基于混合连续蚁群算法的最优潮流研究.pdfVIP

中国电机工程学会第十届青年学术会议 ·吉林 基于混合连续蚁群算法的最优潮流研究 陈厚合 1 吕志远2 刘成斌 3 （1． 东北电力大学 吉林省 吉林市 132012； 2.烟台供电公司 山东省 烟台市 264000； 3.华能瑞金电厂 江西省 赣州市 341108） 摘要：提出了基于混合连续蚁群(HCACO)的最优潮流(OPF)计算方法；该方法将蚁群优化算法(ACO)的正反馈特性与实数 遗传算法(GA)的进化策略相结合，克服了基本蚁群算法只适用于离散问题的局限性，并提高了寻优的效率，同时采用动态 调整罚函数策略，有效提高了算法的全局收敛能力和计算精度，采用优进策略，提高了算法的收敛速度。应用此算法对标准 IEEE-30节点测试系统进行最优潮流计算，并与进化规划和粒子群算法进行了比较，仿真结果表明，该算法能够更好地获得 全局最优解，结果表明了该算法的合理性和有效性。 关键词：最优潮流；混合连续蚁群算法；动态罚函数 0 引言 随着电力工业的发展，电力市场在全国范围内的推广，电力系统最优潮流 (Optimal Power Flow，OPF) 在解决电力市场下出现的新问题中发挥着越来越重要的作用[1] 。所谓最优潮流，就是当系统的结构参数及 负荷情况给定时，通过对某些控制变量的优化，找到在满足所有指定约束条件的前提下，使系统的某一个 或多个性能指标达到最优时的潮流分布。最优潮流的计算不仅能指导系统调度人员的操作，保证系统安全、 可靠运行；而且在市场化工程中，其经济价值日益体现。 最优潮流发展至今，出现了多种优化方法，主要分为：线性规划法、非线性规划法、二次规划法和人 工智能方法等。经典算法[2-4]对目标函数及约束条件有一定限制，如连续、可微等，必要时需要做简化和近 似处理，计算结果存在一定的误差；同时“维数灾”问题难以解决，计算时间较长；且在很多情况下会陷 入局部极小或接近最优解时难以收敛；难以满足OPF计算的要求。而人工智能算法[5-7]则具有较好的鲁棒性， 算法与导数无关，无需假设和近似；较强的灵活性，可以使用特殊应用问题所需的复杂目标函数；具有随 机性，容易跳出局部极值点；且内含并行性，大大提高了处理复杂优化问题的速度；较适合处理非线性优 化问题。 不同的算法都有不同的应用优势与不足，从解决实际问题角度出发融合不同类型机制的算法，充分发 挥它们各自的优势，是解决问题的必然发展趋势[8] 。混合连续蚁群算法[9] （HCACO ）将基本蚁群算法[10] 与传统遗传算法[11]相结合，既克服了蚁群优化算法只适用于离散问题的局限性[12]，又解决了遗传算法收敛 速度慢，局部寻优能力差的缺点；而且算法内含的信息正反馈、互激励机制，能够加快寻优进程，使得该 算法在解决复杂问题时比一般的智能算法更具有优势。 1 OPF 的数学模型 从数学角度上讲，最优潮流问题是一个多变量、高维数、多约束的混合非线性优化问题，其将安全性 与经济性结合，在满足网络安全运行的前提下追求经济最优，已被广泛的运用于电力系统的规划和运行中。 本文所研究的最优潮流就是在满足系统和机组的各种不同约束条件下确定各机组的运行点，以使所有发电 机的运行费用（即发电成本）最小，其目标函数为： N N G G Min f ∑F ( P ) ∑a P2 =+b P +c （1） i Gi i Gi i Gi i i 1 i 1 等式约束为潮流约束