基于改进云粒子群算法的电力系统无功优化研究.pdfVIP

第 31卷 第6期 兰 州 交 通 大 学 学 报 Vo．【31No．6 2012年 12月 JournalofImnzhouJiaolongUniversity Dec．2Ol2 文章编号：1001—4373(2012)06-0049—05 基于改进云粒子群算法的电力系统无功优化研究 张佩炯， 苏宏升， 杨 珏 ， 张吉斌 (兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070) 摘 要：针对云粒子群算法(CPSO)在电力系统无功优化中易陷入局部极值和存在早熟收敛问题，将基于云数字特 征 (期望值、熵值、超熵值)编码的云粒子群算法进行 了改进：依据解空间的变换将局部搜索和全局搜 索相结合，用 正态云算子实现粒子的进化学习和交叉变异操作．改进的算法在时间、存储量性能上有了明显的提高，将改进后的 算法应用到 IEEFA10节点标准测试系统和玉门电网进行仿真运算，与其它算法进行比较．其结果表明：该方法在 电 力系统无功优化中能取得更好的全局最优解，加快了收敛速度，提高了收敛精度． 关键词：电力系统；无功优化 ；云粒子群算法；云模型 中图分类号：TM7ll 文献标志码：A 无功优化是一个多约束、大规模、非线性组合优 优，其结果比传统PSO算法优越．传统的自适应粒 化问题[11．常用的方法主要分为经典算法和人工智 子群算法通常采用惯性权重线性递减策略，而这种 能算法．经典算法主要有线性规划法、非线性规划 策略往往不能反映出实际优化搜索的过程．因此本 法、混合整数规划法等．用常规算法来求解无功优化 文中是把种群分成了3个子群，分别采用不同的惯 的主要难题是离散变量的归整、多峰多极值．普遍会 性权重生成策略，其中，普通种群的惯性权重是由云 出现误差大、维数灾等问题 ，从而难 以得到理想结 模型的x条件云发生器来调节的[]．对该方法进 果[2。]．人工智能算法主要包括模拟退火算法(SA)、 行改进，改进后的方法很好地解决了云粒子群算法 遗传算法(GA)、免疫算法 (1A)、蚁群算法(ACA)和 难于收敛的问题． 粒子群算法 PSO)等[4．6]．这些基于群体智能的优化 1 无功优化数学模型 算法具有较强的全局搜索能力，能较好地处理离散、 多 目标优化问题，并在电力系统无功优化等诸多领 1．1 目标函数 域中得到广泛应用． 无功优化是在保证系统无功平衡的条件下，以 粒子群优化算法 (PSO)是 Kennedy和 Eber— 发电机端电压、有载调压变压器变比、补偿电容器容 hart于 1995年提出的一种进化算法，它源于对鸟类 量等控制变量为控制手段，以降低系统网络损耗、改 捕食行为的模拟[7]．由于其结构简单、参数调整方便 善电能质量为 目标．本文依据文献[11]选择以有功 以及适合计算机编程处理等诸多优点．在连续优化 网损最小为 目标的优化，目标函数为 问题和离散优化问题中都表现出良好的效果．但它 的缺点是易陷入局部极值，搜索精度不高，进化后期 minF 一 妻P 薹( )。 收敛速度慢． 云模型I一8．9]是李德毅提出的一种用来定性描述 薹( )。 ㈩ 和定性概念与定量数值表示之间的不确定性转换模 △Ui、△QG的取值如式(2)所示． 型，已经在智能控制、模糊评测等诸多领域得到了广 r【，{ 一 ，U U 泛应用．文献[10，13]分别采用了云遗传算法和云模 △Ui一_{0，Uij≤Ui≤U 型的云变异粒子群算法对标准测试函数进行了寻