩阵是精确的常系数矩阵,在内点法迭代过程中只需要计算一次,从而缩短了每次迭代的计算时间。利用AMD算法对内点法修正方程的系数矩阵进行节点优化编号,减少了其LU分解所产生的注入元。通过存储海森矩阵的非零元素值、其行、列号及对应的拉格朗日乘子编号,提出了一种新的非零元素存储方式,极大地减少了海森矩阵与乘子线性组合的计算量。基于节点数从14到1338的7个测试系统进行了仿真计算,结果验证了所建模型与方法的正确性与有效性。这种建立模型的思想还可以应用到需要计算海森矩阵的动态无功优化、最优潮流以及状态估计等问题的算法中,以提高其计算速度。

原-对偶内点法和预测-校正内点法在最优潮流的应用

最优潮流问题在数学上是一个带约束条件的优化问题,其模型包括目标函数以及等式约束条件和不等式约束条件。利用原-对偶内点法和预测-校正内点法进行最优潮流的计算,原-对偶内点法是在保持原始可行性和对偶可行性的同时,沿一条原-对偶路径寻找最优解。预测-校正法在进行泰勒展开时保留了高阶项,首先通过修正方程计算仿射方向,在计算得到仿射扰动因子后回代入修正方程得到校正方向,进而得到修正量。预测-校正法具有比原-对偶法更好的收敛性,用Matlab实现了原-对偶内点法和预测-校正内点法进行潮流优化计算,并用算例进行了验证。

基于原–对偶内点法的节点边际电价计算

节点边际电价在电力交易和处理输电阻塞中具有重要作用。文中建立了计算节点边际电价的线性规划模型,分析了利用传统线性规划方法求解节点电价存在的困难,提出了基于原–对偶内点法的节点边际电价计算方法。对典型的6节点电力系统进行了计算验证,结果表明,所提出的方法计算结果符合理论要求,计算速度快,收敛性好。

基于原-对偶内点法的二次电压-无功功率优化

基于原对偶内点法对电力系统的电压无功优化问题进行了分析．首先对原对偶内点法进行了扩展，使之能处理电压无功优化控制中大量的不等式约束；此外，提出了一种新的壁垒参数和步长的控制策略，并采用了一种有效的预测校正方法来提高算法的收敛速度．实际电网中优化计算表明。

原对偶内点法和预测校正原对偶内点法在电压稳定裕度计算中的应用比较

以交直流混合系统电压稳定裕度为研究对象,采用原对偶内点算法进行全局寻优;并在此基础上引入预测校正,通过协调解的可行性和最优性之间的关系提高算法的收敛速度。以IEEE-14、30节点系统为例,通过对影响算法关键因素σ的分析,比较了原对偶内点法和预测校正原对偶内点法的计算精度和速度,验证了本文算法的可行性并对两种算法的全局寻优能力做了比较,在相同的约束条件下都得到了满意的结果,且计算速度与系统规模关系不大。

基于原-对偶内点法的化工过程优化算法

在基于积极集SQP的拟序贯算法研究基础上,提出了基于原-对偶内点法的拟序贯化工过程优化算法。拟序贯算法分为模拟层和优化计算层双层。模拟层中使用正交配置法同时离散状态变量和控制变量,变量的边界约束加于配置点上。同时,每次NLP迭代均求解离散DAE系统,消除等式约束和状态变量,从而减小NLP问题的规模。最新研究表明,在大规模优化问题中内点法相对于积极集SQP算法具有明显优势,因此,优化计算层中用原-对偶内点法来求解NLP问题。使用FORTRAN语言独立编写了整个算法程序,并通过热集成精馏系统最优控制的动态优化问题验证了算法的有效性。结果显示,该算法具有求解大规模动态优化问题的能力。

基于预测-校正原对偶内点法的多分类支持向量机学习算法

支持向量机基于统计学习理论,是一种新型通用的有监督的机器学习方法,其核心思想是使结构风险极小化,但是由于需要求解二次规划,使得它在求解大规模数据上具有一定的局限性,尤其是对于多分类问题,现有的支持向量机算法具有很高的复杂性.本文构造了基于线性规划的一对一三类结构支持向量分类器,可以直接利用比较成熟的线性规划算法——预测-校正原对偶内点法,并在此基础上提出了基于预测-校正原对偶内点法的支持向量机的多分类学习算法,这种算法可用于比较庞大的多类别识别问题,并且克服了标准支持向量机的一些缺点,而且模型简单,容易实现.针对UCI数据库上数据进行了实验,结果证实该算法具有较高的可行性和实用性.

最优潮流的原对偶内点法矢量化实现

为提高计算速度,采用矢量化技术实现最优潮流计算。通过将同类型的优化变量集中排列,建立最优潮流模型的矢量化表达形式。采用原对偶内点算法求解该模型,建立梯度矩阵及海森矩阵线性组合的矢量化计算公式。求解修正方程时,对系数矩阵进行近似处理,对修正方程系数矩阵采用LDLT算法进行分解。采用近似最小度(AMD)算法对系数矩阵进行排序,减少分解所产生的注入元。基于C/C++开发电力系统矢量运算支持库,设计动态稀疏存储策略进一步提升最优潮流程序的计算速度。对多个测试系统进行仿真计算表明:矢量化可简化最优潮流的程序逻辑并提高程序运行速度。