基于含分布式发电的改进BFO算法配电网无功优化研究.docVIP

基于含分布式发电的改进BFO算法配电网无功优化研究 　　【摘要】基于含分布式发电的配电网无功优化的研究过程中，为了能更好地提高配电网的性能，提出一种改进BFO的算法，即改进细菌觅食算法。把配电网网损最小数、负荷点的电压和发电机无功出力用为目标函数，采用改进BFO算法，在操作中引入粒子群优化算法，使改进BFO算法能具有全局搜索性能，提高算法效率。本文主要介绍了含分布式发电系统无功优化的数学模型和BFO算法的基本原理，进一步探讨了改进BFO算法对含分布式配电网的无功优化，继而提出了混沌粒子型细菌觅食算法，在配电网的无功优化问题处理上具有明显的优势。 　　【关键字】分布式发电；改进BFO算法；配电网；无功优化 　　中图分类号： TM715 文献标识码：A 文章编号：1674-098X（2016）04（a）-0000-00 　　为了有效提高收敛速度和稳定性，在细菌觅食算法的基础上提出了混沌粒子型细菌觅食算法。这个算法是在聚焦操作过程中加入变异算子，使其全局搜索性能效果更佳，并且运用了混沌理论和惯性权重，加快了收敛的速度。经过多次试验结果表明，混沌粒子型细菌觅食算法在含分布式发电的配电网无功优化问题的处理上，其全局搜索性能和收敛速度快具有比其他算法更为明显的优势。 　　一、含分布式发电系统无功优化的数学模型 　　1.1目标函数 　　为了能同时保证电压质量和发电机的无功无力，主要采用了反函数的形式来确定综合目标函数 　　（注：PL是有功功率耗损；Gij是ij间的电导；Ui，Uj是i，j节点的电压值；Qi是发电机的无功出力；λ1 是电压越界的惩罚因子；λ2是发电机的无功越界惩罚因子Uimax；， Uimin 和Qimax Qimin是控制变量的上下限。） 　　1.2约束条件 　　二、细菌觅食算法BFO的基本原理 　　细菌觅食算法，其主要根据大肠杆菌在寻找食物的过程中通过复制以及迁移等操作最终寻找营养源的一种过程。 　　2.1趋向性操作：趋向操作过程就是细菌的游动和翻转的过程。细菌向任何一方移动一步，就要判断这时的适应值是否比上一步好，如果是，细菌就开始翻转，朝着另一个方向移动。如果不是，就该沿着随机方向移动。当细菌试验次数达到最大时，就要进行下一个趋向操作。趋化过程见式： 　　2.2复制操作：细菌经过搜索后，把细菌按照健康好坏排列顺序，健康差的将会被淘汰掉，淘汰的数目为 ，淘汰差的细菌是为了保持细菌种群的数量，然后母体细菌进行繁殖。在经过多次复制后，会产生与母体相同的子体。并且母体与子体的位置相同。 　　2.3迁徙性操作：迁徙性操作就是细菌会由于生存环境发生异常改变，出现死亡或者驱散的一种行为。如果细菌达到一定的迁徙概率，就会灭亡，然后会在一个新的领域中重新产生新的个体。新个体对细菌跳出局部极值有一定的促进作用，以此来实现全局的最优化。 　　2.4细菌聚集性：细菌在搜索营养源的过程中，个体细胞之间的引力会把各个细菌都聚集在一起，因此，细菌具有聚集性。如果反之，细胞之间也存在斥力，使自己处在一定的位置为维持生存。 　　三、混沌粒子型细菌觅食算法 　　细菌觅食算法的优点是极易跳出局部极小值，并且具有很好的并行搜索能力和局部搜索能力，被广泛应用在配电网的优化问题中。基于细菌觅食算法基础上，将粒子群变异算法和混沌适应参数加入其中，研究出了一种新的算法，即混沌粒子型细菌觅食算法-?D?DCP-BFO。 　　3.1 粒子群优化算法：粒子群优化算法在全局搜索能力的基础上，又增加了快速收敛能力，对优化问题处理中具有明显的优势。粒子群优化算法，是把随机生成的多个粒子，组成一个初始的细菌群种，通过把第i个粒子的移动速度和移动位置带入总的目标函数中，最后得出的结果就是那个粒子的适应值。然后不断把变化后的粒子速度和位置进行迭代后，最后得出最优解。第i个粒子的最优解记为：Pi ，粒子群得到的最优解记为：Pb ，然后再根据以下两个公式不断更新 　　粒子群优化算法PSO和细菌觅食算法BFO都具有极强的优化性能。通过将两者运用起来，利用粒子群算法对全局进行搜索，把粒子群优化算法中（11）式子中的认知部分保留下来，比如（13）式，把每个粒子都看作为是一个细菌，与细菌觅食算法中的聚集性操作进行结合，在细菌进行趋向和聚集操作时吗，还能不断进行局部搜索。然后再利用粒子群算法具有的记忆能力，将变异算子得到的群体信息代入更新细菌位置的式子（14）中，从而使粒子群算法能具有更好的全局搜索能力。 　　3.2 混沌自适应调节 　　混沌粒子对初始条件具有非常敏感的性质，并且是一种没有顺序可以随意进行各种状态的运动。根据这种方法，对细菌觅食算法中的参数r进行自适应调节，以此来使细菌的速度和位置达到最优效果。 　　四、结束语 　　针对含分布式