基于简化梯度法的电力系统无功优化方法.docVIP

基于简化梯度法的电力系统无功优化方法 　　【摘要】电力系统无功优化是保证电网安全、经济运行的一项有效手段，是降低网络损耗、提高电压质量的重要措施。无功优化的经典法算法理论严密、收敛速度快，但对无功优化问题的微分性质要求严格，而且往往容易陷入局部最优解，而基于随机搜索的现代人工智能算法可以对原问题直接进行搜索求解，具有良好的自适应性，且能以较大概率收敛到全局最优解。无功优化主要考虑在结构参数、负荷和电源给定的情况下，通过改变变压器分接头位置、无功补偿的最佳容量和发电机机端电压大小来进行。本文对无功优化模型及相关求解算法进行了深入研究，详细介绍了国内外无功优化现状，给出了电力系统无功优化的基本数学模型，综述了应用于电力系统无功优化问题求解的各种优化算法，并分析了各种优化算法的优缺点和适用范围。文中以有功网损最小作为电力系统无功优化模型的目标函数，并给出了简化梯度法求解该无功优化模型的具体方法。 　　【关键词】电力系统;无功优化;潮流计算;简化梯度法 　　1.引言 　　无功电压控制一直是电力系统的重要研究内容。电力系统无功电压控制可降低有功网损，提高电能质量，是维持正常电压水平，提高经济效益的有效手段。 　　李婧等人在文献[1]中对经典的规划算法进行了分类，包括了线性规划方法、非线性规划方法、混合整数规划方法和动态规划方法。 　　其中，线性规划方法是相对比较成熟的一种方法，代表算法有灵敏度算法、内点法等，其算法普遍有着收敛可靠，计算速度较快，并且对各种约束条件的处理简单等优点，但是在实际问题中，对于一些非线性规划，必须对目标函数进行线性化处理，这就必然造成优化误差大，需要进行潮流计算以修正，这也限制了其计算效率的提高;非线性规划方法有牛顿优化法、简化梯度法等，其算法一般能建立比较直观的数学模型，并且计算精度高，但是这些算法不同程度存在着计算量大，计算内存需求大，收敛差，稳定性不好，并且对不等式的处理存在一定的困难等问题，因此其运用也受到一定的限;混合整数规划方法能有效地解决变量的离散性问题，可是其计算时间是属于非多项式类型，随着维数的增加，计算时间甚至会爆炸性地增加;而动态规划方法能有效解决多阶段决策过程的最优解问题，但是其出现的因状态变量个数增加而出现的“维数灾”问题，很大程度地限制了其运用[1]。 　　由于传统优化算法所存在的一些弊端，近年来，各类人工智能方法在电力系统无功电压控制问题中得到了广泛的应用，具体包括：遗传算法、禁忌搜索和模拟退火算法，以及比较新的一些算法，包括：模糊优化、免疫算法、蚁群寻优算法、人工鱼群算法、粒子群算法以及这些算法的组合方法等。其中，遗传算法就是其中一种应用面很广的一种算法。 　　遗传算法（（Genetic Algorithms，GA）最早由美国密执根（Michigan）大学的Holland教授于20世纪70年代提出并逐步发展起来的。作为一种模拟生物进化过程的方法，遗传算法具有对非线性和复杂问题的全局搜索能力及其简单通用、鲁棒性强、可避免维数灾、占用内存少的显著特点，但其跳出局部最优的能力较差，对大型电力系统进行优化时所需时间较长。 　　由于遗传算法本身所具有的一些缺点，很多学者都对其进行了改进。 　　文献[2]就提出了参数的自适应性的改进方案，引入了自适应调整策略修改交叉概率和变异概率等主要参数，并应用了典型函数中去，提高了算法的计算速度和优化结果，但是策略的引入，使得算法过于复杂赘长。 　　文献[3]提出了一种灾变遗传算法（Catastrophic Genetic Algorithm，CGA），灾变遗传算法（Catastrophic Genetic Algorithm，CGA）以其良好的全局寻优能力，以及在保持解的多样性等方面的优势在电力系统中得到广泛应用。但灾变GA缺乏对局部搜索能力和收敛性能的考虑，其开拓能力提高的同时也增大了算法的随机性和降低了算法的稳定性。 　　文献[4]则提出了一种协同进化算法，对比一般的遗传算法，协同算法可对控制变量进行合理的种群划分，对较大规模的系统求解能有效地跳出局部最优点而寻找更好的优化解。 　　从以上算法可知，经典算法物理概念清晰，易于理解，但是过度依赖于精确的数学模型难以实现现代电网实时控制要求。人工智能算法对目标函数和约束条件要求不多，可以对问题直接搜索寻优，但潮流迭代次数高，计算量大。 　　2.电力系统无功优化的基本数学模型 　　电力系统无功优化是一个连续变量与离散变量共存的、多约束、非线性的混合规划问题。众多学者在总结电力系统无功优化问题的特点，建立一个比较成熟的基本数学模型。这个基本数学模型的建立主要分为三步，分别是建立目标函数、制定约束条件和确定优化算法。 　　2.1 目标函数 　　在我们进行电力系统优化前