智能算法在電力系統(tǒng)無功優(yōu)化中的應用綜述

1、智能算法在電力系統(tǒng)的無功優(yōu)化中的應用1 引言電力系統(tǒng)的無功優(yōu)化問題主要包括對電力系統(tǒng)中的電力無功補償裝置投入的地點、容量的確認，以及發(fā)電機端電壓的協(xié)作和載調壓變壓器分接頭的調整等，因此，電力系統(tǒng)中的無功優(yōu)化問題就是一個帶有大量約束條件的非線性規(guī)劃問題。由于電力系統(tǒng)在社會進展過程中的重要作用，長期以來很多專家和學者都對電力系統(tǒng)中的無功優(yōu)化問題進行了大量的爭辯，并且接受很多方法來對電力系統(tǒng)無功優(yōu)化問題進行求解。自從二十世紀六十年月，J. Carpentier提出了電力系統(tǒng)最優(yōu)潮流數學模型之后，對電力系統(tǒng)無功優(yōu)化問題的爭辯更是得到了長足的進展。目前，隨著各種數學優(yōu)化方法和信息技術的進展，電力系統(tǒng)的無

2、功優(yōu)化問題的爭辯也進入了一個新的領域1。目前電力系統(tǒng)無功優(yōu)化問題的算法主要有經典數學優(yōu)化方法和人工智能優(yōu)化方法兩種。絕大多數的學者爭辯把連接電源點和負荷點或兩個負荷點之間的饋線段作為爭辯對象，把這條線路作為最小的接線單元，用近年來消滅的智能算法進行尋優(yōu)，如遺傳算法、免疫算法、禁忌搜尋算法、粒子群算法、蟻群算法、模擬退火算法等。2 無功優(yōu)化的數學模型無功優(yōu)化問題在數學上可以描述為:在給定系統(tǒng)網絡結構和參數以及系統(tǒng)負荷的條件下，確定系統(tǒng)的把握變量，滿足各種等式、不等式約束，使得描述系統(tǒng)運行效益的某個給定目標函數取極值。其數學模型2表示為: （2.1）式中，f表示目標函數，u是把握變量，包括發(fā)電機的

3、機端電壓、有載調壓變壓器的變比、無功補償裝置的容量;x是狀態(tài)變量，通常包括各節(jié)點電壓和發(fā)電機的無功出力。無功優(yōu)化模型有很多種類，大體有以下幾種模型:1)以系統(tǒng)的有功網損最小為優(yōu)化的目標函數，在削減系統(tǒng)有功功率損耗的同時改善電壓質量: (2.2)其中: 表示全部支路的集合，表示系統(tǒng)的總節(jié)點數，分別為節(jié)點i，j的電壓， 是節(jié)點i，j的相角差。2)以系統(tǒng)的總無功補償量最小為目標函數，這樣能使總的補償費用達到最小 （2.3）式中，表示節(jié)點i的無功補償年費用系數，為補償總結點數，為節(jié)點i的無功補償容量，為有功網損費用系數，為系統(tǒng)有功網損。3)以全系統(tǒng)火電機組燃料的總費用為目標函數，即 （2.4）式中，是

4、全系統(tǒng)全部發(fā)電機的集合，為第i臺發(fā)電機的耗量特性，一般用二次多項式表示，為第i臺發(fā)電機的有功出力。3 智能算法3.1 遺傳算法遺傳算法直接對求解對象進行選擇、交叉和變異操作，遺傳算法的主要特點是對參數編碼進行操作，而不是對參數本身；同時對多個點的編碼進行搜尋，接受隨機轉換規(guī)章，而非確定性規(guī)章3。遺傳算法以其簡潔通用、魯棒性強、應用范圍廣、符合并行處理要求等特點，使得遺傳算成為了二十一世紀最關鍵的智能計算之一。在遺傳算法眾多的應用領域中，組合優(yōu)化是遺傳算法最基本、最終要的應用領域之一4。組合優(yōu)化問題實質在有限的、離散的數學結構上，找到一個能夠滿足全部約束條件，并且能夠取到目標函數最大值和最小值的

5、解。例如電力系統(tǒng)的無功優(yōu)化問題就是一個典型的組合優(yōu)化問題。3.1.1 遺傳算法的原理簡潔遺傳算法的遺傳方式比較簡潔，即在轉盤賭選擇、單點交叉及變異等遺傳操作下進行優(yōu)化，這種選擇方法是主要是依據依據每個個體的適應度值在整個種群中的比重來推斷是否被選擇，所以個體被選中的概率與其適應度值成正例的關系5。它所需要時間長，一般不接受。假設群體規(guī)模為N， 為群體中第i個染色體的適應度值，它被選擇的概率 為:，i=1，2，3，N。再將圓盤分成N份，每份扇形的中心角度為 。則其選擇實現步驟是:在0，1范圍內隨機產生一個隨機數r，若，則選擇個體，這樣可知個體的適應度值越大，該個體所占的扇形空間就大，則被選中的可

6、能性也就越大。所以選擇方法是依據適者生存的原則來進行的，只有適應度值大的個體才有機會被保留在下一代群體中，從而可提高整個群體的平均適應度值。3.1.2 遺傳算法改進措施該改進遺傳算法的策略思想是構造一套賜予每個個體繁殖次數的算法，依據個體在下一代群體中的生存數目來確定它繁殖后代的次數。個體的繁殖次數越多，被選中的概率就越大，它繁殖后代的幾率就越大;相反個體的繁殖次數越少，被選中的概率就越小，它繁殖后代的幾率就越小，該算法充分體現出遺傳算法中優(yōu)勝劣汰的思想。它的優(yōu)點是簡潔實施操作，不僅提高了算法的搜尋速度，還有利于全局最優(yōu)解的搜尋6。基于以上的描述，賜予每個個體繁殖次數的選擇策略具體操作過程如下

7、:1） 計算群體中各個個體適應度值，i=1，2，N；2） 計算群體中全部個體適應度值的和 ；3） 計算群體中各個個體在下一代群體中的期望的繁殖次數 （2.5）其中， 為調整因子，一般取。4） 隨機選擇種群中的一個個體，假如它的生存數目大于0，這個個體就被選中，用來繁殖一次后代，然后它的繁殖數目減1。假如等于0，則被舍棄。3.1.3 遺傳算法應用于電力系統(tǒng)的無功優(yōu)化文獻7認真爭辯了簡遺傳算法在無功優(yōu)化中的應用，作為一種以網損微增率為核心的優(yōu)化方法，該方法具有簡潔便利、優(yōu)化速度快等特點。文獻8針對電力系統(tǒng)的無功優(yōu)化問題，建立以電力系統(tǒng)中，電能損耗最小作為電力系統(tǒng)無功優(yōu)化問題的目標函數，并且發(fā)電機無

8、功越限、節(jié)點電壓越限作為問題的懲處函數來進行電力系統(tǒng)無功優(yōu)化數學模型的爭辯。然后，針對電力系統(tǒng)無功優(yōu)化的特點，進行遺傳算法的改進，并且對改進遺傳算法中的染色體編碼算法，選擇、變異、交叉等遺傳算子，適應度函數的設計以及終止條件的確定等方面，對改進遺傳算法的設計進行爭辯。3.2 粒子群算法粒子群優(yōu)化算法（Particle Swarm Optimization，簡稱PS0)是一種基于群體智能的隨機搜尋優(yōu)化算法，最早由Kennedy和Eberhart于1995年提出。該算法最初源于對鳥群捕食行為的爭辯，后來發(fā)覺粒子群是一種很好的優(yōu)化工具。與其他進化算法相類似，粒子群算法通過個體間的協(xié)作與競爭，實現簡單

9、空間中最優(yōu)解的搜尋9。粒子群算法首先隨機生成初始種群，在可行解空間中隨機產生一群粒子(潛在的解)，每個粒子將在解空間中運動，并在粒子的每一維中有一個速度打算其前進的方向。通常粒子追隨當前的最優(yōu)粒子而動，并逐代搜尋最終得到最優(yōu)解。在每一代中，粒子將跟蹤兩個極值，一為粒子本身迄今找到的最優(yōu)解pbest另一為全種群迄今找到的最優(yōu)解動gbest，粒子群中每個粒子通過跟蹤自己和群體所發(fā)覺的最優(yōu)值，不斷修正自己的前進方向和速度，從而實現尋優(yōu)10。3.2.1 粒子群算法的步驟基本粒子群算法步驟如下11:步驟1:初始化。設定粒子群參數:種群規(guī)模N，維數D，搜尋空間上下限和，學習因子c1和c2，算法最大迭代次數

10、，粒子速度范圍，隨機初始化粒子的位置和速度，選擇適應度目標函數。步驟2:選取適應度目標函數并計算粒子的適應度值。將粒子的當前適應度和位置作為粒子的個體最優(yōu)值和最優(yōu)位置，從個體最優(yōu)值中找出適應度值最好的粒子最優(yōu)值作為全局最優(yōu)值，并記錄其位置為。步驟3:對粒子速度和位置進行更新。步驟4:將更新后的適應度值和粒子自身的個體最優(yōu)值進行比較，若更新后的適應度值更加優(yōu)秀，則用其替換原個體最優(yōu)值，并更新當前最優(yōu)位置，將更新后的各粒子最優(yōu)值t與原全局最優(yōu)值，進行比較，若更新后的適應度值更加優(yōu)秀，更新全局最優(yōu)值和全局最優(yōu)粒子位置。步驟5:推斷是否滿足終止條件。依據設定的判別條件進行判別(通常為最大迭代次數或最小

11、誤差)，假如滿足判別條件，則停止迭代，輸出最優(yōu)解。否則返回步驟3，連續(xù)進行迭代。步驟6:輸出最優(yōu)值和最優(yōu)位置，算法運行結束。3.2.2 粒子群算法改進措施粒子群算法由于其迭代后期簡潔陷入局部最優(yōu)，收斂精度低，易發(fā)散等缺點，需要對粒子群算法進行一些修正和改進，主要有以下三點措施: (1)基于粒子群中各種參數的改進，主要包括:慣性權重的調整，學習因子的改進，種群規(guī)模的選取，算法終止條件的設定等； (2)與其他優(yōu)化算法相結合，取長補短，有針對性的進行改進； (3)算法拓撲結構的改進，拓撲結構主要分為全局版和局部版兩種，可針對這兩種分別進行改進。文獻12為了解決慣性權重的費時低效問題，提出了一種非線性

12、動態(tài)策略基于反正切函數的慣性權重。 在粒子群算法的公式中，學習因子cl和c2打算了粒子自身閱歷和群體閱歷對粒子運動軌跡的影響，反映了粒子間信息溝通的強弱，因此合理的設置c1和c2將有利于種群盡快的查找到最優(yōu)解。文獻13提出一種線性調整學習因子的策略，它的主導思想是c1先大后小，c2先小后大，總體來說就是，在粒子群進行搜尋的初始階段，粒子的飛行主要依照粒子本身的閱歷，當搜尋到后期階段時，粒子的飛行更加留意群體社會的閱歷。該方法經過驗證能得到抱負的效果，但是由于后期種群的多樣性丟失，簡潔早熟收斂。3.2.3 粒子群算法應用與電力系統(tǒng)無功優(yōu)化 文獻14將自適應粒子群算法應用于IEEE30節(jié)點系統(tǒng)的無

13、功優(yōu)化問題中，通過在優(yōu)化過程中自動調整粒子群算法的有關參數實現無功的優(yōu)化計算。文獻15應用粒子群算法求解電力系統(tǒng)的最優(yōu)潮流問題，依據模擬退火原理確定粒子群算法的慣性權重因子值，以改進粒子群算法的性能，仿真計算結果顯示，粒子群算法在解決最優(yōu)潮流問題時有很好的應用前景。 3.3 蟻群算法受蟻群在覓食過程中總能找到一條從蟻巢到食物源的最短路徑啟發(fā)，意大利Dorigo M，Maniezzo V，Colorni A等人經過大量的觀看和試驗發(fā)覺，螞蟻在覓食過程中留下了一種外激素，又叫信息激素。它是螞蟻分泌的一種化學物質，螞蟻在查找食物的時候會在經過的路上留下這種物質，以便在回巢時不至十迷路，而且便利找到回

14、巢的最好路徑。由此，Dorigo M等人首先提出了一種新的啟發(fā)式優(yōu)化算法，叫蟻群算法(ACA)。蟻群算法是最新進展的一種模擬昆蟲土國中螞蟻群體智能行為的仿生優(yōu)化算法，它具有較強的魯棒性、優(yōu)良的分布式計算機制、易十與其他方法相結合等優(yōu)點。該算法首先用十求解有名的旅行商問題(簡稱TSP )并獲得了較好的效果。在上個世紀90年月中期，這種算法漸漸引起了很多爭辯者的留意，并對該算法作了各種改進或將其應用十更為廣泛的領域，取得了一些令人鼓舞的成果。3.3.1 蟻群算法的原理蟻群算法的過程16可描述為：1）初始化:將螞蟻分布于各個城市并初始信息素及螞蟻數量等等。2）構造環(huán)游:首先對每只螞蟻用轉移概率在記憶

15、表中沒有的城市中選擇要移動的下一個城市，將所選城市放入記憶表，當每只螞蟻環(huán)游一圈后，計算環(huán)游長度，局部更新信息素。3）全局更新信息素:全部螞蟻環(huán)游一圈后，用信息素更新規(guī)章更新各邊上的信息素;然后比較全部的環(huán)游長度，找出最短長度;最終將記憶表清空，回到上一步。4）不斷迭代直至滿足停止條件。停止條件一般是設定迭代次數或者滿足所求問題的精度要求。由上述可知:蟻群算法的優(yōu)化過程本質在于:（1）選擇機制。路徑的信息量越大，被選擇的概率也越大;（2）更新機制。每條路徑上的信息量會隨螞蟻的經過而增長，但同時也會隨著時間的推移漸漸減小;（3）協(xié)調機制。蟻群算法中，螞蟻之間是通過信息量要相互通信的。這種機制使得

16、蟻群算法有很強的發(fā)覺較好解的力量。3.3.2 蟻群算法的改進措施 蟻群算法在解決簡潔或者簡單優(yōu)化問題時都表現出了良好的性能，但在處理像電力系統(tǒng)無功優(yōu)化這樣的大規(guī)模問題時，蟻群算法照舊暴露出了一些缺點17。如:1)算法簡潔消滅停滯現象，當蟻群搜尋一段時間后，由十算法的全局搜尋力量不足，蟻群會過早的收斂十局部最優(yōu)解; 2)結果經常在局部與全局最優(yōu)解之間反復，導致搜尋時間過長。 為了解決蟻群算法在這兩個方面不足，很多學者都在致力于蟻群算法的改進爭辯。文獻18對蟻群算法本身的理論部分進行爭辯，針對蟻群算法應用于求解無功優(yōu)化等簡單非線性優(yōu)化問題中簡潔發(fā)生“早熟”和收斂速度慢等問題，提出了幾點有效的改進策

17、略，對蟻群算法加以改進。通過改進，蟻群算法在尋優(yōu)過程中能夠很好地跳出局部最優(yōu)解，增加了全局尋優(yōu)力量和提高了計算精度，同時保留了基本遺傳算法的優(yōu)點。文獻17在總結了國內外蟻群算法的爭辯成果，并爭辯一種自適應蟻群算法用于電力系統(tǒng)動態(tài)無功優(yōu)化問題。其自適應蟻群算法主要涉及到概率選擇，信息量與信息素揮發(fā)因子的自適應調整以及信息素的更新策略。文獻19提出了基于層次聚類法和蟻群算法的配電網無功優(yōu)化方法。該方法以有功網損最小建立目標函數，在約束條件中引入了最優(yōu)網損微增率準則。運用層次聚類法對靈敏度進行聚類分析，以確定待補償點范圍，聚合原則及拆分原則可有效實現聚類，不受隨機性和人為干擾影響。通過改進將蟻群算法

18、確定補償位置和容量，能見度因子取為候選節(jié)點靈敏度，使狀態(tài)轉移概率能夠隨時反映補償變化狀況，改進蟻群搜尋策略可避開盲目補償。4 總結電力系統(tǒng)無功優(yōu)化是在電力系統(tǒng)有功電源和有功負荷及有功潮流分布給定的狀況下，選取發(fā)電機機端電壓、有載調壓變壓器變比和無功補償裝置的無功投入容量為把握變量，以發(fā)電機無功出力和PQ節(jié)點電壓為狀態(tài)變量，在滿足電力系統(tǒng)無功負荷的需求下，以有功網損、總無功補償量、全系統(tǒng)火電機組燃料的總費用為目標函數，通過接受各種優(yōu)化技術，尋得最佳補償容量，改善系統(tǒng)無功分布，提高系統(tǒng)整體的電壓質量，保證電力網平安、經濟、穩(wěn)定的供電?；谝陨系乃悸罚疚脑诰唧w介紹了了用于電力系統(tǒng)無功優(yōu)化的三種算法

19、遺傳算法、粒子群算法、蟻群算法，具體描述了這三種算法的相關學問，并在此基礎上提出了自己的改進措施。本文具體的工作總結如下:1）論述了電力系統(tǒng)進行無功優(yōu)化的重要性和必要性，介紹了無功優(yōu)化領域的爭辯現狀，在閱讀大量的國內外相關文獻的基礎上，總結了用于無功優(yōu)化的傳統(tǒng)算法和人工智能算法的特點，對比了它們之間的差異，從中選取了遺傳算法、粒子群算法、蟻群算法作為本文的爭辯對象。2）系統(tǒng)的總結了現階段無功優(yōu)化的幾種數學模型，并且介紹了以有功網損、總無功補償量、全系統(tǒng)火電機組燃料的總費用為目標函數的三種數學模型，列舉了需要滿足的各種等式和不等式約束條件。3）介紹了各種算法的來源、基本原理、迭代公式和實現流程，

20、在此基礎上具體介紹了國內外幾種比較成功的改進措施:（1）改進遺傳算法的策略思想是構造一套賜予每個個體繁殖次數的算法，依據個體在下一代群體中的生存數目來確定它繁殖后代的次數。個體的繁殖次數越多，被選中的概率就越大，它繁殖后代的幾率就越大;相反個體的繁殖次數越少，被選中的概率就越小，它繁殖后代的幾率就越小。（2）粒子群算法的改進主要包括慣性權重的調整，學習因子的改進，種群規(guī)模的選取，算法終止條件的設定等，并且與其他優(yōu)化算法相結合，取長補短，有針對性的進行改進，還可以對算法的拓撲結構進行改進。（3）對蟻群算法的改進，主要是對蟻群算法本身的理論部分進行爭辯，還可以對信息量與信息素揮發(fā)因子進行自適應調整

21、。參考文獻1 林周泉. 基于改進遺傳算法的電力系統(tǒng)無功優(yōu)化D.南華高校，2013.2 劉天琪.現代電力系統(tǒng)分析理論與方法M.中國電力出版社，2007.3P.Subbaraj，P.N.Rajnarayanan.  Optimal reactive power dispatch using self-adaptive real coded genetic algorithmJ. Electric Power Systems Research . 2008 (2)4 蒲永紅. 改進遺傳算法在無功優(yōu)化中的應用爭辯D.山東高校，2007. 5 蘇琳. 基于改進遺傳算法的電力系統(tǒng)無功優(yōu)

22、化D.西南交通高校，2006.6 徐譜府. 經典法與遺傳算法在電力系統(tǒng)無功優(yōu)化中的應用爭辯D.南昌高校，2013.7 Z.H.Wang，X.G.Yin，Z.Zhang，J.C.Yang. Pseudo-parallel genetic algorithm for reactive power optimization. IEEE transactions on power engineering society:903-908 general meeting，2012.7.Vo1.28 俞悅. 電力系統(tǒng)無功優(yōu)化的改進遺傳算法及其程序實現D.重慶高校，2005.9 解偉. 基于改進粒子群算法的無

23、功優(yōu)化爭辯與應用D.華北電力高校（北京），2007.10 J. Kennedy，R. Mendes. Population Structure and Particle Swarm Performance C.Proceedings of the IEEE Congress on Evolutionary Computation. Piscatawat. NJ，2002: 1671一1675.11 姜辛. 基于改進粒子群算法的電力系統(tǒng)無功優(yōu)化爭辯D.大連海事高校，2014.12 Y Shi，R.C. Eberhart. Fuzzy Adaptive Particle Swarm Optimization C. Proceedings of the