电力系统无功优化的粒子群优化算法(1)论文.pdfVIP

电力系统无功优化的粒子群优化算法 王莹1．王成山2 0 (1．天津市电力公司调度(交易)中心，天津市，河北区30001 2．天津大学电气与自动化工程学院，天津市南开区300072) 1引言 电力系统无功优化是保证系统安全、经济运行的有效手段，是提高电力系统电压质量的重要措施之 一。无功优化是一个复杂的多约束非线性规划问题。传统的求解方法有非线性规划(NOnlinear Programming)13巧1、混合整数规划(Mixed—IntegerProgramming)『7’8l Programming)[1,21、线性规划(Linear 等。其中线性和非线性规划方法均要求优化函数具有连续性和可微性，而电力系统无功优化中的部分控 制变量(如可调变压器分接头的调节、并联补偿电容器组的投切等)是离散变量，应用常规线性或非线性 规划方法会产生较大误差。混合整数规划能有效解决优化计算中控制变量的离散性问题，但该方法的计算 时间属非多项式类型，随着变量维数的增加，计算时间会急剧增力1：I[41。随着数学优化理论的发展，内点法 在快速求解电力系统无功优化问题中得到了一定的重视瞪’61，但是该法仍不便处理非线性目标函数，而且 如果步长选择不当，会导致不可行解I。 近年来，基于对自然界和人类自身的有效类比而获得启发的人工智能方法(ArtificialIntelligence) 受到了研究人员的注意，其中以禁忌搜索(TabuSearch_]『91、遗传算法(GeneticAlgorithm)『沁“21为代 表。与严格的数学优化方法不同，以上方法可以处理离散的非凸的非线性问题。这些方法已初步应用到电 力系统中，在一定程度上提高了计算的收敛性和速度，并取得了较好的优化结果。 Swarm 粒子群优化算法(Particle 模拟生物群落行为的进化算法¨31。该算法源自对鸟群捕食行为的研究，其本质是一种多代理算法，因 对复杂非线性问题具有较强的寻优能力以及简单通用，鲁棒性强等显著特点，引起了不同研究领域研究人 员的广泛注意。目前PSO算法已开始应用于电力系统经济调度问题『131、最优潮流『151和机组组合问题『161等 领域，并取得了令人满意的结果。 本文将粒子群优化算法用于求解电力系统无功优化问题，结合该问题的特性，对粒子群优化算法做 了相应调整，给出了算法的求解步骤，并讨论了计算中重要参数的选取问题。通过对IEEE30、57节点系 统和某城市179节点实际高压网进行的无功优化计算，证明了该算法的有效性和优越性。 2粒子群优化算法的原理 粒子群优化算法是人们受到真实世界中鸟群的捕食行为的启示而提出的一种优化算法。 鸟群在区域中随机搜索食物，最简单有效的策略就是搜索目前离食物最近的鸟的周围区域，并根据 自己以及同伴的飞行经验动态调整自己的位置。粒子群算法在多维空问中模拟鸟群的捕食飞行。算法中， 用粒子在寻优空间中的位置表示优化问题的解。粒子具有一个速度向量以决定它的飞行方向和速度值，这 样各个粒子就追随当前的最优粒子并参考自身的飞行经验在解空间中进行寻优。 在初始状态中，每个粒子的位置和飞行速度是随机分布于解空间的，然后粒子根据两个极值来动态 调整自己的位置和飞行速度。 第一个是个体极值，记为P。洲、，记录粒子i(i=l，2…，N，N为粒子群体规模)自身在飞行过程中 经历过的最好位置，其对应的目标函数值F(P‰m)，记录粒子i当前得到的最好目标函数值。当进行第K 9 优于F(P。。。lfl))，则更新该粒子的及；否则不更新。 第二个极值是整体极值，记为Gh。，记录当前群体中所有粒子所经过的最佳位置，即当前全部个体 在迭代中，G‰。在寻优过程中随着个体极值的更新而不断更新。 第k次飞行后，粒子的飞行速度根据上述两个极值做如下更新： V?¨=∞，V?十clrandx(Pb耐(f)一五)+c2rand×(G乙f—x，) 上式中，矿；c表示粒子i在第k次飞行中的速度。1，：¨表示粒子i在第k+1次飞行中的速度。∞；是惯性 权重系数(inertiaweight)，这个控制参数用来控制第