最優(yōu)潮流算法

電力系統(tǒng)最優(yōu)潮流算法綜述摘要：本文闡明了電力系統(tǒng)最優(yōu)潮流研究目的及意義，總結(jié)了國內(nèi)外關(guān)于電力系統(tǒng)最優(yōu)潮流算法的研究現(xiàn)狀，介紹了求解最優(yōu)潮流的經(jīng)典算法，智能優(yōu)化方法，同時指出了各種算法的優(yōu)缺點；并根據(jù)目前最優(yōu)潮流存在的問題提出了今后的研究方向。電力系統(tǒng)最優(yōu)潮流問題是一個復(fù)雜的非線性規(guī)劃問題，40多年來，研究人員對其進行了大量的研究，提出了最優(yōu)潮流計算的各種方法，取得了不少成果。本文對最優(yōu)潮流算法的研究現(xiàn)狀進行了綜述，并對其潛在的發(fā)展方向進行了預(yù)測。電力系統(tǒng)最優(yōu)潮流的經(jīng)典優(yōu)化方法電力系統(tǒng)最優(yōu)潮流的經(jīng)典優(yōu)化方法是基于線性規(guī)劃、非線性規(guī)劃以及解耦原則的解算方法是研究最多的最優(yōu)潮流算法，這類算法的特點是以目標函數(shù)的一階或二階梯度作為尋找最優(yōu)解的主要信息。1.1簡化梯度法1968年Dommel和Tinney提出的簡化梯度法是第一個能夠成功求解較大規(guī)模的最優(yōu)潮流問題并得到廣泛采用的算法。梯度法分解為兩步進行，第一步在不加約束下進行梯度優(yōu)化；第二步將結(jié)果進行修正后，在目標函數(shù)上加上可能的電壓越限罰函數(shù)。該方法可以處理較大的網(wǎng)絡(luò)規(guī)模，但是計算結(jié)果不符合工程實際情況。在梯度法的基礎(chǔ)上利用共軛梯度法來改進原來的搜索方向，從而得到比常規(guī)簡化梯度法更好的收斂效果。簡化梯度法主要缺點：收斂性差，尤其是在接近最優(yōu)點附近時收斂很慢；另外，每次對控制變量修正以后都要重新計算潮流，計算量較大。對控制變量的修正步長的選取也是簡化梯度法的難點之一，這將直接影響算法的收斂性。總之，簡化梯度法是數(shù)學(xué)上固有的，因此不適合大規(guī)模電力系統(tǒng)的應(yīng)用。1.2牛頓法牛頓法最優(yōu)潮流是一種具有二階收斂的算法，在最優(yōu)潮流領(lǐng)域計算有較為成功的應(yīng)用。牛頓法不區(qū)分狀態(tài)變量和控制變量，并充分利用了電力網(wǎng)絡(luò)的物理特征和稀疏矩陣技術(shù)，同時直接對Lagrange函數(shù)的Kuhn-Tucker條件進行牛頓法迭代求解，收斂速度快，這大大推動了最優(yōu)潮流的實用化進程。對起作用的不等式約束集的進行預(yù)估是實施牛頓法的關(guān)鍵，采用特殊的線性規(guī)劃技術(shù)［7］處理不等式約束能使牛頓法最優(yōu)潮流經(jīng)過少數(shù)幾次迭代便得到收斂。文獻［8］用一種改進的軟懲罰策略處理牛頓法中基本迭代矩陣的"病態(tài)"問題，文中采用了考慮電網(wǎng)拓撲結(jié)構(gòu)的啟發(fā)式預(yù)估策略來處理起作用的電壓不等式約束，并進行了試驗迭代次數(shù)的有效性分析，提出有限次終止方案，上述措施提高了牛頓法的數(shù)值穩(wěn)定性、收斂性和計算速度。牛頓法的缺點是：約束集的確定比較困難，目前普遍用試驗迭代法來確定約束集；編程實現(xiàn)困難；對應(yīng)控制變量的Hessian陣對角元容易出現(xiàn)小值或零值，造成矩陣奇異；引入的Lagrange乘子的初值對迭代計算的穩(wěn)定性影響大。1.3內(nèi)點法1984年，美籍印度學(xué)者Karmarker提出了線性規(guī)劃內(nèi)點法。內(nèi)點法從初始內(nèi)點出發(fā)，沿著可行方向，求出使目標函數(shù)值下降的后繼內(nèi)點，沿另一個可行方向求出使目標函數(shù)值下降的內(nèi)點，重復(fù)以上步驟，從可行域內(nèi)部向最優(yōu)解迭代，得出一個由內(nèi)點組成的序列，使得目標函數(shù)值嚴格單調(diào)下降。其特征是迭代次數(shù)和系統(tǒng)規(guī)模無關(guān)。內(nèi)點法的缺點在于：原-對偶內(nèi)點算法的對偶變量初值的選取和障礙參數(shù)的修正需要根據(jù)經(jīng)驗人為給出，沒有一般規(guī)律可循，這樣誤差較大；用牛頓法進行迭代求解時需要嚴格控制步長以使得迭代中間變量在可行域之內(nèi)，離散變量的處理以及優(yōu)化后的靈敏度分析等問題仍待進一步的研究。電力系統(tǒng)最優(yōu)潮流的智能優(yōu)化算法智能優(yōu)化算法是通過模擬或揭示某種自然現(xiàn)象或過程發(fā)展而來的，與普通的搜索算法一樣都是一種迭代算法，也稱為啟發(fā)式算法。智能優(yōu)化算法的適用范圍非常廣泛，特別適用大規(guī)模的并行計算。2.1遺傳算法遺傳算法(GeneticAlgorithm,GA)機理源于自然界中生物進化的選擇和遺傳，通過選擇(Selection)、交叉(Crossover)和變異(Mutation)等核心操作，實現(xiàn)"優(yōu)勝劣汰"。許多領(lǐng)域的研究實踐表明，遺傳算法在解決多變量、多約束、非線性、不連續(xù)問題時，顯示出其獨特的優(yōu)勢，非常適合用來處理具有離散變量的最優(yōu)化問題?；谶z傳算法的最優(yōu)潮流其優(yōu)點如下：算法的基本思想簡單，運行方式和實現(xiàn)步驟規(guī)范，便于具體使用；直接處理的對象是決策變量的編碼集而不是決策變量實際值本身，搜索過程既不受優(yōu)化函數(shù)的連續(xù)性約束，也沒有優(yōu)化函數(shù)導(dǎo)數(shù)必須存在的要求；遺傳算法由于采用多點搜索，具有很高的隱含并行性；遺傳算法是一種自適應(yīng)搜索技術(shù)，其選擇、交叉、變異等運算都是以一種概率方式來進行，從而增加了搜索過程的靈活性，具有較好的全局優(yōu)化求解能力。其不足主要在于容易陷入局部最優(yōu)，即群體中所有的個體都陷人于同一極值而停止進化，或者接近最優(yōu)解的個體總是被淘汰，從而造成進化過程不收斂。2.2模擬退火法模擬退火法(SimulatedAnneal,SA)是1982年Kirkpatrick等將固體退火思想引入組合優(yōu)化領(lǐng)域而提出的一種大規(guī)模組合優(yōu)化問題的有效近似算法，其物理背景是固體退火過程的物理圖像和統(tǒng)計性質(zhì)。SA算法收斂性較好，計算精度高，但是參數(shù)的確定不太方便，另外計算時間也比較長，一般只能做離線研究，不能滿足在線應(yīng)用的需要。2.3人工免疫算法人工免疫算法(ArtificialImmuneAlgorithm)是模擬生物免疫系統(tǒng)對病菌的多樣性識別能力而設(shè)計出來的多峰值搜索算法。2000年，巴西Campinas大學(xué)的DeCastro等人以人體B細胞的克隆選擇原理為基礎(chǔ)提出了一種克隆算法(CloningAlgorithm)。該算法通過模擬B細胞的高變異克隆完成全局最優(yōu)解的搜索，適合求解TSP(TravellingSalesmanProblem)問題和復(fù)雜函數(shù)優(yōu)化問題。該算法結(jié)構(gòu)新穎、能夠保持群體多樣化、收斂速度快。人工免疫算法具有較好的優(yōu)化性能，它作為一種嶄新的優(yōu)化方法逐漸引起了人們的注意，不過由于起步較晚，其應(yīng)用研究的深度和廣度還有待于進一步加強。最優(yōu)潮流的各種算法比較由于最優(yōu)潮流是一個多目標,多變量,多約束,高度非線性,具有大量的局部極值點的全局混合優(yōu)化問題，再加上近年來電力系統(tǒng)規(guī)模不斷擴大，使得最優(yōu)潮流問題至今尚沒有得到完全解決，各種算法都有其優(yōu)缺點。結(jié)束語人們對最優(yōu)潮流進行了很多研究，根據(jù)不同的條件，提出了各種各樣的算法。但是，隨著電力系統(tǒng)網(wǎng)絡(luò)互聯(lián)、實時控制、FACTS以及電力市場等問題的出現(xiàn)對最優(yōu)潮流提出了新的要求。鑒于上述問題，作者認為，應(yīng)該根據(jù)最優(yōu)潮流問題的特點從總體上進行優(yōu)化算法的設(shè)計，采用合理的優(yōu)化策略。以基于非導(dǎo)數(shù)的現(xiàn)代優(yōu)化算法為基礎(chǔ)，采用"多點隨機化的全局搜索+面向問題的局部優(yōu)化"的思想設(shè)計最優(yōu)潮流算法，根據(jù)最優(yōu)潮流問題的特點結(jié)合其它方法，并且充分利用分布式處理和并行計算等現(xiàn)代計算機技術(shù)是解決最優(yōu)潮流問題的潛在