文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 自然科学 > 数学 > 基于改进pso算法的电力系统无功优化
侵权投诉

基于改进pso算法的电力系统无功优化

无功优化的目的在于确定系统中无功的合理配置,针对传统粒子群算法的不足,提出一种改进的小生境粒子群优化算法:借助于问题的局部极值点信息,对原目标函数进行"拉伸"变换,达到优化计算、缩小目标函数极值范围和降低搜索难度的目的.针对ieee-6节点标准系统进行了仿真结果表明,所提算法不仅收敛速度更快,且具备更强的全局搜索能力.

应甩科技

基于改进

PSO算法

的电力系统无功优化

125200)

“?

.

李剑1李智峰-姜伟z

(1.长春供电公司,吉林长春130000;2.辽宁绥中发电厂二期工程部,辽宁绥中

,

臁要]无功优化的目的在于确定系统中无功的合理配置。针绅f睾统粒子群算法的不足,提出—种改进的小生境粒子群优化算法:借助于。

问题的局部极值点信息,对原目标函数进行‘韶伸”变换,达到优化计算、缩小目标函数极值范围和降低搜索难度的目的。针对IEEE-6节+

,点标准系统进行了仿真结采表明,所提算法不仅收敛速度更快,丑具备更强的全局搜索能力。‘泼键词】电力系统;无功优化;粒子群优化;小生境

:h。,:,t‘《、.?;:!、Li、-:一j

,,

,:,’:’.一

√o

…|j

、?:!ti-,/。‘;}f.+j?}。

:。‘。一:;{砖。I

非缨陛删问题,其控制变量既有连续变量,又有离散变量,从而使得选取待优化问题的目标函数,近而粒子电力系统的无功优化问题是一个大规模、多变量、多约束的混合优化过程十分复杂。长期以来,国内外许多专家、学者对无功优化问题适进行了大量的研究,并将各种方法应用于这一领域,其计算方法归纳起

来,可分为经学优化方渊于精典的无功优化方法和确的数学模型,但^精工智能的搜确的数学模索方法两大类。传统数型较复杂,计算速

度慢,难以适应实时控制要求;近年来,基于对自然界和人类本身的有量和初始解群—样效类比而获得启示的智能方法受到了研究人员的注意,如神经网络、遗

传算法、模拟退火方法等方法。这其中以粒子群优化算法(PSO)最具

代表性,与上述的算法相比,该方法具有更快的计算速度和更好的全局搜索能力,它i垂厶在动态、多目标优化环境中寻优,尤其适合解决大规

模数学优化问题,在求解非线性、不可微和多峰值的复杂优化问题上表

现出了强大的生命力。因此,该方法更适用于求解电力系统无功优化问

题。

但经典粒子群算法在求解无功优化问题时候,常存在收敛精度不高、易陷入局部最优等问题,针对这些缺点,本文提出一种改进的小生

境粒子群优化算法:借助于问题的局部极值点信息,对原目标函数进行

”拉伸”变换,达到优化计算、缩小目标函数的极值范围和阿氏搜索难

IEEE一6节点标准测试系统进行7无功优化计算小生境算法的基本既念定义如下:具有某些相同飞行特征的微粒个的仿真结果表明,所提算法不仅收敛速度更快,且具备更强的全局搜索体能力。生境。体现种群集体飞行有别于其他种群的位置或速度分皇称为种群飞

1无功优化的数学模型行特征,简称为种群特征,它是个体微粒所属种群小生境的唯一标识。

1.1

目标函数配电网无功优化的目标函数是多种多样的,除最小网损外,有最小运行费用、电压水平最好、控制奄的变化量最小、多目标整体最优电压质量为罚m.nf‰蚴硎函数,制定目标函数:集构n(‰A,;(袅))2十

成了完整的解空间A:∑p、(善<Ⅷt粤V

m}))【1)式中,入,A:分别为违反电压约束和发电机无功出力约束的惩罚因

P分别为违反节点电压约束和违反发电机无功出力约束的节点集合:

V;分别为节点电压vt的上限和下限;Q。Q

则分别为发电机节

出力的上限和下限。

12约束条件

因为配电网无功优化是以数学规划作为基本模式的,所以在约束处1)等式约束:功率平衡方程:go(。材=O2)不等式约束:

‰.≤vG≤、’&mi

KT确≤Kt≤K1.惴;Qo面≤Qc≤QD耐vL而≤VL≤

IJ*;QQ。。≤QG≤Q臼m

2标准粒子群lPSO)

PS0的学表述为:假设在—个N维的解搜索空间中,PSO初始m个粒子组成—个群,其中第i个粒子在N维搜N维的向量,xi=o(i,,粒,L,xJ

i=1,2,

…,m,每个粒子的位置代表被优化问题在搜索空间中的一个潜在解。

i有—个由被优化的函数决定的

酃可箭置的优劣。对于最小化问题,目标函数值越小的粒子其特性越

定它们飞翔的方向和距离,其中第i个粒子的

“飞翔”速度表示为,V,--M。%,L,Wi=1,2,…,m,各速度矢

是在一定范围内随机生成的。记第i个粒子迄今为止搜索到的最优位置为洳=(x加×阳,L,x一,该位置适应度值为P州,称为个体极值,整个粒子群迄今为止搜索到的最优位置为xgi=(Ⅺ。

L,x一,该位置适应度值为G“耐,称为全局极值。各粒子跟据如

下公式进行迭代操作,从而更新自己的速度和位置:V--vI十c1×rand()x【Ph鲥一硝+cl

x

rand()x(GnⅫ一砧

(2)

。‘,

)‘i=)(i+v.(3)

其中ClC2是学习因子,通常取在每—维,粒子都有—个最大限制速度V。。应将vi限制在【-V。,V一之间。

?

3小生境算法及其改进的小生境粒子群3.1小生境算法

在此基础上进行种群小生境划分。设种群小生境PI的个体微粒X,表示为Xi--4pj,xi,,,…,)(i,},其中pj表示特定种群小生境的位置特征分量,)cI,表示个体在种群小生境中的自由位置分量。显然,pi对于的不同定义,对应于一系列不相交的种群小生境,所有这些种群小生境的并

o

32改进的小生境粒子群

321“Stretching”技术函数

“Stretching”技术是借助于问题的局部极值点信息,对原目标函

数进行“拉伸”变换,达到优化寸算、不断缩小目标函数的极值范围和

降低搜索难度的目的。这种变换是由Vrahatis在1996年提出来的。具定义如下:

HG

良D()=G()f

cx)+y×)+y,j气蠹鬻乏譬襄曼三譬揣JX--X7Jl(sign(f仅))+1)

上述两种变换公式中,x‘是目标函数的局部极值点,(4)

y,y2和¨是三个任意的正数常量,sign0为常见的符号函数:

f1

x>0sign∞={0

x=O(5)

I一1

x<0

也可以使用人工神经中常用的线型激动函数Sigmoid函数来近似

sign∞=,IogSigk)

—而一exp(一k)

”、(2超’)

在算法探测到某一局部极值点x‘之后,对原目标函嘲进行两次

定义了第一次变换,使得比目标函值大(下转第206页)

201

应度值,将代入到目标函数就可以计算出适应度值,根据该值的大小优。每个粒子还有速度决x癣,度的目的。最后,针对集合称为种群,种群搜索的空间是解空间的—个子空间,称为种群小等,在综合考虑目标函数和约束条件,本文以网损最小为目标,以节点

体变化公式子:V

点的无功理能力上是很强的。大量的研究几乎涉及到可行性和安全性方面的所有

约束。无功优化的约束条件有等式约束和不等式约束两类。

V计算:

化为—群随机粒子,由索空间中的位置表示为—个变换。公式

第1页

你可能喜欢

  • PSO算法
  • 粒子群算法的无功优化
  • 计算机二级
  • 粒子群优化算法
  • 扣件式钢管脚手架规范
  • 计算机笔试
  • 预埋螺栓

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email