基于粒子群算法无功优化中五个关键参数探究.doc

基于粒子群算法无功优化中五个关键参数探究 　　摘要：电力系统无功优化能使无功负荷得以就地补偿，使长距离输送无功功率造成的电压降低和有功损耗减小，从而实现整个电力系统的安全、经济运行。本文首先建立了无功优化的数学模型，然后介绍了粒子群优化PSO（Particle Swarm Optimization）算法的基本原理，简单探讨了影响PSO算法性能的五个关键参数。随后应用C++语言编写了优化程序，对IEEE-14节点系统进行优化测试，结果证明了本算法的有效性。最后应用本优化程序对五个关键参数进行了更为深入的数值试验，得出了一定的结论。 关键词：电力系统；无功优化；粒子群算法 0 引言 当输电网络中存在大量的无功功率远距离传输，那么将产生负荷点电压降低和电力系统线损增大，不仅影响了供电质量，还降低了电力系统运行的经济性[1]。电力系统无功优化，是指当系统有功负荷、有功电源及有功潮流分布己经给定的情况下，通过优化计算，确定系统中某些控制变量的值，在满足所有约束条件的前提下，使系统的某一个或多个性能指标达到最优时的运行方式。 粒子群优化算法最早由Kennedy和Eberhart于1995年提出的，源于对鸟群觅食过程的迁徙和聚集行为的研究，通过模拟鸟群的捕食行为来达到优化问题的求解。在多维空间中构造所谓的“粒子群”，每个粒子通过跟踪自己和群体所发现的最优值，修正自己的前进方向和速度，从而实现寻优。 本文首先建立了基于该算法的无功优化模型，编制了相应的仿真程序，并通过算例验证了算法和程序的有效性，最后针对影响PSO算法性能的五个关键参数进行了大量的数值试验，得出了一些具有借鉴意义的结论。 1 无功优化数学建模 本文选择的控制变量为：发电机电压（一般为PV节点） 、有载调压变压器的分接头 、无功补偿设备补偿容量 ；状态变量为负荷节点（一般为PQ节点）电压 和发电机无功出力 。 （1）目标函数[2] 本文从经济性角度出发考虑目标函数的选择，即考虑系统的网损最小，所以目标函数为： （1） 上式中： 为节点 和节点 之间的导纳值； 为节点 的电压幅值； 为节点 的电压幅值； 为节点 和节点 之间电压相角差； 为总的支路数。 （2）等式约束条件[3] （1） （2） 上式中： 及 为节点 及节点 的电压幅值； 及 为节点 发电机的有功出力和无功出力； 及 为节点 有功负荷和无功负荷； 为节点 和节点 之间电压相角差； 和 为节点 和节点 之间的电导值和电纳值； 为系统PV节点数； 为平衡节点数。 （3）不等式约束条件[4][5] （4） （5） （6） （7） （8） 上式中： 为系统PV节点数； 为系统PQ节点数； 为平衡节点数； 为无功补偿器的个数； 为有载调压变压器的个数。 公式、为控制变量的上下限约束，公式、为状态变量的上下限约束，状态变量是控制变量的函数，隐含在潮流方程中。 2 标准粒子群算法 PSO算法把所研究的优化问题所有的潜在的解定义为解空间的一只鸟，称之为粒子，所有的粒子构成问题的解空间，即为粒子群，每个粒子在数学模型上也可以被认为是优化问题所在的 维空间的一个点。对于一个给定的粒子 ，它所在的位置和速度分别为 和 ，还有一个被优化函数决定的适应值。各个粒子记忆、追随当前的最优粒子，在解空间中搜索。每次迭代的过程不是随机的，如果找到更好的解，将会以此为依据来寻找下一个。在每次迭代中，粒子通过跟踪两个“极值”来更新自己：第一个就是粒子 自己当前搜索到的最好位置（就是能够给出最好适应值的位置，也就是优化问题的最优解），表示为 ，叫做个体极值；第二个就是整个粒子群中搜索到当前的最好位置，表示为 ，叫做全局极值。在搜索最优解的过程中，这些粒子的下一个速度和位置由以下两个迭代方程[6][7]来产生： （9） （10） 上式中， 表示 维搜索空间中的第 个变量， =1，2， ， 。 叫做惯性权重， 和 是两个在 范围内取值的随机函数， 和 叫做学习因子。 收敛条件通常为目标函数达到一个足够好的适应值或者迭代次数达到给定的最大迭代次数。 3 PSO算法的五个关键参数 （1）收敛判据 在问题求解前，当优化问题没有明确的目标函数或者一直不能得到足够好的适应值，这个时候，最大迭代次数 就成为了重要的收敛判据。如果 设置过小，那么显然不可能得到最优解；如果 设置过大，那么显然在迭代得到最优解后的迭代是没有意义的，浪费了计算时间。 （2）粒子群种群的规模 显然，粒子群体规模 越大，群体中个体的多样性越高，逐渐优化到最优解的概率越大。要保证算法的性能，首先要保