基于云模型和粒子群算法的電力系統(tǒng)無(wú)功優(yōu)化.pdf

1、電力系統(tǒng)無(wú)功優(yōu)化是指在已知網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和運(yùn)行參數(shù)的情況下,在滿足各種約束條件的前提下,通過(guò)現(xiàn)代化的技術(shù)或者人工智能算法,合理的調(diào)節(jié)控制變量(發(fā)電機(jī)的機(jī)端電壓、有載調(diào)壓變壓器的變比和無(wú)功補(bǔ)償裝置的檔位),達(dá)到充分利用電力系統(tǒng)的無(wú)功電源,改善電壓質(zhì)量,減小網(wǎng)絡(luò)損耗的目的。傳統(tǒng)的無(wú)功優(yōu)化的計(jì)算方法存有諸多不足之處,優(yōu)化結(jié)果很不理想。針對(duì)無(wú)功優(yōu)化問(wèn)題的復(fù)雜特點(diǎn),近年來(lái)人們開(kāi)始使用人工智能算法來(lái)解決無(wú)功優(yōu)化問(wèn)題,利用智能算法的優(yōu)秀性質(zhì)可以更好的求

2、解離散變量。其中,發(fā)展時(shí)間并不長(zhǎng)的粒子群算法憑借參數(shù)少、收斂迅速、實(shí)現(xiàn)簡(jiǎn)單的優(yōu)點(diǎn),被廣泛應(yīng)用到電力系統(tǒng)無(wú)功優(yōu)化的問(wèn)題中,但是粒子群算法仍然存在著易陷入局部最優(yōu)值和后期收斂速度慢的缺點(diǎn),有待進(jìn)一步優(yōu)化研究。
　　針對(duì)基本粒子群算法初始解的隨機(jī)性的問(wèn)題,本文運(yùn)用混沌優(yōu)化策略對(duì)粒子群進(jìn)行初始化,增加粒子取值的多樣性,給出改進(jìn)的混沌粒子群算法(Chaotic Particle Swarm Optimization,CPSO)。對(duì)無(wú)功優(yōu)化的

3、數(shù)學(xué)模型和有關(guān)求解的算法進(jìn)行了研究,從系統(tǒng)運(yùn)行的經(jīng)濟(jì)性考慮,將有功網(wǎng)損最小作為目標(biāo)函數(shù),建立了無(wú)功優(yōu)化單目標(biāo)模型。運(yùn)用改進(jìn)算法對(duì)其求解得到較高質(zhì)量的解。
　　針對(duì)粒子群算法易陷入局部最優(yōu)值和后期收斂速度慢的問(wèn)題,為進(jìn)一步提高粒子群優(yōu)化算法在解空間的探索能力,從尋優(yōu)機(jī)理的角度入手設(shè)計(jì)了兩種改進(jìn)策略:分別是基于云模型正態(tài)云發(fā)生器的進(jìn)化策略和變異策略。進(jìn)化策略是依據(jù)粒子的適應(yīng)度值將種群中的粒子分成靠近最優(yōu)值、較靠近最優(yōu)值和遠(yuǎn)離最優(yōu)值的三

4、個(gè)子群,并分別采取不同的慣性權(quán)重生成策略進(jìn)行處理,其中較靠近最優(yōu)粒子的子群的慣性權(quán)重由正態(tài)云發(fā)生器動(dòng)態(tài)自適應(yīng)調(diào)整,擺脫算法陷入局部最優(yōu)值束縛。變異策略是在迭代后期通過(guò)正態(tài)云算子實(shí)現(xiàn)粒子的變異操作,加快后期收斂速度。通過(guò)仿真實(shí)驗(yàn)分析了兩種策略的可行性,并將其應(yīng)用無(wú)功優(yōu)化計(jì)算驗(yàn)證了算法的有效性。
　　綜合考慮系統(tǒng)運(yùn)行的安全性和經(jīng)濟(jì)性,以有功網(wǎng)損最小、電壓偏差最小和靜態(tài)電壓穩(wěn)定裕度最大為目標(biāo)函數(shù),建立了模糊多目標(biāo)無(wú)功優(yōu)化模型。在混沌粒子

5、群算法的基礎(chǔ)之上,結(jié)合基于正態(tài)云發(fā)生器的進(jìn)化策略和變異策略,給出混合優(yōu)化算法-云自適應(yīng)變異混沌粒子群優(yōu)化算法(Could Adaptive Variation Chaos Particle Swarm Optimization,CAVCPSO)并對(duì)多目標(biāo)問(wèn)題進(jìn)行優(yōu)化求解。運(yùn)用 MATLAB7.0進(jìn)行編程和測(cè)試,對(duì)標(biāo)準(zhǔn)IEEE30節(jié)點(diǎn)系統(tǒng)和IEEE118節(jié)點(diǎn)系統(tǒng)進(jìn)行測(cè)試仿真。通過(guò)對(duì)比實(shí)驗(yàn)結(jié)果,可以驗(yàn)證CAVCPSO優(yōu)化算法在避免陷入局部最