智能算法在电力系统无功优化中的应用综述
- 格式：docx
- 大小：155.55 KB
- 文档页数：9
下载文档原格式
合集下载
人工智能在电力系统优化中的应用
人工智能在电力系统优化中的应用[摘要]如今，电力系统的发展达到了广泛智能化、互联化阶段，对电力网的运行也提出了更高的要求。
因此，人工智能得到了重视，将其应用到电力系统中，可以提升电网运行效率。
本文介绍了当前主流人工智能在电力系统优化中的应用。
[关键词]人工智能；电力系统优化；智能电网引言：近年来，随着已有的电力系统日渐趋于成熟，计算机、云平台、自动控制等技术与传统的电力相结合，碰撞出了新一轮电力改革的火花。
尤其是国家电网公司在2019年两会报告中提出了“坚强智能电网”和“泛在电力物联网”的建设目标，使得电网智能化、信息化、数字化成为了必然趋势。
而在实际中，由于终端计算能力有限，复杂计算往往难以完成，使得电力系统的优化运行较为困难。
1电力系统优化的必然性电力系统有着悠久的发展历史，自从将数值优化方法应用到了电力工程中，它们发挥了很大的作用。
系统优化的价值十分可观，单单从经济角度来看，每年可以为电网节约数十亿人民币，提高了燃料的经济可用性和系统的安全稳定性。
随着电力系统越来越复杂，负荷侧需求增加，火电厂的燃料消耗量也居高不下，导致成本增加，环境压力增大。
因此，对于电力系统的优化运行显得至关重要。
目前已有许多方法，包括了传统方法和人工方法。
这些方法随着系统的改变而不断地优化，以适应电网的发展。
但是由于电网系统有着大量的约束，使得它们十分复杂。
因此，找到更为有效快捷的方法显得十分重要，以此来解决电力系统中的若干优化问题，如经济调度、最优潮流OPF以及水热调度等。
经济调度是指在满足安全和电能质量的前提下，合理利用现有资源，确定最佳的功率输出，使得发电机组的燃料成本最小化，实现最低的发电成本。
最优潮流OPF是指控制各设备参数，在满足各个节点正常运行条件下，实现目标函数的最小化，一般又分为了有功优化和无功优化。
水热调度也是电力系统的一个重要优化问题。
电力系统中最主要的发电厂就是火力发电厂和水力发电厂，两者的配合通常需要调度时间范围。
人工智能在电力系统运行中的应用综述
人工智能在电力系统运行中的应用综述发表时间：2017-08-02T11:24:57.883Z 来源：《电力设备》2017年第9期作者：吴港吴国辉阎涛唐昱华[导读] 摘要：随着科学技术的发展，计算机得到了广泛推广与应用，成为人们生活、工作的重要组成部分。
（国网辽宁省电力有限公司大连供电公司辽宁大连 116011）摘要：随着科学技术的发展，计算机得到了广泛推广与应用，成为人们生活、工作的重要组成部分。
而人工智能正是利用计算机技术进行的系统监管、操作。
如今，也被广泛应用在行业发展中，尤其在电力系统中发挥着重要作用，确保了电力系统的稳定与安全性，避免故障问题的发生。
对此，笔者根据研究与实践经验，就人工智能在电力系统运行中的应用进行简要分析。
关键词：人工智能；电力系统；应用分析如今，电力行业已经成为人们生活、工业生产的重要能源，支撑着社会经济的发展。
电能源需求量越大，其后台信息数据、程序越为复杂，更需要做好电力系统维护，防止发生故障问题，确保人们正常生活、工业发展。
利用人工智能技术取缔传统人工解决问题形式，具有重要作用。
一、人工智能应用技术应用分析（一）人工智能定义人工智能也叫做AI，实质上是一种系统功能设备，是科学技术和自然学科的有效结合。
人工智能操作主要体现在：利用计算机程序输入设计，结合智能数据信息分析，模拟人的行为与操作。
如：分析、诊断、辨别等，在其前提条件下对外部环境做出智能反应。
相对于其他技术，人工智能技术发挥作用更为显著。
首先，并行性。
人工智能技术在应用过程中，主要利用较多的小单元分工协作进行协调处理，尽管不同单元配置较为单一，但是将其合在一起其作用是无穷的，可以在最短时间内解决问题。
其次，记忆性。
人工智能具有记忆性特点，尽管模仿人的动作、技能，但是能够根据流程需求进行数据提炼。
最后，系统性，人工智能应用在电力系统中，能够按照电力系统特点利用神经元输入、输出进行调整，进而达到系统稳定运行。
（二）人工智能应用状况分析 1、警报数据信息处理一般电力系统在进行较大规模运行时，因其时间跨度较大，在多种影响因素状态下难免出现问题故障。
电力系统无功优化算法综述_寸巧萍
文章编号:1004-289X(2007)05-0016-06电力系统无功优化算法综述寸巧萍(西南交通大学电气工程学院,成都 610031)摘 要:综合分析了用于电力系统无功优化的各种优化算法,特别是一些新兴算法,指出了各种方法的优缺点。
同时还对无功优化算法进一步发展做了一些探讨。
关键词:电力系统;无功优化;常规优化方法;人工智能方法中图分类号:TM71 文献标识码:BOverview on Reactive O ptim ization A lgorithm fo r Power SystemCUN Qiao-p ing(Colleg e of Elect ro nic Engineering,Southw est Jiaot ong U niversit y,Chengdu,610031,China) Abstract:This paper synthetically analy zes all kinds of the optimization m ethods used in r eactive pow er optim ization o f pow er system,especially some new technology.And their adv antages and disadvantag es are po inted o ut respectively.Meanwhile this paper discusses some o f its future development.Key w ords:po wer sy stem;reactiv e optimization;classical algorithm;artificial intellectual algorithm1 引言电力系统无功优化是电力系统安全经济运行的一个重要方面[1],是降低有功损耗,提高电压合格率的有效手段。
人工智能在电力系统中的智能优化与电能质量
人工智能在电力系统中的智能优化与电能质量随着科技的不断进步，人工智能（Artificial Intelligence, AI）正逐渐渗透进各个领域，电力系统也不例外。
人工智能技术的发展为电力系统的智能优化和电能质量方面提供了新的机遇和挑战。
本文将探讨人工智能在电力系统中的应用，并重点讨论其在智能优化和电能质量方面的作用。
一、人工智能在电力系统中的应用1. 负荷预测负荷预测是电力系统运行和调度的重要环节，传统的负荷预测模型通常基于统计方法，但其预测精度有限。
而人工智能技术，尤其是机器学习和深度学习算法的发展，为负荷预测提供了新的思路。
通过大数据的分析和学习，人工智能可以更准确地预测电力系统的负荷需求，从而提高系统的运行效率。
2. 能源管理人工智能可以通过智能算法和优化模型来实现电力系统的能源管理。
通过对历史数据和实时数据的分析，人工智能可以识别出能源消耗的模式和规律，并根据需求进行智能控制和优化。
例如，人工智能可以根据天气预报和用电需求预测来优化风电和太阳能的发电计划，从而最大程度地利用可再生能源。
3. 故障诊断与预测电力系统中的故障会给供电可靠性和电能质量带来严重威胁。
传统的故障诊断和预测方法通常基于专家经验和规则，但其受限于人工经验的不足和复杂情况下的判断。
而人工智能可以通过数据挖掘和机器学习算法，对大量历史故障数据进行分析和学习，从而提高故障诊断和预测的准确性和效率。
二、人工智能在电力系统智能优化中的作用1. 优化发电策略人工智能可以通过分析实时的供需情况、天气预报等因素，优化发电策略，提高发电效率和能源利用率。
例如，当负荷较低且可再生能源供应充足时，可以将发电机组切换到经济效益较高的运行模式，从而降低燃料消耗和排放。
2. 优化供电网络配置电力系统供电网络的配置对于系统的可靠性和安全性至关重要。
人工智能可以通过分析历史的供电网络数据和负荷需求，优化供电网络的配置方案，降低系统的潮流损耗和电压波动，提高供电可靠性和电能质量。
电力系统中的智能电网算法应用
电力系统中的智能电网算法应用智能电网算法在电力系统中的应用随着电力系统的不断发展和智能化的推进，智能电网技术成为了电力行业的热门话题。
智能电网算法是实现智能电网的关键技术之一，具有广泛的应用前景。
本文将介绍智能电网算法在电力系统中的应用，并探讨其优势和挑战。
智能电网算法是指利用先进的计算和数据处理技术，对电力系统进行优化和管理的算法。
智能电网算法主要包括用于电网调度、能源管理、故障检测与定位、电力质量控制等方面的算法。
首先，智能电网算法在电网调度中发挥着重要的作用。
传统的电网调度是基于经验和人工判断的，容易受到操作人员主观因素的影响，并且难以满足高效、安全、经济的要求。
而智能电网算法能够通过对大量数据的分析和处理，实现电网的智能调度，优化电力系统的运行状态，提高电网的应对能力和灵活性。
其次，智能电网算法在能源管理方面也具有重要意义。
随着可再生能源的快速发展和智能电网的普及，电力系统的能源管理变得越来越复杂。
而智能电网算法可以通过对电力系统的数据进行分析和建模，优化能源的生产和消费，实现电力系统的平衡与稳定。
例如，通过预测负荷需求和可再生能源的波动，智能电网算法可以合理调度电网的运行，提高可再生能源的利用率。
智能电网算法还在故障检测与定位方面起到了关键作用。
传统的故障检测需要将故障信息传输到操作中心进行判断，存在时间延迟和误判的问题。
而智能电网算法可以通过实时监测和数据分析，实现对电力系统故障的快速检测和定位。
同时，智能电网算法还可以根据故障特征进行故障诊断，提高故障处理的效率和准确性。
此外，智能电网算法在电力质量控制方面也有重要应用。
电力质量是指电力系统中电压和电流波形的稳定性和纯度，对电力设备和用户的正常运行具有重要影响。
传统的电力质量控制主要依靠传感器和控制器，成本高且难以实时响应。
而智能电网算法可以通过实时监测和数据处理，快速识别电力质量问题，并采取相应措施进行控制和修正，提高电力质量的稳定性和可靠性。
电力系统无功优化研究综述
ｏ ｆ ｔ ｈ ｅ ｄ ｙ ｎ ａ ｍｉ ｃ ｒ ｅ ａ ｃ ｔ ｉ ｖ ｅ ｐ ｏ ｗｅ ｒ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ａ ｎ ｄ ｐ ｒ ｏ ｓ ｐ ｅ ｃ ｔ ｓ ｏ ｆ ｔ ｈ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｒ ｅ ａ ｃ ｔ ｉ ｖ ｅ ｐ ｏ ｗｅ ｒ ｏ ｐ ｔ ｉ —
束的混合非线性规划问题 ， 其操作变量既有连续变
量（ 如 节 点 电压 、 发 电机 的 无 功 出力 ） ， 又 有 离 散 变
ｅ ｍｐ ｈ ａ ｔ ｉ ｃ ａ ｌ ｌ ｙ ｒ ｅ ｃ ｏ ｍｍｅ ｎ ｄ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｂ ａ ｓ ｉ ｓ ｏ ｆ ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ
ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ．Ｔ ｈ ｅ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ｏ ｆ ｔ ｈ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍｓ ａ ｎ ｄ ｔ ｈ ｅ ｈ ｙ ｂ ｉ ｒ ｄ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ
ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ｉ ｎ ｔ ｈ ｅ ｒ ｅ ａ ｃ ｔ ｉ ｖ ｅ ｐｏ ｗｅ ｒ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ａ ｒ ｅ
值， 同时全网有功损耗最小 。
电力 系统 的无 功优 化 问题 是 一 个 多变 量 、 多约
第 ３ ０卷 第 １ 期
人工智能在电力系统中的应用研究与实践综述
人工智能在电力系统中的应用研究与实践综述在当今科技飞速发展的时代，人工智能（AI）已经成为了众多领域的关键技术，电力系统也不例外。
电力系统作为现代社会的重要基础设施，其安全、稳定和高效运行对于国民经济和社会生活具有至关重要的意义。
人工智能的引入为电力系统的优化、监控、故障诊断等方面带来了新的思路和方法。
一、人工智能在电力系统中的应用领域1、电力系统负荷预测准确的电力负荷预测对于电力系统的规划、运行和调度至关重要。
传统的负荷预测方法往往基于历史数据和简单的数学模型，存在一定的局限性。
而人工智能技术，如人工神经网络（ANN）、支持向量机（SVM）等，可以更好地处理非线性和复杂的负荷数据，提高预测的准确性和可靠性。
通过对大量历史负荷数据的学习和分析，人工智能模型能够捕捉到负荷的变化规律和趋势，从而为电力系统的运行和规划提供更精准的决策依据。
2、电力系统优化调度电力系统的优化调度是确保电力供应安全、经济和环保的关键环节。
人工智能技术可以用于解决电力系统中的优化问题，如机组组合、经济调度等。
例如，利用遗传算法（GA）、粒子群优化算法（PSO）等智能优化算法，可以在满足各种约束条件的前提下，快速找到最优的调度方案，提高电力系统的运行效率和经济性。
3、电力系统故障诊断电力系统故障的及时准确诊断对于保障系统的安全稳定运行具有重要意义。
人工智能技术，如专家系统、模糊逻辑系统等，可以利用丰富的故障诊断经验和知识，对电力系统中的故障进行快速准确的诊断和定位。
此外，深度学习技术，如卷积神经网络（CNN）、循环神经网络（RNN）等，也在电力系统故障诊断中展现出了巨大的潜力，可以自动从大量的故障数据中提取特征，提高故障诊断的准确性和智能化水平。
4、电力系统智能控制智能控制技术可以提高电力系统的控制性能和稳定性。
例如，模糊控制可以处理电力系统中的不确定性和非线性问题，自适应控制可以根据系统的变化实时调整控制策略。
此外，基于人工智能的预测控制技术可以根据对未来系统状态的预测，提前制定控制策略，有效地应对电力系统中的各种扰动和变化。
人工智能技术在电力系统优化调度中的应用案例
人工智能技术在电力系统优化调度中的应用案例引言：随着信息技术的不断发展，人工智能（Artificial Intelligence, AI）技术逐渐应用到各个领域。
在电力系统中，人工智能技术为优化调度提供了新的解决方案。
本文将介绍一些人工智能技术在电力系统优化调度中的应用案例，包括负荷预测、发电机组优化、电网运行调度等方面的应用实例。
一、负荷预测负荷预测是电力系统优化调度的重要工作之一。
准确的负荷预测可以帮助电力公司合理安排发电计划和电网调度，提高电力系统的供需匹配能力。
人工智能技术在负荷预测领域发挥了重要作用。
以神经网络为代表的人工智能算法可以对历史负荷数据进行学习和分析，准确预测未来的负荷变化趋势。
例如，某电力公司利用神经网络模型分析大量历史数据，建立了一个负荷预测模型，并将其应用于实时负荷预测。
该模型能够准确预测未来24小时内的负荷情况，辅助电力公司根据预测结果调整发电计划和电网调度。
二、发电机组优化发电机组优化是提高电力系统运行效率的关键环节。
传统的发电机组优化方法往往依赖于经验规则和数学模型，缺乏灵活性和适应性。
人工智能技术在这方面的应用能够有效解决这些问题。
基于遗传算法的人工智能优化方法能够对发电机组的启停策略和发电功率进行优化。
以某发电厂为例，该发电厂利用遗传算法实现了多台发电机组的最优调度。
通过对多个因素的综合考虑，该优化系统能够找到发电机组的最佳启停策略，提高燃煤效率，降低能源消耗。
三、电网运行调度电网运行调度是电力系统优化调度中的核心环节。
合理的电网运行调度可以保证电力系统的安全稳定运行。
在这方面，人工智能技术的应用也取得了显著成果。
通过建立基于人工智能算法的电网运行调度模型，电力公司可以在考虑多种不确定因素的情况下进行电网调度，降低事故发生的风险。
在某电网公司的实践中，他们利用深度强化学习算法构建了一个电网运行调度系统。
该系统能够根据实时监测数据、天气预报和市场需求等因素，通过不断学习和优化调整发电计划和电网运行方式，确保电网的高效稳定运行。
现代人工智能方法在电力系统无功优化中的应用
参考 文献
［ １ 】王凌 ． 智能优 化算 法及其 应用 【 ． 大 学出版社 ，２０ ：１ １８ Ｍ】 清华 ０ １ ～ ４
作 者简 介 许建科 （ ９９ １６一），工程 师。从 事 电力 系统 运行与 管理 。
（ 收稿 日期 ：２ １ — ３ １ ） ００ ０ — ５
本文 利 用 图像 分 割 技 术 将 目标 和 背 景 分 离 出来 ，同 时利 用 Ｆ ｅ ａ链码来 记录孔洞边界 ，并可定量计算孔洞 的参数 ，这样大 大 ｒ ｍｎ ｅ （ ９ ） 接２ 页 裂缝性 储层不同于均质地层 ，测井学科还不能解决所有问 题 。 目前 的Ａ ｃ ｉ 式或 其改 进形式 ，对 一般均质 地层 有 良好适 应 ｒ ｅ ｈ公 性 ，使用效 果好 ， 但对 于裂缝性 储层 ， 所建立 的数学模型与实际地质 模式问差异很 大 ，这些方 程的能力和精 度大受 限制 。要从根本上解决 问题 ，需要发展以成像测井 和核 磁共振 测井 为代表的新技术新方法 ， 它们能更加直接地确定储层 的孔 隙度、渗透率和饱和度 ， 高储层评 提 价的精度。与常规方法相 比，这些新技术和方法还不成熟 ，需要在 应 用中不断的发展和完善 ，达到最大限度地提高勘探效率的 目的 。
（ ）人工 神经 网络 。该方 法基 于人工 神经 网络所 具有 的高 维 ４ 性 、并行分布式 信息处理性 、非线性 以及 自组织 自学习等优点。可以 将 网损最小作为优化 目 ，用该模型模型对多抽头的配电网电容 器进 标
综上所述 ， 代人工智能方法在 电力系统无功优化 领域 已经取得 现 了丰硕成果 ， 但远远还没有走到尽头。随着优化技术 与大规模方程组 解 算技术 的发展 ，应用更强大的计算机工具 ，人们将在 电力系统无功 优化领域取得更大的进步 。
［ １ 】王凌 ． 智能优 化算 法及其 应用 【 ． 大 学出版社 ，２０ ：１ １８ Ｍ】 清华 ０ １ ～ ４
作 者简 介 许建科 （ ９９ １６一），工程 师。从 事 电力 系统 运行与 管理 。
（ 收稿 日期 ：２ １ — ３ １ ） ００ ０ — ５
本文 利 用 图像 分 割 技 术 将 目标 和 背 景 分 离 出来 ，同 时利 用 Ｆ ｅ ａ链码来 记录孔洞边界 ，并可定量计算孔洞 的参数 ，这样大 大 ｒ ｍｎ ｅ （ ９ ） 接２ 页 裂缝性 储层不同于均质地层 ，测井学科还不能解决所有问 题 。 目前 的Ａ ｃ ｉ 式或 其改 进形式 ，对 一般均质 地层 有 良好适 应 ｒ ｅ ｈ公 性 ，使用效 果好 ， 但对 于裂缝性 储层 ， 所建立 的数学模型与实际地质 模式问差异很 大 ，这些方 程的能力和精 度大受 限制 。要从根本上解决 问题 ，需要发展以成像测井 和核 磁共振 测井 为代表的新技术新方法 ， 它们能更加直接地确定储层 的孔 隙度、渗透率和饱和度 ， 高储层评 提 价的精度。与常规方法相 比，这些新技术和方法还不成熟 ，需要在 应 用中不断的发展和完善 ，达到最大限度地提高勘探效率的 目的 。
（ ）人工 神经 网络 。该方 法基 于人工 神经 网络所 具有 的高 维 ４ 性 、并行分布式 信息处理性 、非线性 以及 自组织 自学习等优点。可以 将 网损最小作为优化 目 ，用该模型模型对多抽头的配电网电容 器进 标
综上所述 ， 代人工智能方法在 电力系统无功优化 领域 已经取得 现 了丰硕成果 ， 但远远还没有走到尽头。随着优化技术 与大规模方程组 解 算技术 的发展 ，应用更强大的计算机工具 ，人们将在 电力系统无功 优化领域取得更大的进步 。
智能蚂蚁算法在电力系统无功优化中的应用
＜电气开关）（０ １ Ｎ ． ） ２ １ ． ｏ５
文章 编 号 ：０ ４— ８ Ｘ（ ０ １ ０ ０ ６ ０ １０ ２ ９ ２ １ ）５— ０ ６— ５
智能蚂蚁算法在 电力系统无功优化 中的应用
刘欣 王晋 ，
（ ．长治供 电分公 司， １ 山西 长治 ０ ６ ０ ２ ４ ００；．山西晋城供 电分公 司， 山西 晋城 ０ ８０ ） ４ ００
适 用 范 围广 ， 寻优 能 力强 ， 序 实现 简单等优 点 ， 适合 电力 系统无功优 化 的特点 。 程 很 关键 词 ： 能蚂蚁 算 法 ； 智 蚂蚁 算 法 ； 外激 素 ； 电力 系统 ； 无功优 化 中 图分 类号 ：Ｍ７ Ｔ ｌ 文献 标识 码 ： Ｂ
Ａｐ ｌ ａ ｉ ｎ ｏ ｎ ｅｌ ｅ ｔＡｎ ｇ ｒｔ ｍ ｎ Ｒｅ ｃｉ ｅ Ｏｐ ｉ ｚ ｔ ｎ ｏ ｏ ｒ Ｓ ｓｅ ｐ ｉ ｔ ｆＩ ｔｌ ｇ ｎ ｔＡｌｏ ｉ ｃ ｏ ｉ ｈ ｏ ａｔ ｔ ｖ ｍｉａ ｉ ｆＰ ｗｅ ｙ ｔｍ ｏ
１ 序 言
随着国民经济的快速发展 ， 电力系统 网架结构和 运行方式 １益复杂 ， ３ 这就对系统运行的可靠性要求越 来越高 。电压是 电力系统运行安全性 和经济性的重要 指标 ， 它直接反映了系统 的无功平衡状况。而衡量一 个 系统 的电压水 平好 坏 的两个 主要 的 因素一个 是 电压
化 方法 有线性 规划 法 、 次规划 方法 、 线性 规划 法及 二 非
混合整数规划法等…。另一类是所谓 的智 能优化算
法， 它们从一个初始解群体开始， 按照概率转移原则 ， 采用某种方式 自适应地搜索最优解 。主要包括遗传算
法、 模拟退火算法 、 禁忌搜 索 （ ａｕＳａ ｈ 以及 各种 Ｔｂ ｅｒ ） ｃ 进化规划方法 。都能用来解决电力系统的无功优化问
文章 编 号 ：０ ４— ８ Ｘ（ ０ １ ０ ０ ６ ０ １０ ２ ９ ２ １ ）５— ０ ６— ５
智能蚂蚁算法在 电力系统无功优化 中的应用
刘欣 王晋 ，
（ ．长治供 电分公 司， １ 山西 长治 ０ ６ ０ ２ ４ ００；．山西晋城供 电分公 司， 山西 晋城 ０ ８０ ） ４ ００
适 用 范 围广 ， 寻优 能 力强 ， 序 实现 简单等优 点 ， 适合 电力 系统无功优 化 的特点 。 程 很 关键 词 ： 能蚂蚁 算 法 ； 智 蚂蚁 算 法 ； 外激 素 ； 电力 系统 ； 无功优 化 中 图分 类号 ：Ｍ７ Ｔ ｌ 文献 标识 码 ： Ｂ
Ａｐ ｌ ａ ｉ ｎ ｏ ｎ ｅｌ ｅ ｔＡｎ ｇ ｒｔ ｍ ｎ Ｒｅ ｃｉ ｅ Ｏｐ ｉ ｚ ｔ ｎ ｏ ｏ ｒ Ｓ ｓｅ ｐ ｉ ｔ ｆＩ ｔｌ ｇ ｎ ｔＡｌｏ ｉ ｃ ｏ ｉ ｈ ｏ ａｔ ｔ ｖ ｍｉａ ｉ ｆＰ ｗｅ ｙ ｔｍ ｏ
１ 序 言
随着国民经济的快速发展 ， 电力系统 网架结构和 运行方式 １益复杂 ， ３ 这就对系统运行的可靠性要求越 来越高 。电压是 电力系统运行安全性 和经济性的重要 指标 ， 它直接反映了系统 的无功平衡状况。而衡量一 个 系统 的电压水 平好 坏 的两个 主要 的 因素一个 是 电压
化 方法 有线性 规划 法 、 次规划 方法 、 线性 规划 法及 二 非
混合整数规划法等…。另一类是所谓 的智 能优化算
法， 它们从一个初始解群体开始， 按照概率转移原则 ， 采用某种方式 自适应地搜索最优解 。主要包括遗传算
法、 模拟退火算法 、 禁忌搜 索 （ ａｕＳａ ｈ 以及 各种 Ｔｂ ｅｒ ） ｃ 进化规划方法 。都能用来解决电力系统的无功优化问
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能算法在电力系统无功优化中的应用综述Revised on November 25, 2020智能算法在电力系统的无功优化中的应用1 引言电力系统的无功优化问题主要包括对电力系统中的电力无功补偿装置投入的地点、容量的确认，以及发电机端电压的配合和载调压变压器分接头的调节等，因此，电力系统中的无功优化问题就是一个带有大量约束条件的非线性规划问题。
由于电力系统在社会发展过程中的重要作用，长期以来很多专家和学者都对电力系统中的无功优化问题进行了大量的研究，并且采用很多方法来对电力系统无功优化问题进行求解。
自从二十世纪六十年代，J. Carpentier 提出了电力系统最优潮流数学模型之后，对电力系统无功优化问题的研究更是得到了长足的发展。
目前，随着各种数学优化方法和信息技术的发展，电力系统的无功优化问题的研究也进入了一个新的领域[1]。
目前电力系统无功优化问题的算法主要有经典数学优化方法和人工智能优化方法两种。
绝大多数的学者研究把连接电源点和负荷点或两个负荷点之间的馈线段作为研究对象，把这条线路作为最小的接线单元，用近年来出现的智能算法进行寻优，如遗传算法、免疫算法、禁忌搜索算法、粒子群算法、蚁群算法、模拟退火算法等。
2 无功优化的数学模型无功优化问题在数学上可以描述为:在给定系统网络结构和参数以及系统负荷的条件下，确定系统的控制变量，满足各种等式、不等式约束，使得描述系统运行效益的某个给定目标函数取极值。
其数学模型[2]表示为:min (,)..(,)0(,)0f u x s t g u x h u x ⎫⎪=⎬⎪≤⎭ （）式中，f 表示目标函数，u 是控制变量，包括发电机的机端电压、有载调压变压器的变比、无功补偿装置的容量;x 是状态变量，通常包括各节点电压和发电机的无功出力。
无功优化模型有很多种类，大体有以下几种模型:1)以系统的有功网损最小为优化的目标函数，在减少系统有功功率损耗的同时改善电压质量:2(,)(,)min min()min (2cos )l l ij ji ij i j i j ij i j n i j n f P P G U U U U θ∈∈=+=+-∑∑其中:l n 表示所有支路的集合，n 表示系统的总节点数，i U ，j U 分别为节点i ，j 的电压，ij θ 是节点i ，j 的相角差。
2)以系统的总无功补偿量最小为目标函数，这样能使总的补偿费用达到最小1min min ()cN i ci L i f Q P αβ==⨯+⨯∑ （）式中，i α表示节点i 的无功补偿年费用系数，c N 为补偿总结点数，ci Q 为节点i 的无功补偿容量，β为有功网损费用系数，L P 为系统有功网损。
3)以全系统火电机组燃料的总费用为目标函数，即min min ()Gi Gi i n f K P ∈=∑ （）式中，G n 是全系统所有发电机的集合，()i Gi K P 为第i 台发电机的耗量特性，一般用二次多项式表示，Gi P 为第i 台发电机的有功出力。
3 智能算法遗传算法遗传算法直接对求解对象进行选择、交叉和变异操作，遗传算法的主要特点是对参数编码进行操作，而不是对参数本身；同时对多个点的编码进行搜索，采用随机转换规则，而非确定性规则[3]。
遗传算法以其简单通用、鲁棒性强、应用范围广、符合并行处理要求等特点，使得遗传算成为了二十一世纪最关键的智能计算之一。
在遗传算法众多的应用领域中，组合优化是遗传算法最基本、最终要的应用领域之一[4]。
组合优化问题实质在有限的、离散的数学结构上，找到一个能够满足所有约束条件，并且能够取到目标函数最大值和最小值的解。
例如电力系统的无功优化问题就是一个典型的组合优化问题。
遗传算法的原理简单遗传算法的遗传方式比较简洁，即在转盘赌选择、单点交叉及变异等遗传操作下进行优化，这种选择方法是主要是根据依据每个个体的适应度值在整个种群中的比重来判断是否被选择，所以个体被选中的概率与其适应度值成正例的关系[5]。
它所需要时间长，一般不采用。
假设群体规模为N ，i f 为群体中第i 个染色体的适应度值，它被选择的概率i p 为:1/Ni i i i p f f ==∑，i=1，2，3，…，N 。
再将圆盘分成N 份，每份扇形的中心角度为12(/)Ni i i f f π=∑ 。
则其选择实现步骤是:在[0，1]范围内随机产生一个随机数r ，若111i ij j j j pr p -==<<∑∑，则选择个体i ，这样可知个体的适应度值越大，该个体所占的扇形空间就大，则被选中的可能性也就越大。
所以选择方法是按照适者生存的原则来进行的，只有适应度值大的个体才有机会被保留在下一代群体中，从而可提高整个群体的平均适应度值。
遗传算法改进措施该改进遗传算法的策略思想是构造一套赋予每个个体繁殖次数的算法，根据个体在下一代群体中的生存数目来确定它繁殖后代的次数。
个体的繁殖次数越多，被选中的概率就越大，它繁殖后代的几率就越大;相反个体的繁殖次数越少，被选中的概率就越小，它繁殖后代的几率就越小，该算法充分体现出遗传算法中优胜劣汰的思想。
它的优点是容易实施操作，不仅提高了算法的搜索速度，还有利于全局最优解的搜索[6]。
基于以上的描述，赋予每个个体繁殖次数的选择策略具体操作过程如下: 1）计算群体中各个个体适应度值i f ，i=1，2，…，N ； 2）计算群体中所有个体适应度值的和1N i i f =∑ ； 3） 计算群体中各个个体在下一代群体中的期望的繁殖次数i M 1int[/]Ni i j j M N f f α==**∑ （）其中，α 为调整因子，一般取 1.52α=。
4） 随机选择种群中的一个个体，如果它的生存数目大于0，这个个体就被选中，用来繁殖一次后代，然后它的繁殖数目减1。
如果等于0，则被舍弃。
遗传算法应用于电力系统的无功优化文献[7]认真研究了简遗传算法在无功优化中的应用，作为一种以网损微增率为核心的优化方法，该方法具有简单方便、优化速度快等特点。
文献[8]针对电力系统的无功优化问题，建立以电力系统中，电能损耗最小作为电力系统无功优化问题的目标函数，并且发电机无功越限、节点电压越限作为问题的惩罚函数来进行电力系统无功优化数学模型的研究。
然后，针对电力系统无功优化的特点，进行遗传算法的改进，并且对改进遗传算法中的染色体编码算法，选择、变异、交叉等遗传算子，适应度函数的设计以及终止条件的确定等方面，对改进遗传算法的设计进行研究。
粒子群算法粒子群优化算法（Particle Swarm Optimization ，简称PS0)是一种基于群体智能的随机搜索优化算法，最早由Kennedy 和Eberhart 于1995年提出。
该算法最初源于对鸟群捕食行为的研究，后来发现粒子群是一种很好的优化工具。
与其他进化算法相类似，粒子群算法通过个体间的协作与竞争，实现复杂空间中最优解的搜索[9]。
粒子群算法首先随机生成初始种群，在可行解空间中随机产生一群粒子(潜在的解)，每个粒子将在解空间中运动，并在粒子的每一维中有一个速度决定其前进的方向。
通常粒子追随当前的最优粒子而动，并逐代搜索最后得到最优解。
在每一代中，粒子将跟踪两个极值，一为粒子本身迄今找到的最优解pbest 另一为全种群迄今找到的最优解动gbest ，粒子群中每个粒子通过跟踪自己和群体所发现的最优值，不断修正自己的前进方向和速度，从而实现寻优[10]。
粒子群算法的步骤基本粒子群算法步骤如下[11]:步骤1:初始化。
设定粒子群参数:种群规模N ，维数D ，搜索空间上下限d L 和d U ，学习因子c1和c2，算法最大迭代次数max T ，粒子速度范围min,max []v v ，随机初始化粒子的位置i x 和速度i v ，选择适应度目标函数。
步骤2:选取适应度目标函数并计算粒子的适应度值。
将粒子的当前适应度和位置作为粒子的个体最优值和最优位置，从个体最优值中找出适应度值最好的粒子最优值作为全局最优值，并记录其位置为。
步骤3:对粒子速度和位置进行更新。
步骤4:将更新后的适应度值和粒子自身的个体最优值进行比较，若更新后的适应度值更加优秀，则用其替换原个体最优值，并更新当前最优位置，将更新后的各粒子最优值t 与原全局最优值，进行比较，若更新后的适应度值更加优秀，更新全局最优值和全局最优粒子位置。
步骤5:判断是否满足终止条件。
根据设定的判别条件进行判别(通常为最大迭代次数或最小误差)，如果满足判别条件，则停止迭代，输出最优解。
否则返回步骤3，继续进行迭代。
步骤6:输出最优值和最优位置，算法运行结束。
粒子群算法改进措施粒子群算法由于其迭代后期容易陷入局部最优，收敛精度低，易发散等缺点，需要对粒子群算法进行一些修正和改进，主要有以下三点措施:(1)基于粒子群中各种参数的改进，主要包括:惯性权重的调节，学习因子的改进，种群规模的选取，算法终止条件的设定等；(2)与其他优化算法相结合，取长补短，有针对性的进行改进；(3)算法拓扑结构的改进，拓扑结构主要分为全局版和局部版两种，可针对这两种分别进行改进。
文献[12]为了解决惯性权重的费时低效问题，提出了一种非线性动态策略—基于反正切函数的惯性权重。
在粒子群算法的公式中，学习因子cl和c2决定了粒子自身经验和群体经验对粒子运动轨迹的影响，反映了粒子间信息交流的强弱，因此合理的设置c1和c2将有利于种群尽快的寻找到最优解。
文献[13]提出一种线性调整学习因子的策略，它的主导思想是c1先大后小，c2先小后大，总体来说就是，在粒子群进行搜索的初始阶段，粒子的飞行主要依照粒子本身的经验，当搜索到后期阶段时，粒子的飞行更加注重群体社会的经验。
该方法经过验证能得到理想的效果，但是由于后期种群的多样性丧失，容易早熟收敛。
粒子群算法应用与电力系统无功优化文献[14]将自适应粒子群算法应用于IEEE30节点系统的无功优化问题中，通过在优化过程中自动调节粒子群算法的有关参数实现无功的优化计算。
文献[15]应用粒子群算法求解电力系统的最优潮流问题，根据模拟退火原理确定粒子群算法的惯性权重因子值，以改进粒子群算法的性能，仿真计算结果显示，粒子群算法在解决最优潮流问题时有很好的应用前景。
蚁群算法受蚁群在觅食过程中总能找到一条从蚁巢到食物源的最短路径启发，意大利Dorigo M，Maniezzo V，Colorni A等人经过大量的观察和实验发现，蚂蚁在觅食过程中留下了一种外激素，又叫信息激素。
它是蚂蚁分泌的一种化学物质，蚂蚁在寻找食物的时候会在经过的路上留下这种物质，以便在回巢时不至十迷路，而且方便找到回巢的最好路径。
由此，Dorigo M等人首先提出了一种新的启发式优化算法，叫蚁群算法(ACA)。