电力应用软件汇报.pptVIP

是在满足等式的约束条件下 目标函数在维数 较小的u空间上的梯度。故也称为简化梯度。 说明 是满足等式约束条件 下目标函数对u的梯度向量 按任一多变量函数f=f(u)的全微分定义, ，则由式(26)，有梯度向量： （27） 比较该式，和（22）式完全相同， 于是，证明了： 第七步中当 ≠0时如何修正u 即?u(k)？ 由于某一点的梯度方向是该点函数值变化率最大的方向，因此若沿着函数在该点的负梯度方向前进时，函数值下降最快，所以取负梯度作为每次迭代的搜索方向 式中， 为简化梯度 ，c为步长因子。 以负梯度作为搜索方向的算法，称为梯度法或最速下降法。 （28） （二）不等式约束条件的处理 分为两大类 第一类是关于自变量或控制变量u的不等式约束； 第二类是关于因变量即状态变量x以及可表示为u和x的函数的不等式约束条件，这一类约束可通称为函数不等式约束。 控制变量不等式约束 按照式u(k+1)＝u(k)＋?u(k)对控制变量进行修正，如果得到的?u(k)使得任一个ui(k＋1)超过其限值uimax或uimin时，则该越界的控制变量被强制在相应的界上。 控制变量不等式约束处理 控制变量按这种处理方法处理以后，按照库恩－图克定理，在最优点处简化梯度的第i个分量应有： 上式中，后两式理解：如果对ui没有上界或下界的限制而允许继续增大或减小时，目标函数能进一步减小。 （29） 函数不等式约束 函数不等式约束h（u,x）≤0不能采用和控制变量不等式约束同样的处理方法。 采用罚函数法来处理 罚函数法的基本思路是将约束条件引入原来的目标函数而形成一个新的函数，将原来有约束最优化问题的求解转化成一系列无约束最优化的求解。 其中，s为函数不等式约束； 为指定的正常数，称为罚因子； 罚函数法具体实现 （1）将越界不等式约束以惩罚项的形式附加在原来的目标函数f(u，x)上，从而构成一个新的目标函数即惩罚函数F(u ，x) （30） （31） 惩罚项 （2）对这个新的目标函数按无约束求极值的方法求解，使得最终求解的解点在满足上列约束条件的前提下能使原来的目标函数达到最小。 对惩罚函数法的解释 当所有不等式约束都满足时，惩罚项W等于零。 只要有某个不等式约束不能满足，就将产生相应的惩罚项w，而且越界量越大，惩罚项的数值也越大，从而使目标函数(现在是惩罚函数F)额外地增大,这就相当于对约束条件未能满足的一种惩罚。 当罚因子g足够大时，惩罚项在惩罚函数中所占比重也大，优化过程只有使惩罚项逐步趋于零时，才能使惩罚函数达到最小值，这就迫使原来越界的变量或函数向其约束限值靠近或回到原来规定的限值之内。 对惩罚函数法的解释 惩罚项的数值和罚因子gi的大小有关，见图，对于一定的越界量， gi值取得越大， wi的值也越大，从而使相应的越界约束条件重新得到满足的趋势也越强。但gi并不在一开始使取很大的数值，以免造成计算收敛性变差，而是随着迭代的进行，按照该不等式约束被违犯的次数，逐步按照一定的倍数增加，是一个递增且趋于正无穷大的数列。 wi xi ximin ximax g(k)=∞ g(k)=∞ g(1) g(1) g(2)g(3) g(2) g(3) g(1) g(2) g(3) （三）简化梯度最优潮流算法及原理框图 综上，考虑同时计及等式及不等式约束条件的最优潮流算法 （32） 在采用罚函数处理不等式约束后，原来以 表示的仅计及等式约束的拉格朗日函数中的f(u,x)将用惩罚函数 来代替，得 简化梯度最优潮流算法（续） 相应的极值条件式将变为 （35） 相应的l变成： （33） （34） 简化梯度 Vf必须以下式子表示： 简化梯度最优潮流算法原理框图 (四)简化梯度最优潮流算法的分析 算法是建立在牛顿法潮流计算的基础上，利用已有极坐标形式的牛顿法潮流计算程序加以一定的扩充。这种算法原理简单，程序设计比较简便。 缺点: 因为采用梯度法或最速下降法作为求最优点的搜索方法，最速下降法前后两次迭代的搜索方向总是互相垂直的，因此迭代点在向最优点接近的过程中，走的是曲折的路，即通称的锯齿现象。收敛速度很慢。 罚因子数值的选择是否适当对算法的收敛速度影响很大。 五、解耦最优潮流计算 不是象FDLF算法上的解耦 解耦最优潮流是从问题的本身或问题的模型上把最优潮流的最优化问题分解为有功优化和无功优化两个子优化问题 模型的建立 将控制变量u分成up及uq两组，状态变量x分为xp及xq两组。 up为除平衡节点外，其它发电机的有功出力 xp为除平衡节点外，其它所有节点的