自启发算法在电力系统调度中的应用.docVIP

精品论文 参考文献 自启发算法在电力系统调度中的应用 广东电网有限责任公司清远清城供电局 511500 摘要：本文对遗传算法（Genetic algorithm（GA））、粒子群算法（Particle swarm optimization（PSO））、细菌觅食算法（Bacterial forging algorithm（BFA））在中小型电力系统调度中的应用进行了对比分析，说明了以上三种算法在最优潮流计算中的性能特点。首先，对三种自启发算法的原理进行了简单的介绍；其次，考虑以发电费用最少为目标函数编写三种自启发算法在实际电力系统最优潮流计算的代码；最后，为了充分说明各种自启发算法的全局寻优能力以及每种算法计算小型、中型电力系统最优潮流时的不同特点，本文将三种自启发算法分别应用到IEEE30和IEEE 118节点系统最优潮流的计算中。通过三种自启发算法计算结果之间的相互比较、分析，说明了各种自启发算法在计算最优潮流时的性能和特点。 关键词：最优潮流；自启发算法；遗传算法；粒子群算法；细菌觅食算法 1、引言 电力系统调度中的核心问题是电力系统最优潮流[1]（Optimal Power Flow，OPF），所谓OPF就是指当电力系统的负荷参数及系统结构均给定的情况下，调节发电机有功出力、变压器分接头位置、无功补偿设备补偿量等可控量来寻找满足所有系统运行约束条件，并使系统的某一特定指标达到最优值时的潮流分布[2]。通常OPF又分为两类子问题：一是考虑降低发电成本来调节发电机的有功出力；二是考虑改善电压分布和减少输电网络的损耗，调节P-V节点和平衡节点的电压及有载调压变压器的分接头位置[3]。在近几十年的研究中，出现了大量优化算法解决OPF问题。 OPF算法按照所采用的数学优化模型可以分为OPF经典算法和现代算法两大类。经典优化算法一直被认为是解决OPF问题的有力工具，但是经典算法对非线性系统采用分段线性化及利用约束方程和目标函数的一阶、二阶导数寻找优化方向的思想在很多情况下都无法实现或者导致寻优过程收敛到局部极小点甚至造成发散[4]，而且经典算法的收敛性非常依赖于迭代初始点的位置。OPF的自启发算法与目标函数的梯度无关，处理优化问题的效率大大高于传统算法[5]。但是也会由于参数选取不恰当而使算法过早成熟而陷入局部最优解。而且大部分的自启发算法都存在一个致命的缺陷就是计算量非常大[6]。 本文的研究工作分为以下几个方面：首先给出了OPF的数学模型以及优化计算目标函数的形式；其次，简要阐述了三种自启发算法的机理；接着将三种算法运用到了IEEE30节点和118节点系统最有潮流的计算中，并对仿真结果进行了分析；最后给出了结论。 2、电力系统最优潮流的数学模型 最优潮流的数学模型一般描述为如下形式 其中，f（x）R1是一个约束方程，h（x）R2（n-1）是2n-1个等式约束，g（x） Rr是r个不等式约束，其中gmin和gmax分别为不等式约束的上、下限。x=[xs，xc]，发电机的个数为NG。状态变量xs包括平衡节点有功，普通发电机端电压的相角，负荷母线电压，发电机无功功率输出和视在潮流。控制变量xc包括发电机的有功输出，在平衡节点称作，普通发电机端电压的幅值、平衡节点的节点电压幅值和电压的相角、有载调压变压器的变比以及无功电源发出的无功。 等式约束h（x）就是潮流方程。不等式约束g（x）主要包括发电机有功、无功出力约束、节点电压幅值约束、无功补偿装置无功约束、变压器调压范围约束、线路输送功率约束。 在本文的仿真中，适应度函数的形式如下： 其中Fcost是系统的燃料消耗费用，、和是罚因子。Vlimi和 QlimGi 定义为： 3、三种自启发算法基本原理 3.1遗传算法基本原理 遗传算法依据的主要原理就是自然选择。首先算法要对优化问题进行编码，然后产生一个初始种群，继而通过选择、交叉、变异等算子开始进化迭代，通过适应度函数的值来进行个体的选择。最终，根据算法终止条件来判断是否停止计算，实际问题中算法也不会无限代数的迭代搜索下去[7]，常用的终止条件是在迭代达到最大进化步数时停止，或者寻优过程找到的解的适应值变化不明显，那么迭代会自动停止错误！未找到引用源。。 3.2粒子群算法基本原理 在PSO算法中，首先要初始化粒子群中个体的位置和速度，优化问题的每个变量代表解空间的一维[11]。粒子群中的