一种具有记忆自学习能力的快速动态寻优算法及其无功优化求解.pdfVIP

中国科学: 技术科学 2016 年 第46 卷 第3 期: 256 ~ 267 《中国科学》杂志社 SCIENTIA SINICA Technologica SCIENCE CHINA PRESS 论 文 一种具有记忆自学习能力的快速动态寻优算法 及其无功优化求解 余涛, 张孝顺* 华南理工大学电力学院, 广州 510641 * E-mail: xszhang1990@ 收稿日期: 2015-09-03; 接受日期: 2015-11-24; 网络出版日期: 2016-02-25 国家重点基础研究发展计划(批准号: 2013CB228205)和国家自然科学基金(批准号: 5177051,资助项目 摘要 针对传统人工智能在随机复杂环境的适应及交互能力较低问题, 有机地将经典强化学习 Q()算法与多 主体协同行为进行高度融合, 提出了一种具有记忆自学习能力的快速动态寻优算法. 该算法通过与外部环境反 复的交互来进行自学习改进, 并利用值函数矩阵储存状态-动作对记忆, 提出了联系记忆方式, 有效地对传统 Q()算法的动作空间进行降维处理, 减小了记忆矩阵的规模; 基于多主体协同合作的概念, 采用多个主体同时 对记忆矩阵进行迭代更新, 明显提高了更新速度; 在预学习形成良好的记忆后, 能快速地进行在线动态优化. 最 后, 文章利用电力系统经典无功优化模型进行了算法测试, IEEE 118 节点和IEEE 300 节点标准算例仿真表明: 本文所提算法在保证较高收敛性的同时, 寻优速度能提高到遗传算法、蚁群算法、粒子群等传统人工智能方法 的5~40 倍, 非常适用于大规模复杂电网的在线滚动无功优化. 关键词 自学习, 记忆矩阵, 快速动态寻优, 多主体协同, 无功优化 1 引言 时往往效果不太理想, 容易陷入局部最优. 另一方面, 人工蜂群算法(artificial bee colony, ABC)[5] 、群搜索算 在电力系统日常运行中, 经常会遇到机组组合、 法(group search optimizer, GSO)[6] 、蚁群算法(ant colo- 无功优化等非线性规划问题[1,2] . 对于此类问题, 常 ny system, ACS)[7] 、粒子群(particle swarm optimiza- 用的解决方法有经典优化方法和人工智能(artificial tion, PSO)[8] 、遗传算法(genetic algorithm, GA)[9] 、量 intelligence, AI)算法两大类. 然而, 由于系统较强的 子遗传算法(quantum genetic algorithm, QGA)[10]等传 非线性、目标函数以及约束条件的不连续性、变量的 统 AI 算法对具体数学模型的依赖程度较低, 适合处 离散性、以及存在多个局部最优解等问题, 牛顿法[3] 、 理非线性和离散性优化问题, 已被广泛应用于电力 二次规划、内点法[4]等经典优化方法在求解此类问题 系统的各类优化问题. 但是, 上述大多数 AI 算法并 引用格式: 余涛, 张孝顺. 一种具有记忆自学习能力的快速动态寻优算法及其无功优化求解. 中国科学: 技术科学, 2016, 46: 256–267 Yu T, Zhang X S. A fast dynamic optimization algorithm with memory and