謝海波
【摘 要】為解決電力系統(tǒng)的無(wú)功優(yōu)化問(wèn)題,對(duì)標(biāo)準(zhǔn)布谷鳥(niǎo)搜索算法進(jìn)行探討和改進(jìn)。利用Kent混沌映射產(chǎn)生初始種群,以增加初始解的多樣性;自適應(yīng)改變慣性權(quán)重,以提高算法的尋優(yōu)能力和收斂速度,防止算法陷入局部最優(yōu)。改進(jìn)的布谷鳥(niǎo)算法尋優(yōu)能力強(qiáng),收斂速度快,能夠有效降低系統(tǒng)網(wǎng)損、減少電壓偏差和提高電壓穩(wěn)定性。
【關(guān)鍵詞】電力系統(tǒng);無(wú)功優(yōu)化;多目標(biāo);布谷鳥(niǎo)搜索算法;Pareto最優(yōu)解
0 引言
電力系統(tǒng)無(wú)功優(yōu)化是指在滿足系統(tǒng)各項(xiàng)運(yùn)行約束條件下,通過(guò)調(diào)節(jié)發(fā)電機(jī)機(jī)端電壓、無(wú)功補(bǔ)償設(shè)備容量的大小的等措施來(lái)調(diào)整電網(wǎng)無(wú)功潮流,以實(shí)現(xiàn)系統(tǒng)安全、穩(wěn)定與經(jīng)濟(jì)運(yùn)行[1]。利用有效的算法對(duì)電力系統(tǒng)多目標(biāo)無(wú)功優(yōu)化至關(guān)重要。近年來(lái),遺傳算法[1]、粒子群優(yōu)化算法[2]、免疫算法[3]、模擬退火算法[4]、布谷鳥(niǎo)搜索算法[5-6]等智能優(yōu)化算法的出現(xiàn),在求解電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題上顯示了強(qiáng)有效的能力,也取得了大量的成果。
1 電力系統(tǒng)無(wú)功優(yōu)化數(shù)學(xué)模型
1.1 目標(biāo)函數(shù)
將系統(tǒng)有功網(wǎng)損最小作為優(yōu)化目標(biāo)函數(shù)表達(dá)式如下:
式中f1為系統(tǒng)有功網(wǎng)損;Nb為網(wǎng)絡(luò)支路總數(shù),Ui、Uj分別為節(jié)點(diǎn)i和j處的電壓值;θij分別為節(jié)點(diǎn)i、j的互電導(dǎo)、互電納和相位差。
2 布谷鳥(niǎo)搜索算法及改進(jìn)
2.1 標(biāo)準(zhǔn)布谷鳥(niǎo)搜索算法
布谷鳥(niǎo)搜索CS(cuckoo search )算法[6]是2009年由劍橋大學(xué)的Yang Xin-She等人提出的一種新型的啟發(fā)式算法。其主要原理是通過(guò)Levy飛行路徑產(chǎn)生新的鳥(niǎo)窩位置,以及采用精英保留策略保留更新前后的較優(yōu)鳥(niǎo)窩位置,然后按照發(fā)現(xiàn)概率舍棄差的鳥(niǎo)窩位置,并按隨機(jī)游動(dòng)方式產(chǎn)生新解替代被舍棄解,最終得到最優(yōu)鳥(niǎo)窩位置。其鳥(niǎo)窩位置更新(生成新解)公式為[6]:
2.2 改進(jìn)布谷鳥(niǎo)搜索算法
在標(biāo)準(zhǔn)算法中,采用隨機(jī)生成初始種群方法不利于全局收斂。利用Kent混沌映射產(chǎn)生初始群體,能夠使算法從較好的初始值開(kāi)始進(jìn)行尋優(yōu),并保持初始種群的多樣性和均勻性。Kent混沌映射產(chǎn)生初始種群方法如下:
在標(biāo)準(zhǔn)CS中,布谷鳥(niǎo)鳥(niǎo)窩位置的更新是以父代位置信息為參考的。為了平衡算法的局部和全局尋優(yōu)能力,為了提高CS算法的性能在布谷鳥(niǎo)尋窩的路徑和位置更新公式中引入自適應(yīng)調(diào)節(jié)的慣性權(quán)重w,其表達(dá)式為:
3 改進(jìn)的布谷鳥(niǎo)搜索(ICS)算法在無(wú)功優(yōu)化中的應(yīng)用
在改進(jìn)CS算法中,鳥(niǎo)窩的位置對(duì)應(yīng)于無(wú)功優(yōu)化的控制變量的值,控制變量包括發(fā)電機(jī)節(jié)點(diǎn)電壓UGi、有載調(diào)壓變壓器變比Ti、無(wú)功補(bǔ)償容量QCi,鳥(niǎo)窩個(gè)體的維數(shù)D對(duì)應(yīng)控制變量的個(gè)數(shù),個(gè)體Xi的位置表示為
改進(jìn)的布谷鳥(niǎo)搜索(ICS)算法實(shí)現(xiàn)步驟為:
(1)設(shè)定布谷鳥(niǎo)種群規(guī)模N、最大迭代次數(shù)、宿主鳥(niǎo)發(fā)現(xiàn)寄生蛋概率P;
(2)用混沌映射公式(5)產(chǎn)生N初始種群作為宿主鳥(niǎo)窩位置nest0,找出當(dāng)前最優(yōu)鳥(niǎo)窩位置和當(dāng)前最優(yōu)解;
(3)按照公式(6)(7),更新當(dāng)前鳥(niǎo)窩位置nest0,得到更新后的鳥(niǎo)窩nest1;
(4)評(píng)價(jià)nest1目標(biāo)函數(shù)值,若nest1支配nest0,則將nest1替代nest0作為新一代鳥(niǎo)窩;
(5)產(chǎn)生服從均勻分布的隨機(jī)數(shù)R,與發(fā)現(xiàn)概率P進(jìn)行比較,若R>P,則按公式(6)更新當(dāng)前差的鳥(niǎo)窩位置;
(6)判斷是否達(dá)到最大迭代條件,若滿足,輸出全局最優(yōu)解,否則返回第(3)步。
4 結(jié)論
改進(jìn)的布谷鳥(niǎo)算法尋優(yōu)能力強(qiáng),收斂速度快,克服了基本布谷鳥(niǎo)搜索算法易陷入局部最優(yōu)解和收斂速度慢的缺點(diǎn),利用混沌映射產(chǎn)生初始種群,增加了初始解的多樣性;動(dòng)態(tài)自適應(yīng)改變步長(zhǎng)控制量,加快了算法尋優(yōu)能力和收斂速度。改進(jìn)算法能夠有效降低系統(tǒng)有功網(wǎng)損和提高電壓質(zhì)量,為解決電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題提供了新的解決思路。
【參考文獻(xiàn)】
[1]崔挺,孫元章,徐箭,等.基于改進(jìn)小生境遺傳算法的電力系統(tǒng)無(wú)功優(yōu)化[J].中國(guó)電機(jī)工程學(xué)報(bào),2011,31(19):43-50.1
[2]Zhao W Q, Wang L W,Han F F,et al.Reactive Power Optimization in Power System Based on Adaptive Particle Swarm Optimization[J].Advanced Materials Research,2014,846-847:1209-1212.2
[3]Xiong H G,Cheng H Z,Li H Y.Optimal reactive power low incorporating static voltage stability based on multi-objective adaptive immune algorithm[J].Energy Conversion and Management,2008,49(5):1175-1181.3
[4]王旭斌,李鵬,竇鵬沖.基于改進(jìn)遺傳模擬退火算法的電網(wǎng)無(wú)功優(yōu)化[J].陜西電力,2013,41(7):40-44.
[5]海廣超,陳華,金曉虎.基于改進(jìn)布谷鳥(niǎo)算法含光伏電站的無(wú)功優(yōu)化[J].水電能源科學(xué),2016,04:203-206.
[6]Yang X S,Deb S.Cuckoo Search via Levy Flights[J].Mathematics, 2010:210-214.
[責(zé)任編輯:李書(shū)培]