基于混合优化算法的无功优化韩芳1，王成儒2（1东北电力大学电气.DOC

基于混合优化算法的无功优化 韩芳1， 王成儒2 （1.东北电力大学 电气工程学院，吉林 吉林 132012；2.西北西宁输变电运行公司 青海 西宁 810000） 摘 要：针对无功优化多变量、多约束、非线性的特点，提出一种用于无功优化的混合优化算法。即将遗传算法和蚁群算法有机结合，克服缺陷，形成优势互补，并在蚁群算法的信息素更新策略和参数上作出进一步的改进应用于无功优化。通过对IEEE30节点算例进行仿真计算以及与未改进前的算法进行比较,验证算法的有效性。 关键词：无功优化；遗传算法；蚁群算法；改进更新策略 中图分类号：TM761; TP18 文献标识码：A 0 引言 电力系统无功优化是保证电力系统安全、经济和稳定运行的最重要的手段之一。鉴于无功优化问题的目标函数、约束条件、控制变量和状态变量之多，使之在电力系统的分析计算中存在着许多难点，到目前为止还没有一个完全行之有效的方法解决所有问题，只能尽可能的寻找收敛速度快、收敛精度高的优化方法来分析计算最优解。 求解无功优化问题的最优方法大致可分为两大类，一类为：传统优化方法；另一类为：现代启发式优化方法。智能优化方法是目前人们研究无功优化的日趋方向，在众多优化方法中发现蚁群算法在解决多变量、非线性、不连续、多约束的问题时其独特的优越性Step1进行染色体编码; Step2产生初始群体，构造适应度函数，利用个体适应度值进行搜索； Step3对个体进行选择、交叉和变异的遗传操作; Step4如果满足停止搜索判据,则迭代停止,输出问题的最优解,否则转向遗传操作。 1.2 蚁群优化算法 蚁群算法(Ant colony algorithm)是20世纪90年代才提出的一种新型的模拟蚂蚁群行为而提出的算法,是由意大利A.Colomi和M.Dorigo首先提出来的[2]。 蚁群算法[3]通过模拟蚂蚁寻找食物并回到巢穴的方法来求解问题。每只蚂蚁在候选解的空间中独立地进行搜索解，并在前进途中留下一种信息素(pheromone),通过留下的这种信息素来与其它蚂蚁进行交流、合作,以找到较短路径。经过某一路径的蚂蚁越多,路径上释放的信息素的强度就越大。蚂蚁选择下一路径时就倾向于选择信息素强度大的方向。这样就会有更多的蚂蚁选择这条路,这条路径上的信息素的强度就会越来越大,选择这条路径的蚂蚁也会越多，从而收敛于最优路径。 现以经典的个城市的旅行商问题来阐述蚁群算法的基本原理。一个旅行商从某个城市出发，访问各城市一次且仅有一次，最后回到出发城市，要求找到一条最短的巡回路径。我们假设蚂蚁的数量为; ()，表示城市与间的距离;表示边的能见度，反映由城市转移到城市的启发程度，其值定为：； 表示边上的信息素轨迹强度；表示蚂蚁在边上留下的单位长度轨迹信息素量；表示蚂蚁在城市选择城市的转移概率。各路径上初始信息素的量相等：（为非零常数）。 （1）路径选择策略 蚂蚁在运动的过程中根据各条路径上的信息素量决定转移方向，蚂蚁在城市选择城市的转移概率定义为： 式中， 表示时刻蚂蚁k在城市选择城市的转移概率； 表示时刻残留在城市、连线上的信息量； 为启发函数；和分别反映了蚂蚁在运动过程中所积累的信息和启发信息在蚂蚁选择路径中的相对重要性；。禁忌表(=1,2,…, )记录了蚂蚁已经走过的城市，并且随着进行在不断动态调整；表示蚂蚁下一路径可供选择的城市集。 （2）信息素更新策略 经过n个城市的遍历，蚂蚁完成一次循环，各路径上信息素量根据下式调整： （2） （3） （4） 式中，为信息素挥发系数；为信息素轨迹的残留因子；表示第只蚂蚁在本次循环中所走路径的长度；是常数为信息素强度。 1.3 改进的遗传蚁群算法 首先利用遗传算法的随机搜索、快速、全局收敛性产生初始信息素分布，利用蚁群算法的并行正反馈机制以及求解效率高等特性进行优化，形成优势互补。对混合优化算法进一步完善改进，达到优化效果，从而使网络损耗最小。 基本的蚁群算法在寻优搜索过程中也存在着搜索时间长，容易出现停滞现象，而且当问题规模较大时还可能存在陷入局部最优解等缺陷。为了提高收敛速度和求解质量，本文对信息素的更新机制和挥发系数作出如下改进。 1.3.1改进信息素更新策略 蚂蚁从城市选择哪一城市作为下一行走路径取决于转移概率值，而的值又由路径上的信息素的强度决定，即取决于信息素的更新机制。 公式（2）（3）（4）是基本的信息素更新的公式。完成一次搜索过程后，在信息素更新之前，对蚂蚁搜索到的路径进行，采集记录，并且求出路径的平均值。定义一个系数，针对公式（