基于改进混合粒子群算法电力系统无功优化.pdfVIP

目短 文 基于改进混合粒子群算法的电力系统无功优化 孙璐 唐孝舟 (华南理工大学 电力学院) 摘要：引入局部搜索能力强的共轭梯度法对粒子群算法进行改进，在粒子群算法陷入停滞时，把当前最优 解作为共轭梯度法的初始点，再用共轭梯度法做运算，使算法跳出局部最优，大大改善了粒子群算法的性能。将 该混合算法用于求解 IEEE30节点系统无功优化问题，算例结果验证了该算法的有效性。 关键词：无功优化；粒子群算法；共轭梯度法；混合算法 通过优化计算发电机机端电压 、有载调压变压器 1引言 分接头 、可投切 电容器 Qc在满足所有约束条件的 电力系统无功优化是一个复杂的非线性优化问 前提下，使系统的有功网损最小。电力系统无功优化 题，具有多约束条件、不连续、控制变量离散性等特 的数学模型为： 点。经典的数学规划方法，如非线性规划、线性规划、 Iminf= (z) 内点法等 1『】，收敛可靠，收敛速度快，但这些方法 {s．t．g(z)=0 (1) 求解时间长，易产生 “维数灾”等问题，故传统的数 z【_mi Z zm． 学方法在处理无功优化时有很大的局限性。 其 中 ，厂为 有功 网损 最 小 的 目标 函数 ； 近年来，基于人工智能的方法，如遗传算法_4J、 z=[Vc，，Qc]为控制变量； Z 分别为控制变量 神经网络、粒子群算法5【]等，具有全局收敛性，在 电 的上下限，通常会将发电机无功出力和负荷节点电压 力系统无功优化问题中得到了广泛的应用。粒子群优 作为惩罚因子放在 目标函数中。 化算法 (ParticleSwarmOptimization，PSO)是一种 基于群体智能的进化计算方法，该算法模拟 自然界生 3混合粒子群算法的无功优化 物群体问的简单社会系统，粒子群中的每个个体通过 3．1基本粒子群算法 跟踪自身历史最优和群体最优值，自适应地进行搜索 在 PSO算法中，每个优化问题的潜在解都可以 寻优。粒子群算法具有实现简单、鲁棒性好、收敛速 想象成解空间上的一个粒子，所有粒子都有一个被 目 度快等特点，已被广泛应用到函数优化问题中。 标函数决定的适应值，由Ⅳ个粒子组成的粒子群在 d PSO算法在求解优化问题的初期收敛速度快，在 维 空 间 中进 行 搜 索 ，每 个 粒 子 的 位 置 为 后期易陷入局部收敛。共轭梯度法具有算法简单、收 xi=(xf1JX …，xia)，每个粒子的速度为Vi=(Vil，V12,…vid)。 敛速度快、所需存储量小以及局部寻优能力强等优 在每一次迭代中，粒子通过跟踪个体历史最优解 P 点。本文提出一种混合粒子群优化算法，将粒子群算 和整个粒子群的最优解 来更新自己。更新公式为： 法和共轭梯度法结合起来，综合了两种算法的优点， rid(t+1)= ×Vid(f)+C1× X(P O)一Xid(f)) 克服了粒子群的早熟收敛问题 。通过对 IEEE30节点