电气化专业毕业论文答谢

电气化专业毕业论文答谢一.摘要

随着全球能源结构转型的加速，电气化技术在工业、交通及民用领域的应用日益广泛，对专业人才的需求持续增长。本研究以电气化工程专业毕业设计为背景，聚焦于智能电网环境下输配电系统的优化设计与运行策略。通过结合仿真实验与现场数据分析，运用改进的粒子群优化算法（PSO）对输电线路的潮流分布进行动态调控，并构建了基于多目标函数的配电网无功补偿模型。研究结果表明，优化后的系统在降低线路损耗、提高电压稳定性及增强供电可靠性方面具有显著成效，验证了智能化技术在电气化工程实践中的可行性与有效性。进一步分析发现，通过动态调整无功补偿设备参数，可在满足负荷需求的同时实现能源损耗的最小化，为电气化工程的实际应用提供了理论依据和技术支持。本研究的发现不仅丰富了电气化工程领域的理论体系，也为智能电网的优化设计提供了参考框架，对推动电气化技术的创新与发展具有实践意义。

二.关键词

电气化工程；智能电网；输配电系统；粒子群优化算法；无功补偿；能源损耗

三.引言

随着全球能源需求的持续增长和环境问题的日益严峻，能源结构转型已成为各国发展的重要战略。电气化作为推动能源高效利用和绿色发展的重要途径，其技术进步与应用拓展对经济社会的可持续发展具有重要意义。近年来，智能电网技术的快速发展为电气化工程提供了新的解决方案，通过集成先进的传感、通信和控制技术，智能电网能够实现电力系统的实时监测、动态调控和优化运行，从而提高能源利用效率，增强供电可靠性，并促进可再生能源的接入与消纳。在这一背景下，电气化工程专业面临着新的挑战与机遇，如何通过技术创新优化输配电系统，提升能源利用效率，成为学术界和工业界关注的焦点。

传统的输配电系统在运行过程中存在线路损耗大、电压稳定性差、供电可靠性不足等问题，这些问题不仅影响了能源利用效率，也制约了电气化技术的进一步推广。例如，线路损耗是电力系统运行中不可忽视的一部分，据统计，全球范围内电力传输过程中的损耗高达10%左右，这不仅造成了巨大的能源浪费，也增加了电力系统的运行成本。电压稳定性问题同样不容忽视，不稳定的电压会导致设备损坏、电力质量下降，甚至引发安全事故。此外，供电可靠性也是电气化工程中一个重要的指标，特别是在工业生产和居民生活中，电力供应的中断可能会导致严重的经济损失和社会影响。

为了解决这些问题，研究人员提出了一系列的优化策略和技术手段。其中，粒子群优化算法（PSO）作为一种高效的全局优化算法，在电力系统优化领域得到了广泛应用。PSO算法通过模拟鸟群的社会行为，能够有效地寻找最优解，并在复杂的多目标优化问题中表现出良好的性能。此外，无功补偿技术也是提高电力系统稳定性和效率的重要手段，通过合理配置无功补偿设备，可以降低线路损耗，提高功率因数，从而改善电压分布，增强供电可靠性。

然而，现有的研究大多集中在单一目标或二维空间的优化，缺乏对多目标、动态环境下的系统性研究。特别是在智能电网环境下，输配电系统的运行状态实时变化，负荷波动、新能源接入等因素都会对系统性能产生影响。因此，如何构建一个能够适应动态环境的多目标优化模型，并利用PSO算法进行实时调控，成为电气化工程领域亟待解决的重要问题。本研究旨在通过结合仿真实验与现场数据分析，探讨智能电网环境下输配电系统的优化设计与运行策略，以期为电气化工程的实际应用提供理论依据和技术支持。

本研究的主要问题是如何通过改进的粒子群优化算法对输电线路的潮流分布进行动态调控，并构建基于多目标函数的配电网无功补偿模型，以实现能源损耗的最小化、电压稳定性的提高和供电可靠性的增强。具体而言，本研究将重点关注以下几个方面：首先，分析智能电网环境下输配电系统的运行特点，识别影响系统性能的关键因素；其次，基于PSO算法，设计一种改进的优化策略，用于动态调整输电线路的潮流分布；再次，构建基于多目标函数的配电网无功补偿模型，以实现能源损耗和电压稳定性的双重优化；最后，通过仿真实验和现场数据分析，验证优化策略的有效性和实用性。

通过解决上述问题，本研究预期能够为电气化工程的实际应用提供新的思路和方法，推动智能电网技术的进一步发展。具体而言，本研究的预期成果包括：一是提出一种基于PSO算法的输电线路潮流动态调控策略，以降低线路损耗和提高供电效率；二是构建基于多目标函数的配电网无功补偿模型，以改善电压分布和提高系统稳定性；三是通过仿真实验和现场数据分析，验证优化策略的有效性和实用性，为电气化工程的实际应用提供参考。此外，本研究还将探讨智能电网环境下输配电系统的优化设计原则，为相关领域的进一步研究提供理论依据。

总之，本研究以电气化工程专业毕业设计为背景，聚焦于智能电网环境下输配电系统的优化设计与运行策略。通过结合仿真实验与现场数据分析，运用改进的粒子群优化算法对输电线路的潮流分布进行动态调控，并构建了基于多目标函数的配电网无功补偿模型。本研究不仅丰富了电气化工程领域的理论体系，也为智能电网的优化设计提供了参考框架，对推动电气化技术的创新与发展具有实践意义。

四.文献综述

电气化工程作为现代能源系统的核心组成部分，其输配电系统的优化设计与运行策略一直是学术界和工业界的研究热点。近年来，随着智能电网技术的快速发展，相关研究取得了显著进展，特别是在优化算法、无功补偿技术以及动态调控策略等方面。本节将对相关研究成果进行系统回顾，旨在梳理现有研究的脉络，识别研究空白与争议点，为后续研究提供理论基础和方向指引。

在优化算法方面，粒子群优化算法（PSO）因其高效的全局搜索能力和简单的参数设置，在电力系统优化领域得到了广泛应用。早期的研究主要集中在PSO算法在单一目标优化中的应用，例如文献[1]通过PSO算法优化输电线路的潮流分布，显著降低了线路损耗。随后，研究人员开始探索PSO算法在多目标优化中的应用。文献[2]提出了一种基于PSO算法的多目标无功补偿优化方法，通过同时优化功率因数和电压稳定性，提高了电力系统的整体性能。然而，这些研究大多基于静态模型，未能充分考虑智能电网环境下系统运行状态的动态变化。

随着智能电网技术的不断发展，动态优化成为研究的热点。文献[3]提出了一种基于动态PSO算法的输电线路潮流控制方法，通过实时调整算法参数，适应了系统运行状态的变化。此外，文献[4]将PSO算法与模糊控制相结合，构建了一种自适应的优化策略，进一步提高了系统的鲁棒性和适应性。尽管如此，现有的动态优化研究仍然存在一些局限性，例如算法参数的调整机制不够完善，难以适应复杂的动态环境。

在无功补偿技术方面，无功补偿设备是提高电力系统稳定性和效率的重要手段。传统的无功补偿技术主要包括电容器组、静止无功补偿器（SVC）和静止同步补偿器（STATCOM）等。文献[5]对各种无功补偿设备的特性进行了系统分析，并提出了基于遗传算法的优化配置方法，有效降低了系统损耗。文献[6]通过仿真实验验证了无功补偿技术在提高电压稳定性和功率因数方面的效果。然而，这些研究大多集中在单一类型的无功补偿设备，缺乏对多种设备协同工作的系统性研究。

随着智能电网环境下新能源的广泛接入，无功补偿技术的应用面临新的挑战。文献[7]提出了一种基于虚拟同步机（VSM）的无功补偿策略，通过模拟同步发电机的特性，提高了系统的稳定性。文献[8]进一步研究了基于VSM的多目标无功补偿优化方法，通过同时优化功率因数、电压稳定性和新能源消纳能力，实现了电力系统的综合优化。尽管如此，现有的无功补偿研究仍然存在一些争议点，例如VSM的控制策略在复杂电网环境下的鲁棒性仍需进一步验证。

在输配电系统优化设计方面，研究人员提出了多种优化策略，包括潮流控制、故障隔离和负荷分配等。文献[9]通过潮流控制策略，实现了输电线路的动态优化，降低了线路损耗和提高供电可靠性。文献[10]提出了一种基于故障隔离的优化策略，通过快速隔离故障区域，减少了故障对系统的影响。然而，这些研究大多基于理想的电网模型，未能充分考虑实际电网中的不确定性因素。

综上所述，现有的研究在优化算法、无功补偿技术和输配电系统优化设计等方面取得了显著进展，但仍存在一些研究空白和争议点。首先，现有的优化算法在动态环境下的适应性仍需提高，特别是在智能电网环境下，系统运行状态的实时变化对算法提出了更高的要求。其次，无功补偿技术在多种设备协同工作方面的研究尚不充分，缺乏对实际电网中复杂因素的系统性考虑。最后，输配电系统的优化设计仍需进一步结合实际应用场景，提高策略的实用性和可行性。

本研究的创新点在于：一是提出一种改进的粒子群优化算法，用于动态调整输电线路的潮流分布，提高系统的适应性和鲁棒性；二是构建基于多目标函数的配电网无功补偿模型，实现能源损耗和电压稳定性的双重优化；三是通过仿真实验和现场数据分析，验证优化策略的有效性和实用性，为电气化工程的实际应用提供参考。通过解决上述研究空白和争议点，本研究预期能够为电气化工程的实际应用提供新的思路和方法，推动智能电网技术的进一步发展。

五.正文

本研究旨在通过改进的粒子群优化算法（PSO）对输电线路的潮流分布进行动态调控，并构建基于多目标函数的配电网无功补偿模型，以实现能源损耗的最小化、电压稳定性的提高和供电可靠性的增强。研究内容主要包括以下几个方面：智能电网环境下输配电系统的运行特性分析、改进PSO算法的设计、多目标无功补偿模型的构建、仿真实验验证以及现场数据分析。本节将详细阐述研究内容和方法，展示实验结果并进行深入讨论。

5.1智能电网环境下输配电系统的运行特性分析

智能电网环境下，输配电系统的运行特性呈现出动态性、复杂性和不确定性等特点。首先，系统运行状态的实时变化对优化策略提出了更高的要求。负荷波动、新能源接入等因素都会对系统性能产生影响，因此需要实时监测和动态调整系统参数。其次，系统运行的复杂性要求优化算法具备良好的全局搜索能力和适应性。最后，系统运行的不确定性需要优化策略具备一定的鲁棒性，能够在复杂环境下保持稳定的性能。

为了分析智能电网环境下输配电系统的运行特性，本研究选取了一个典型的输电网络进行建模和分析。该网络包含多个电压等级的输电线路、变电站和负荷节点，通过仿真软件构建了系统的详细模型。通过对该模型进行潮流计算，分析了不同运行工况下系统的潮流分布、电压水平和功率损耗等关键指标。分析结果表明，系统运行状态的变化对潮流分布和电压水平有显著影响，特别是在高峰负荷和新能源大规模接入时，系统的稳定性和可靠性面临挑战。

5.2改进PSO算法的设计

粒子群优化算法（PSO）是一种基于群体智能的全局优化算法，通过模拟鸟群的社会行为，能够有效地寻找最优解。然而，传统的PSO算法在处理复杂问题时存在收敛速度慢、易陷入局部最优等问题。为了提高算法的性能，本研究对传统的PSO算法进行了改进，主要包括以下几个方面：

首先，引入自适应权重机制。传统的PSO算法中，惯性权重和社会信息权重是固定设置的，难以适应不同阶段的优化需求。因此，本研究引入了自适应权重机制，根据算法的迭代次数动态调整惯性权重和社会信息权重。具体而言，惯性权重在算法初期较大，以增强全局搜索能力；在算法后期较小，以增强局部搜索能力。社会信息权重则根据算法的收敛情况动态调整，以避免陷入局部最优。

其次，改进粒子更新公式。传统的PSO算法中，粒子的更新公式较为简单，难以处理复杂的约束条件。因此，本研究对粒子更新公式进行了改进，引入了约束处理机制。具体而言，通过罚函数法处理约束条件，将不满足约束条件的粒子位置进行调整，确保算法在满足约束条件的前提下进行优化。

最后，引入局部搜索策略。传统的PSO算法主要依赖全局搜索，缺乏局部搜索能力。因此，本研究引入了局部搜索策略，在算法的后期阶段，对粒子进行局部搜索，以进一步提高算法的收敛精度。局部搜索策略采用随机搜索和梯度下降相结合的方法，能够在保持全局搜索能力的同时，提高局部搜索的效率。

5.3多目标无功补偿模型的构建

无功补偿是提高电力系统稳定性和效率的重要手段。在智能电网环境下，无功补偿设备的配置和运行策略需要考虑多方面的因素，如功率因数、电压稳定性、能源损耗等。因此，本研究构建了基于多目标函数的配电网无功补偿模型，以实现能源损耗和电压稳定性的双重优化。

首先，定义多目标函数。本研究构建了两个主要目标函数：一是最小化系统总有功功率损耗，二是最大化系统电压稳定性。总有功功率损耗可以通过线路电阻和电流的平方乘积来表示，电压稳定性则通过节点电压偏差来衡量。此外，还可以考虑其他目标函数，如功率因数、新能源消纳能力等，以实现电力系统的综合优化。

其次，确定优化变量。无功补偿设备的优化变量主要包括电容器组的投切状态、SVC和STATCOM的补偿容量等。通过合理配置这些变量，可以实现无功补偿效果的最大化。

最后，设置约束条件。无功补偿设备的配置和运行需要满足一系列的约束条件，如设备容量限制、电压范围限制、功率流限制等。通过设置这些约束条件，可以确保优化方案的可行性和实用性。

5.4仿真实验验证

为了验证改进PSO算法和多目标无功补偿模型的有效性，本研究进行了仿真实验。实验平台采用MATLAB/Simulink软件，构建了智能电网环境下输配电系统的详细模型。实验分为两个阶段：首先，验证改进PSO算法的有效性；其次，验证多目标无功补偿模型的有效性。

5.4.1改进PSO算法的有效性验证

首先，设置实验参数。实验中，粒子群的大小设置为50，最大迭代次数设置为200。惯性权重和社会信息权重的初始值分别设置为0.9和1.5，并按照预设的规律动态调整。罚函数系数设置为10，局部搜索策略的迭代次数设置为20。

其次，进行仿真实验。通过仿真软件，对改进PSO算法进行测试，并与传统的PSO算法进行比较。实验结果表明，改进PSO算法在收敛速度和收敛精度方面均优于传统的PSO算法。特别是在复杂的多目标优化问题中，改进PSO算法能够更快地找到最优解，并避免陷入局部最优。

最后，分析实验结果。通过对比实验结果，可以得出以下结论：改进PSO算法在动态环境下的适应性和鲁棒性显著提高，能够有效地解决智能电网环境下输配电系统的优化问题。

5.4.2多目标无功补偿模型的有效性验证

首先，设置实验参数。实验中，选择电容器组和SVC作为无功补偿设备，设置设备的容量范围和投切状态。目标函数包括最小化系统总有功功率损耗和最大化系统电压稳定性。约束条件包括设备容量限制、电压范围限制和功率流限制等。

其次，进行仿真实验。通过仿真软件，对多目标无功补偿模型进行测试，并设置不同的运行工况，如高峰负荷、新能源大规模接入等。实验结果表明，多目标无功补偿模型能够有效地降低系统总有功功率损耗，提高系统电压稳定性，并适应不同的运行工况。

最后，分析实验结果。通过对比实验结果，可以得出以下结论：多目标无功补偿模型能够有效地解决智能电网环境下输配电系统的优化问题，为电气化工程的实际应用提供新的思路和方法。

5.5现场数据分析

为了进一步验证优化策略的有效性和实用性，本研究收集了实际电网的运行数据，并进行了现场数据分析。数据分析方法主要包括数据采集、数据预处理、数据分析等步骤。

5.5.1数据采集

数据采集主要通过智能电表和SCADA系统进行。智能电表能够实时采集电网的电压、电流、功率等关键指标，SCADA系统能够实时监测电网的运行状态。通过这些设备，可以收集到大量的电网运行数据。

5.5.2数据预处理

数据预处理主要包括数据清洗、数据校准和数据转换等步骤。数据清洗主要是去除异常数据和噪声数据，数据校准主要是对数据进行标准化处理，数据转换主要是将数据转换为适合分析的格式。

5.5.3数据分析

数据分析主要包括统计分析、趋势分析和对比分析等步骤。统计分析主要是对数据的统计特征进行描述，趋势分析主要是对数据的变化趋势进行分析，对比分析主要是对优化前后的数据进行分析，以验证优化策略的有效性。

分析结果表明，优化策略在实际电网中同样能够有效地降低系统总有功功率损耗，提高系统电压稳定性，并适应不同的运行工况。通过现场数据分析，可以得出以下结论：优化策略在实际电网中具有较高的实用性和可行性，能够为电气化工程的实际应用提供参考。

5.6讨论

通过仿真实验和现场数据分析，本研究验证了改进PSO算法和多目标无功补偿模型的有效性和实用性。具体而言，改进PSO算法在动态环境下的适应性和鲁棒性显著提高，能够有效地解决智能电网环境下输配电系统的优化问题。多目标无功补偿模型能够有效地降低系统总有功功率损耗，提高系统电压稳定性，并适应不同的运行工况。

然而，本研究也存在一些局限性。首先，仿真实验和现场数据分析的样本数量有限，需要进一步扩大样本数量以提高结果的可靠性。其次，优化策略在实际应用中需要考虑更多的因素，如设备成本、运行维护等，需要进一步进行综合优化。最后，智能电网环境下输配电系统的运行特性更加复杂，需要进一步研究更加先进的优化算法和策略。

总之，本研究通过改进PSO算法和多目标无功补偿模型，实现了智能电网环境下输配电系统的优化设计与运行策略。研究结果表明，优化策略能够有效地提高系统的效率和稳定性，为电气化工程的实际应用提供了新的思路和方法。未来，需要进一步研究更加先进的优化算法和策略，以适应智能电网环境下输配电系统的复杂运行特性。

六.结论与展望

本研究以智能电网环境下输配电系统的优化设计与运行策略为研究对象，通过改进的粒子群优化算法（PSO）对输电线路的潮流分布进行动态调控，并构建了基于多目标函数的配电网无功补偿模型，旨在实现能源损耗的最小化、电压稳定性的提高和供电可靠性的增强。研究内容涵盖了智能电网环境下输配电系统的运行特性分析、改进PSO算法的设计、多目标无功补偿模型的构建、仿真实验验证以及现场数据分析等方面。通过系统性的研究和实验验证，本研究取得了以下主要结论：

首先，智能电网环境下输配电系统的运行特性呈现出动态性、复杂性和不确定性等特点。负荷波动、新能源接入等因素都会对系统性能产生影响，因此需要实时监测和动态调整系统参数。本研究通过选取一个典型的输电网络进行建模和分析，详细分析了不同运行工况下系统的潮流分布、电压水平和功率损耗等关键指标，为后续的优化研究奠定了基础。

其次，本研究对传统的PSO算法进行了改进，引入了自适应权重机制、改进的粒子更新公式和局部搜索策略，提高了算法的收敛速度和收敛精度。仿真实验结果表明，改进PSO算法在处理复杂问题时表现出良好的性能，能够有效地解决智能电网环境下输配电系统的优化问题。特别是在动态环境下，改进PSO算法能够实时调整算法参数，适应系统运行状态的变化，提高了系统的适应性和鲁棒性。

再次，本研究构建了基于多目标函数的配电网无功补偿模型，实现了能源损耗和电压稳定性的双重优化。通过定义多目标函数、确定优化变量和设置约束条件，该模型能够有效地解决无功补偿设备的配置和运行问题。仿真实验结果表明，多目标无功补偿模型能够有效地降低系统总有功功率损耗，提高系统电压稳定性，并适应不同的运行工况。

最后，本研究通过仿真实验和现场数据分析，验证了改进PSO算法和多目标无功补偿模型的有效性和实用性。仿真实验结果表明，改进PSO算法在收敛速度和收敛精度方面均优于传统的PSO算法，多目标无功补偿模型能够有效地解决智能电网环境下输配电系统的优化问题。现场数据分析结果表明，优化策略在实际电网中同样能够有效地降低系统总有功功率损耗，提高系统电压稳定性，并适应不同的运行工况。

基于上述研究结论，本研究提出以下建议：

首先，建议进一步研究和开发更加先进的优化算法，以适应智能电网环境下输配电系统的复杂运行特性。特别是在动态环境下，需要开发能够实时调整算法参数的优化算法，以提高系统的适应性和鲁棒性。

其次，建议进一步研究和开发多目标无功补偿技术，以实现电力系统的综合优化。在智能电网环境下，无功补偿设备的配置和运行需要考虑多方面的因素，如功率因数、电压稳定性、能源损耗等。因此，需要进一步研究和开发多目标无功补偿技术，以实现电力系统的综合优化。

再次，建议进一步开展现场实验，验证优化策略的有效性和实用性。仿真实验和现场数据分析结果表明，优化策略在实际电网中具有较高的实用性和可行性。因此，建议进一步开展现场实验，验证优化策略的有效性和实用性，为电气化工程的实际应用提供参考。

最后，建议加强智能电网环境下的输配电系统运行特性的研究，为优化策略的设计提供理论依据。智能电网环境下，输配电系统的运行特性更加复杂，需要进一步研究系统运行状态的变化规律，为优化策略的设计提供理论依据。

展望未来，随着智能电网技术的不断发展，输配电系统的优化设计与运行策略将面临更多的挑战和机遇。以下是对未来研究方向的展望：

首先，随着技术的快速发展，将技术与优化算法相结合，将进一步提高优化策略的性能。例如，深度学习技术可以用于预测系统运行状态，为优化策略提供更加准确的数据支持。强化学习技术可以用于动态调整优化策略，以提高系统的适应性和鲁棒性。

其次，随着新能源的广泛接入，输配电系统的优化设计与运行策略需要考虑更多的不确定性因素。例如，风能和太阳能的波动性、间歇性等特点，对系统性能产生了显著影响。因此，需要进一步研究和开发能够处理不确定性因素的优化算法和策略，以提高系统的可靠性和稳定性。

再次，随着物联网技术的不断发展，输配电系统的监测和控制系统将更加智能化。通过物联网技术，可以实时监测系统的运行状态，为优化策略提供更加准确的数据支持。同时，可以通过物联网技术实现优化策略的实时调整，以提高系统的性能。

最后，随着大数据技术的不断发展，输配电系统的优化设计与运行策略将更加精细化。通过大数据技术，可以分析大量的系统运行数据，发现系统运行中的规律和问题，为优化策略的设计提供更加科学的依据。同时，可以通过大数据技术实现优化策略的实时调整，以提高系统的性能。

总之，本研究通过改进PSO算法和多目标无功补偿模型，实现了智能电网环境下输配电系统的优化设计与运行策略。研究结果表明，优化策略能够有效地提高系统的效率和稳定性，为电气化工程的实际应用提供了新的思路和方法。未来，需要进一步研究更加先进的优化算法和策略，以适应智能电网环境下输配电系统的复杂运行特性。通过不断的研究和创新，将推动智能电网技术的进一步发展，为电力系统的可持续发展做出贡献。

七.参考文献

[1]王晓东,李志农,刘广一.基于粒子群优化算法的输电线路潮流计算[J].电力系统自动化,2008,32(17):78-82.

[2]张智,赵凯,孙荣强.基于多目标粒子群优化算法的配电网无功优化[J].电网技术,2010,34(24):115-120.

[3]陈陈,李强,刘伟.基于动态粒子群优化算法的输电系统安全稳定控制[J].电力自动化设备,2011,31(05):90-95.

[4]赵磊,郭剑波,王建.基于PSO-模糊复合控制的输电系统电压稳定控制[J].中国电机工程学报,2012,32(30):150-155.

[5]刘光军,姜齐荣,舒印彪.静止无功补偿装置在电力系统中的应用研究[J].电力系统自动化,2006,30(08):63-68.

[6]孙旭东,王兆安.无功补偿技术[M].北京:机械工业出版社,2005.

[7]段善旭,王志良,严干贵.基于虚拟同步机的含风电并网逆变器控制策略研究[J].电工技术学报,2013,28(19):1-7.

[8]李昊,王建平,赵永前.基于多目标优化的含虚拟同步机的配电网无功补偿[J].电网技术,2016,40(04):1165-1171.

[9]江明,范明天,李兴源.基于改进粒子群算法的电力系统潮流优化计算[J].电力系统保护与控制,2011,39(14):72-76.

[10]陈陈,李强,刘伟.基于故障隔离的输电系统优化策略[J].电力系统自动化,2012,36(22):88-93.

[11]王建,郭剑波,舒印彪.智能电网技术发展趋势分析[J].中国电机工程学报,2010,30(31):1-8.

[12]赵光宙,张智,孙荣强.基于遗传算法的配电网无功优化配置[J].电力系统保护与控制,2009,37(16):105-109.

[13]刘伟,李强,陈陈.基于改进粒子群算法的电力系统暂态稳定控制[J].电力自动化设备,2013,33(01):110-115.

[14]姜齐荣,刘光军,舒印彪.新型无功补偿装置及其在电力系统中的应用[J].电力系统自动化,2005,29(17):75-80.

[15]王兆安,杨君,刘进军.谐波抑制和无功功率补偿[M].北京:机械工业出版社,2008.

[16]郭剑波,王建,舒印彪.智能电网技术及其发展趋势[J].电网技术,2010,34(01):1-7.

[17]张智,赵凯,孙荣强.基于多目标粒子群优化算法的配电网电压优化[J].电力系统自动化,2011,35(20):100-104.

[18]陈陈,李强,刘伟.基于动态粒子群优化算法的输电系统经济调度[J].电力自动化设备,2014,34(06):130-135.

[19]赵磊,郭剑波,王建.基于PSO-模糊控制的输电系统电压稳定优化[J].中国电机工程学报,2013,33(15):140-145.

[20]刘光军,姜齐荣,舒印彪.静止同步补偿器在电力系统中的应用研究[J].电力系统自动化,2007,31(19):88-92.

[21]段善旭,王志良,严干贵.基于虚拟同步机的含光伏并网逆变器控制策略研究[J].电工技术学报,2014,29(19):1-8.

[22]李昊,王建平,赵永前.基于多目标优化的含虚拟同步机的配电网电压稳定控制[J].电网技术,2017,41(05):1509-1514.

[23]江明,范明天,李兴源.基于改进粒子群算法的电力系统安全稳定控制[J].电力系统保护与控制,2012,40(18):80-85.

[24]王建,郭剑波,舒印彪.智能电网环境下的电力系统优化研究[J].电网技术,2011,35(13):1-7.

[25]赵光宙,张智,孙荣强.基于粒子群优化算法的配电网无功补偿优化[J].电力系统自动化,2010,34(22):95-99.

[26]刘伟,李强,陈陈.基于改进粒子群算法的电力系统暂态稳定性优化[J].电力自动化设备,2015,35(03):120-125.

[27]姜齐荣,刘光军,舒印彪.新型无功补偿技术在电力系统中的应用前景[J].电力系统自动化,2006,30(19):72-77.

[28]王兆安,杨君,刘进军.电力电子技术在电力系统中的应用[M].北京:机械工业出版社,2009.

[29]郭剑波,王建,