电力系统无功优化的粒子群优化算法研究.pdfVIP

电力系统无功优化的粒子群优化算法 王莹1王成山2 (1、天津市电力公司调度(交易)中心天津3000102、天津大学电气与自动化工程学 院天津300072) 【摘要] 电力系统无功优化具有多约束、非连续性、非线性的特点，可归结为一类混合整 数非线性问题(MINLP)．本文将一种新的优化方法一一粒子群优化算法用于求解无功优化问 题，并给出了相应的求解步骤．该算法能够同时处理问题中的连续变量和离散变量，很好的 协调全局搜索和局部搜索，具有并行计算的特性，从而迅速有效的收敛到较好的优化解．本 文采用IEEE30和57节点系统作为试验系统，并对某城市实际高压电网进行了无功优化计算， 以最小化有功网损为目标，均取得了令人满意的结果．计算证明，本文算法用于求解无功优 化问题是有效的，并优于其他算法． [关键词】 电力系统无功优化 混合整数非线性问题粒子群优化 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)“别、线性规划(LinearProgramming)‘3q1、混合整数规划 (Mixed-Integer Programming)H棚等。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，计算时间会急剧增加H1。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哺一，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，会导致不可行解口1。 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(Artificial Intelligence)受到了研究人员的注意，其中以禁忌搜索(TabuSearch)嘲、遗传算法(Genetic Algorithm)n州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。 粒子群优化算法(ParticleSwarm 1995年提出的一种模拟生物群落行为的进化算法n31。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 10】 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PS0算法已开始应用于电力 系统经济调度问题n钉、最优潮流n耵和机组组合问题n町等领域，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间中模拟鸟 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子解空间的，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￡酬j)，记录粒子f(f=1,2…，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(‰(f))，记录粒子i当前得到的 最好目标函数值。当进行第k次飞行(迭代)后，粒子f将本次所得函数值F