智能算法在电力系统无功优化中的应用综述.docx

智能算法在电力系统的无功优化中的应用1 引言电力系统的无功优化问题主要包括对电力系统中的电力无功补偿装置投入的地点、容量的确认，以及发电机端电压的配合和载调压变压器分接头的调节等，因此，电力系统中的无功优化问题就是一个带有大量约束条件的非线性规划问题。由于电力系统在社会发展过程中的重要作用，长期以来很多专家和学者都对电力系统中的无功优化问题进行了大量的研究，并且采用很多方法来对电力系统无功优化问题进行求解。自从二十世纪六十年代，J. Carpentier提出了电力系统最优潮流数学模型之后，对电力系统无功优化问题的研究更是得到了长足的发展。目前，随着各种数学优化方法和信息技术的发展，电力系统的无功优化问题的研究也进入了一个新的领域[1]。目前电力系统无功优化问题的算法主要有经典数学优化方法和人工智能优化方法两种。绝大多数的学者研究把连接电源点和负荷点或两个负荷点之间的馈线段作为研究对象，把这条线路作为最小的接线单元，用近年来出现的智能算法进行寻优，如遗传算法、免疫算法、禁忌搜索算法、粒子群算法、蚁群算法、模拟退火算法等。2 无功优化的数学模型无功优化问题在数学上可以描述为:在给定系统网络结构和参数以及系统负荷的条件下，确定系统的控制变量，满足各种等式、不等式约束，使得描述系统运行效益的某个给定目标函数取极值。其数学模型[2]表示为: （2.1）式中，f表示目标函数，u是控制变量，包括发电机的机端电压、有载调压变压器的变比、无功补偿装置的容量;x是状态变量，通常包括各节点电压和发电机的无功出力。无功优化模型有很多种类，大体有以下几种模型:1)以系统的有功网损最小为优化的目标函数，在减少系统有功功率损耗的同时改善电压质量:(2.2)其中:表示所有支路的集合，表示系统的总节点数，，分别为节点i，j的电压，是节点i，j的相角差。2)以系统的总无功补偿量最小为目标函数，这样能使总的补偿费用达到最小 （2.3）式中，表示节点i的无功补偿年费用系数，为补偿总结点数，为节点i的无功补偿容量，为有功网损费用系数，为系统有功网损。3)以全系统火电机组燃料的总费用为目标函数，即 （2.4）式中，是全系统所有发电机的集合，为第i台发电机的耗量特性，一般用二次多项式表示，为第i台发电机的有功出力。3智能算法3.1 遗传算法遗传算法直接对求解对象进行选择、交叉和变异操作，遗传算法的主要特点是对参数编码进行操作，而不是对参数本身；同时对多个点的编码进行搜索，采用随机转换规则，而非确定性规则[3]。遗传算法以其简单通用、鲁棒性强、应用范围广、符合并行处理要求等特点，使得遗传算成为了二十一世纪最关键的智能计算之一。在遗传算法众多的应用领域中，组合优化是遗传算法最基本、最终要的应用领域之一[4]。组合优化问题实质在有限的、离散的数学结构上，找到一个能够满足所有约束条件，并且能够取到目标函数最大值和最小值的解。例如电力系统的无功优化问题就是一个典型的组合优化问题。3.1.1 遗传算法的原理简单遗传算法的遗传方式比较简洁，即在转盘赌选择、单点交叉及变异等遗传操作下进行优化，这种选择方法是主要是根据依据每个个体的适应度值在整个种群中的比重来判断是否被选择，所以个体被选中的概率与其适应度值成正例的关系[5]。它所需要时间长，一般不采用。假设群体规模为N，为群体中第i个染色体的适应度值，它被选择的概率为:，i=1，2，3，…，N。再将圆盘分成N份，每份扇形的中心角度为。则其选择实现步骤是:在[0，1]范围内随机产生一个随机数r，若，则选择个体，这样可知个体的适应度值越大，该个体所占的扇形空间就大，则被选中的可能性也就越大。所以选择方法是按照适者生存的原则来进行的，只有适应度值大的个体才有机会被保留在下一代群体中，从而可提高整个群体的平均适应度值。3.1.2遗传算法改进措施该改进遗传算法的策略思想是构造一套赋予每个个体繁殖次数的算法，根据个体在下一代群体中的生存数目来确定它繁殖后代的次数。个体的繁殖次数越多，被选中的概率就越大，它繁殖后代的几率就越大;相反个体的繁殖次数越少，被选中的概率就越小，它繁殖后代的几率就越小，该算法充分体现出遗传算法中优胜劣汰的思想。它的优点是容易实施操作，不仅提高了算法的搜索速度，还有利于全局最优解的搜索[6]。基于以上的描述，赋予每个个体繁殖次数的选择策略具体操作过程如下:计算群体中各个个体适应度值，i=1，2，…，N；计算群体中所有个体适应度值的和；计算群体中各个个体在下一代群体中的期望的繁殖次数 （2.5）其中，为调整因子，一般取。随机选择种群中的一个个体，如果它的生存数目大于0，这个个体就被选中，用来繁殖一次后代，然后它的繁殖数目减1。如果