基于改进灰狼平衡算法的配电网功率潮流和电压优化

针对现有群体智能优化算法在处理多目标功率潮流和电压优化问题时出现的易陷入局部最优、Pareto前沿分布性能不佳等问题，本文结合灰色狼群算法(GWO)和平衡优化器(EO)算法的搜索机制，开发出改进的灰狼平衡算法(GWEO)。该算法在GWO搜索机制的基础上加入了EO的扰动机制，进一步扩大了算法的搜索范围，有效提升了算法搜索结果的收敛性和分布性。然后以IEEE12、33、118节点配电系统为算例，以系统损耗最小、平均电压偏差最小和分布式光伏弃光率最小为优化目标，将GWEO应用到考虑分布式接入场景的配电网多目标功率潮流和电压优化中。优化结果表明，改进的GWEO可为决策者提供更优质、更多样的功率潮流和电压优化方案，因此更能满足实际配电网功率潮流和电压优化的场景需求。

无功补偿策略探（五）：电容器组和电抗器组混合安装的无功补偿优化策略

亮点： 1. 可实现任意分组比例下电容器组和电抗器组混合安装的离散无功补偿装置（既某段母线上安装的补偿设备既包括电容器组又包括电抗器组）的无功补偿优化策略，可满足500kV以上超特高压交流变电站的无功补偿需求（考虑到超特高压交流变电站内所接长线路的等效容抗，既需要感性无功补偿又需要容性无功补偿） 2. 可在补偿装置总容量和容量比给定时，指定满足考虑最大日投切次数约束的电容器组补偿优化策略，该投切策略可使得当日绝对无功电量达到最小 3. 可在指定补偿优化策略后，得出补偿装置的实时运行状态、补偿装置内各电容/电抗器组运行状态、补偿前后绝对无功电量等信息 4. 可按照最小欠补偿（Mode = 1，在不能出现过补偿的前提下使得当日绝对无功电量达到最小）和最小过补偿（Mode = -1，在不能出现欠补偿的前提下使得当日绝对无功电量达到最小）两种模式指定补偿优化策略 5. 可证明：该方法可得出任意投切次数要求下的补偿装置的无功补偿优化策略（证明方法将呈现在拟发表的论文中，拟向SCI、EI或者CSCD投稿论文） 补注： 1. 修复了程序中的部分bug

无功补偿策略探（四）：基于任意分组比例的电容器组和电抗器组的无功补偿优化策略

亮点： 1. 可实现按照任意比例分组（包括均等分组、二进制分组、1:2:2:4比例分组等，分组越多则投切策略更平滑，但相应的投切次数显著增高）的离散无功补偿装置（电容器组和电抗器组）的无功补偿优化策略 2. 可在补偿装置总容量和容量比给定时，指定满足考虑最大日投切次数约束的电容器组补偿优化策略，该投切策略可使得当日绝对无功电量达到最小 3. 可在指定补偿优化策略后，得出补偿装置的实时运行状态、补偿装置内各电容/电抗器组运行状态、补偿前后绝对无功电量等信息 4. 可按照最小欠补偿（Mode = 1，在不能出现过补偿的前提下使得当日绝对无功电量达到最小）和最小过补偿（Mode = -1，在不能出现欠补偿的前提下使得当日绝对无功电量达到最小）两种模式指定补偿优化策略 5. 可证明：该方法可得出任意投切次数要求下的补偿装置的无功补偿优化策略（证明方法将呈现在拟发表的论文中，拟向SCI、EI或者CSCD投稿论文） 补注： 1. 修复了程序中的部分bug，该类bug会导致某些投切策略无法满足相应的投切次数要求 2. 前三个版本的投切策略不能严格满足最小无功电量的要求，新版本程序给予了修正使之满足

无功补偿策略探（三）：基于任意电容器分组比例的无功补偿优化策略

亮点： 1. 可实现按照任意比例分组（包括均等分组、二进制分组、1:2:2:4比例分组等，分组越多则投切策略更平滑，但相应的投切次数显著增高）的电容器组无功补偿优化策略 2. 可在电容器组总容量和容量比给定时，指定满足考虑最大日投切次数约束的电容器组补偿优化策略，该投切策略可使得当日绝对无功电量达到最小 3. 可在指定补偿优化策略后，得出电容器组的实时运行状态、电容器组内各电容器最大日投切次数、电容器组日内总状态数和状态变化、补偿前后绝对无功电量等信息 4. 可按照最小欠补偿（Mode = 1，在不能出现过补偿的前提下使得当日绝对无功电量达到最小）和最小过补偿（Mode = -1，在不能出现欠补偿的前提下使得当日绝对无功电量达到最小）两种模式指定补偿优化策略 数据说明： 1. 采样步长：5min 2. 采样时间跨度：1d 3. 日最大投切次数：24次 编程平台： MATLAB R2022B

无功补偿策略探（二）：基于二进制电容器分组的无功补偿优化策略（下）

改进点： 修改了上期程序代码中的bug，使之能够在任意给定的二进制电容器组容量比下（容量比1、1:2、1:2:4、1:2:4:8等），均能够使电容器组内的任意电容器投切次数均满足要求（不超过最大日投切次数） 亮点： 1. 电容器按照二进制策略分组（容量比为1、1:2、1:2:4、1:2:4:8等组合，分组越多则投切策略更平滑，但相应的投切次数显著增高） 2. 可在电容器组总容量和容量比给定时，指定满足考虑最大日投切次数约束的电容器组补偿优化策略，该投切策略可使得当日绝对无功电量达到最小 3. 可在指定补偿优化策略后，得出电容器组的实时运行状态、电容器组内各电容器最大日投切次数、电容器组日内总状态数和状态变化、补偿前后绝对无功电量等信息 4. 可按照最小欠补偿（Mode = 1，在不能出现过补偿的前提下使得当日绝对无功电量达到最小）和最小过补偿（Mode = -1，在不能出现欠补偿的前提下使得当日绝对无功电量达到最小）两种模式指定补偿优化策略 数据说明： 1. 采样步长：5min 2. 采样时间跨度：1d 3. 日最大投切次数：24次 编程平台： MATLAB R2022B

无功补偿策略探（一）：基于二进制电容器分组的无功补偿优化策略（上）

亮点： 1. 电容器按照二进制策略分组（容量比为1、1:2、1:2:4、1:2:4:8等组合，分组越多则投切策略更平滑，但相应的投切次数显著增高） 2. 可在电容器组总容量和容量比给定时，指定满足考虑最大日投切次数约束的电容器组补偿优化策略，该投切策略可使得当日绝对无功电量达到最小 3. 可在指定补偿优化策略后，得出电容器组的实时运行状态、电容器组内各电容器最大日投切次数、电容器组日内总状态数和状态变化、补偿前后绝对无功电量等信息 4. 可按照最小欠补偿（Mode = 1，在不能出现过补偿的前提下使得当日绝对无功电量达到最小）和最小过补偿（Mode = -1，在不能出现欠补偿的前提下使得当日绝对无功电量达到最小）两种模式指定补偿优化策略 数据说明： 1. 采样步长：5min 2. 采样时间跨度：1d 编程平台： MATLAB R2022B

基于多目标基于知识获取与共享算法的无功电压优化

基于知识获取与共享算法(Gaining-sharing knowledge based algorithm, GSK)是一种模拟人类在整个生命周期中获取和分享知识的行为的启发式算法，该算法由埃及开罗大学的A. W. Mohamed等人于2020年首次提出。该算法将人一生中获取和分享知识的过程分为以下两个阶段‎： 1) 知识获取和分享的初级阶段，该阶段一般在人一生中的早期和中期。在这个阶段，人们更多地通过小型网络(如家庭、邻居、亲戚等)获取知识，而不是通过大型网络(如工作、社交网络、朋友等)。虽然在该阶段人们的思想还不成熟，但他们会努力尝试分享自己的想法和观点。 2) 知识获取与分享的高级阶段，该阶段一般在人一生中的中后期。在这个阶段，人们一般通过大型网络(如工作、社交网络、朋友等)获取知识。此外，处于该阶段的人往往青睐于成功学，相信成功者的观点以避免失败，并乐于通过大型网络向他人分享自己的观点，以使他人从自身的过程中获益。 该资源将新型的GSK算法应用于多目标、高维度、多时段、非线性的配电系统无功电压优化，并将该算法的优化效果与已有算法进行比较，验证了优化算法具有良好的优化效果。

适用于电气分析的快速Fourier变换函数

函数CFFT用以进行电气分析的快速Fourier变换，并将输出量转化成适合于电气信号分析的幅值——角度值相位形式，函数中的某些关键参数可以进行调整修改。 输入变量或参数名称： u：输入的时间序列信号（矩阵形式，行数对应于采样点数，列数对应于待分析的信号通道数） f_N：额定频率（单位：Hz），默认值为50 t_initial：初始时间（单位：s），默认值为0 Sample_Num：每个工频周期的采样点数，默认值为256 h_max：最大可分析谐波频率，默认值为128（根据Nyquist采样定理，h_max不能超过Sample_Num的1/2，否则程序将会报错） FFT_wide：分析的周期数，默认值为1 输出变量或参数名称： h：谐波次数序列（列向量形式，从0开始直到h_max，0对应于直流分量） fft_mag：幅值序列（矩阵形式，行数对应于谐波次数，列数对应于待分析的信号通道数） fft_deg：角度制相位序列（矩阵形式，行数对应于谐波次数，列数对应于待分析的信号通道数）

几种单目标优化算法的无功优化效果对比

基于MATLAB仿真平台，使用粒子群算法（PSO）、灰色狼群算法（GWO）、樽海鞘算法（SSA）、平衡优化器（EO）等群体智能算法，以及二阶锥松弛算法（SOCP）对IEEE33节点配电网进行潮流优化，以配电网系统的总系统损耗或电压偏差等电能质量指标最小为优化目标制定各时段无功补偿装置的控制策略，并对上述几种优化算法的优化效果进行对比，以体现上述几种优化算法在最优潮流研究应用的鲁棒性和适用性。

基于多目标灰色狼群算法的无功电压优化

基于多目标灰色狼群算法的无功电压优化