基于自适应变异扰动粒子群算法的电力系统无功优化研究技术分析.pptVIP

2.2改进的自适应变异扰动粒子群算法 当上述自适应条件满足时，则第i个粒子的某一维以其个体最优位置为依据进行如下变异操作： 其中，D为维数，Pij(k)为第i个粒子的第j维在k次迭代内找到的个体历史最优位置，rand为[0,1]之间的随机数， ceil(rand×D)为加入正小数至 rand×D最近的整数。 2.2改进的自适应变异扰动粒子群算法 AMDPSO流程图 2.3性能测试分析 2.3性能测试分析 搜索位置下的10个测试函数 比较优化结果最优值(Best)、均值(Mean)、方差(Std)以及平均时间(Time) 验证AMDPSO优化性能 与IWPSO、CFPSO两种算法 比较 分析得出结论 2.3性能测试分析 三种算法比较试验 种群个数设置： n=int(10+2 ) 最大迭代次数：300 扰动系数：cm=0.4 变异系数：r=0.01 加速因子：2 ωini，ωfin ：0.9，0.4 收缩因子：0.729 测试函数的维数：30 2.3性能测试分析 2.3性能测试分析 2.3性能测试分析 2.3性能测试分析 2.3性能测试分析 AMDPSO的优化结果均优于其他两种算法 AMDPSO的收敛速度（除f8外）均优于其他两种算法，但还不能很好满足精度要求 AMDPSO：较强的优化性能与较快的收敛速度，较好保持种群多样性 3 基于AMDPSO的无功优化分析 建立无功优化模型 基于AMDPSO的无功优化 算例仿真及结果分析 3.1 建立无功优化模型 无功优化 功率约束方程 变量约束条件 目标函数 控制变量 状态变量 发电机电压 变压器分接头档位 各节点电压 发电机无功出力 无功补偿量 构成PSO中粒子各维的位置 ①经济目标②电压水平③电压稳定：提高电压稳定裕度；④无功成本：⑤动作次数 3.1 建立无功优化模型 以系统网损最小为无功优化的目标函数并建立数学模型： 3.2 基于AMDPSO的无功优化 基于AMDPSO的 无功优化流程： 3.3 实例仿真与分析 实例1：IEEE 14节点系统的无功优化 种群个数设置： 50 最大迭代次数：50 扰动系数：cm=0.05 变异系数：r=0.06 加速因子：2 ωini，ωfin ：0.9，0.4 收缩因子：0.729 离散变量处理：取最靠近档位 3.3 实例仿真与分析 AMDPSO具有更好的收敛稳定性 3.3 实例仿真与分析 实例2：IEEE 30节点系统的无功优化 种群个数设置： 50 最大迭代次数：100 扰动系数：cm=0.05 变异系数：r=0.03 加速因子：2 ωini，ωfin ：0.9，0.4 收缩因子：0.729 离散变量处理：取最靠近档位 3.3 实例仿真与分析 但需指出的是，相比第二部分的性能测试实验，AMDPSO在无功优化问题中所展示出的优势并不明显，这主要是因为无功优化问题中具有离散变量以及维数不高。 AMDPSO表现一般，最佳优化结果一样，其他指标稍优于另两种算法 4 总结与展望 总结： (1)对PSO以及无功优化的研究现状作出了较为详细的综述，并说明了两者的研究意义。 (2)针对PSO在寻优时容易陷入局部最优的缺点，提出了改进的自适应变异扰动粒子群算法AMDPSO。并通过大量的实验验证了 AMDPSO的优化性能。 (3)建立了电力系统无功优化的单目标模型，并将AMDPSO与该模型结合。应用到IEEE14节点与IEEE30节点系统的无功优化中，提高了优化效果。 4 总结与展望 展望： (1)建立更合适的自适应判据 (2)合理设置参数：迭代次数、种群个数、扰动系数、变异系数 (3)离散变量的处理 (4)应用到更多优化问题中 基于自适应变异扰动粒子群算法的电力系统无功优化研究 姓名： 指导老师： 201x年x月 绪论 自适应变异扰动粒子群算法 基于AMDPSO的无功优化 结论与展望 主要内容 1绪论 课题研究的意义 无功优化的研究现状 粒子群算法的研究现状 2.1 PSO基本原理 粒子群算法源于鸟群的觅食过程，基于个体间的协作实现搜索空间中的寻优。在PSO中，每一个粒子均为问题的一个可行解。在可行解空间中，经多粒子共同合作逐代搜索最优解，最后所有的粒子都会聚集在全局最优的位置上。 2自适应变异扰动粒子群算法AMDPSO PSO基本原理 改进的自适应变异扰动粒子群算法AMDPSO 算例仿真及结果分析 x y 适应度值 max min 搜索空间 2.1 PSO基本原理 x y 适应度值 max min 2.1 PSO基本原理 搜索空间 x y 适应度值 max min 2.1 PSO基本原理 搜索空间 x y 适应度值 max min 2.1 PS