一种改进的电力系统保留非线性潮流算法

基于牛顿—拉夫逊电力系统潮流计算的改进算法潮流计算是络设计及运行中最基本的计算，是电力系统进行稳定计算和故障分析的基础。

通过对电力网络进行潮流计算，可以得到各种电网各节点的电压，并求得网络的潮流及网络中各元件的电力损耗，进而求得电能损耗。

潮流计算在数学上是多元非线性方程组的求解问题。

随着现代电力系统的不断扩大和电网互联的出现，潮流分析计算变得更加复杂，这就要求对传统的牛顿-拉夫逊法进行改进，降低牛顿法初值选取的敏感性和提高收敛速度，以适应新的要求。

经典的牛顿-拉夫逊潮流计算法根据给定的电力系统潮流计算时各节点的类型，确定节点导纳矩阵、修正方程和迭代收敛条件，将非线性方程组逐次线性化为修正方程组反复迭代求解，因此收敛范围依赖电压的初值；同时经典牛顿法中求解雅克比矩阵计算量较大，影响了计算速度。

目前存在着很多牛顿-拉夫逊算法迭代格式的改进方法，如同伦延拓法，平移迭代法，具有三阶收敛速度的改进牛顿法，文献还提出了在迭代过程中通过三次内插法求最优步长系数的步长优化法。

这些方法都在一定程度上降低了初值选取的敏感度，提高了收敛精度。

在用牛顿-拉夫逊法进行潮流计算过程中，每一次迭代都要形成新的雅克比矩阵和进行一次矩阵的三角分解。

因此，雅克比矩阵的求解形式是加快计算速度的关键。

文献和文献提出了一种只在初始形成一次雅克比矩阵和只进行一次三角分解，在以后逐次迭代中保持该矩阵及其三角分解结果不变的方法，但他们在对功率方程进行泰勒展开时保留到二阶项，对中小型电力系统来说，计算并没更简单，且当初始值与实际值较接近时，泰勒级数二次项其实很小。

本文的改进方案是：1）根据牛顿-拉夫逊法原理，对迭代格式进行改进，提出新的迭代格式，降低初值选取的敏感性。

2）对每次迭代计算的雅克比矩阵形成方法进行改进，加快牛顿-拉夫逊法的计算速度。

2 算法原理与改进将牛顿法用于潮流计算是以导纳矩阵为基础的，由于利用了导纳矩阵的对称性、稀疏性及节点编号顺序优化等技巧，使牛顿法在收敛性、占用内存、计算速度等方面都达到了一定的要求。

一、潮流计算方法之间的区别联系高斯-赛德尔法：原理简单，导纳矩阵对称且高度稀疏，占用内存小。

收敛速度很慢，迭代次数随节点数直接上升，计算量急剧增加，不适用大规模系统。

牛顿-拉夫逊法：收敛速度快，迭代次数和网络规模基本无关。

相对高斯-赛德尔法，内存量和每次迭代所需时间较多，其可靠的收敛还取决于一个良好的启动初值。

PQ 分解法（快速解耦法）：PQ 分解法实际上是在极坐标形式的牛顿法的基础上，在交流高压电网中，输电线路等元件的R<<X ，即有功功率主要取决于电压相角，而无功功率主要取决于电压幅值，根据这种特性对方程组进行简化，从而实现了有功和无功的解耦。

两大条件：(1)线路两端的相角相差不大(小于10°～20°)，而且||||ij ij G B ≤，于是可以认为：cos 1;sin ij ij ij ij G B θθ≈≤； (2)与节点无功功率相对应的导纳2/i i Q U 通常远小于节点的自导纳ii B ，也即2i i ii Q U B <<。

1. PQ 分解法用一个1n -阶和一个1n m --阶的方程组代替牛顿法中22n m --阶方程组，显著减少了内存需量和计算量。

2. 计算过程中B '、B ''保持不变，不同于牛顿法每次迭代都要重新形成雅可比矩阵，因此显著提高了计算速度。

3.雅可比矩阵J 不对称，而B '、B ''都是对称的，使求逆等运算量和所需的存储容量都大为减少。

4. PQ 分解法的迭代次数要比牛顿法多，但是每次迭代所需时间比牛顿法少，所以总的计算速度仍是PQ 分解法快。

在低压配电网中PQ 分解法不适用。

交流高压电网的输电线路的元件满足R<<X ，PQ 分解法正是基于此条件简化而来；而低电压配电网络一般R/X 比值很大，大R/X 比值病态问题也正是PQ 分解法应用中的一个最大障碍。

《电力系统分析》复习题1. 分别列出下列潮流算法的迭代格式、收敛判据，并从收敛性、计算量和内存占用量比较其算法特点及适用范围。

(1) 直角坐标的N-R 法； (2) 极坐标的N-R 法；(3) 快速解耦潮流算法（P-Q 分解法）； (4) 二阶潮流算法（保留非线性潮流算法）； (5) 最优乘子法。

答: (1)极坐标N-R 法：迭代格式：P HN Q ML U U θ∆∆⎡⎤⎡⎤⎡⎤=-⎢⎥⎢⎥⎢⎥∆∆⎣⎦⎣⎦⎣⎦()()()1k k k U U U +=+∆()()()1k k kθθθ+=+∆。

牛顿潮流算法的特点1）其优点是收敛速度快，若初值较好，算法将具有平方收敛特性，一般迭代4～5次便可以收敛到非常精确的解，而且其迭代次数与所计算网络的规模基本无关。

2）牛顿法也具有良好的收敛可靠性，对于对高斯-塞德尔法呈病态的系统，牛顿法均能可靠地敛。

3）初值对牛顿法的收敛性影响很大。

解决的办法可以先用高斯-塞德尔法迭代1～2次，以此迭代结果作为牛顿法的初值。

也可以先用直流法潮流求解一次求得一个较好的角度初值，然后转入牛顿法迭代。

(2)直角坐标N-R 法：迭代格式：2P H N e Q M L f R S U ⎡⎤∆⎡⎤∆⎡⎤⎢⎥⎢⎥∆=-⎢⎥⎢⎥⎢⎥∆⎣⎦⎢⎥⎢⎥∆⎣⎦⎣⎦()()()1k k k e e e +=+∆()()()1k k k f f f +=+∆ 特点同极坐标N-R(3)P-Q 分解法:迭代格式：'P U B θ∆=∆，''Q U B U ∆=∆()()()1k k k U U U +=+∆，()()()1k k k θθθ+=+∆收敛判据：max i i i P U ε∆<且max i i iQ U ε∆< 特点：(1)用解两个阶数几乎减半的方程组（n-1阶和n-m-1阶）代替牛顿法的解一个(2n-m-2)阶方程组，显著地减少了内存需求量及计算量。

第１４卷㊀第３期Ｖｏｌ．１４Ｎｏ．３㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２４年３月㊀Ｍａｒ．２０２４㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２４）０３－００４６－０８中图分类号：ＴＥ３４１文献标志码：Ａ一种求解最优潮流的改进灰狼优化算法王㊀恒，杨㊀婷（铜仁职业技术学院信息工程学院，贵州铜仁５５４３００）摘㊀要：最优潮流是电力系统最关键的问题之一，本文采用一种求解最优潮流的改进灰狼优化算法（ＬＭＧＷＯ）求解最优潮流（ＯＰＦ）问题，该算法引入算术优化算法（ＡｒｉｔｈｍｅｔｉｃＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ，ＡＯＡ）中的乘除算子，利用带透镜成像的反向学习策略增强最优个体的多样性，提高算法跳出局部最优的能力㊂通过与几种常用的算法进行对比实验表明：本文提出的ＬＷＧ⁃ＷＯ算法是有竞争力的，总体上优于对比算法；ＬＭＧＷＯ算法在最小化燃料成本㊁有功输电损耗和改善电压偏差方面更有效地找到了最优潮流（ＯＰＦ）问题的最优解㊂关键词：灰狼优化算法；最优潮流；算术优化算法；燃料成本；有功输电损耗ＡｎｉｍｐｒｏｖｅｄｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｓｏｌｖｉｎｇｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗＷＡＮＧＨｅｎｇ，ＹＡＮＧＴｉｎｇ（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＴｏｎｇｒｅｎＰｏｌｙｔｅｃｈｎｉｃＣｏｌｌｅｇｅ，Ｔｏｎｇｒｅｎ５５４３００，Ｇｕｉｚｈｏｕ，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｉｓｏｎｅｏｆｔｈｅｍｏｓｔｃｒｉｔｉｃａｌｐｒｏｂｌｅｍｓｉｎｐｏｗｅｒｓｙｓｔｅｍ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｎｉｍｐｒｏｖｅｄＧｒｅｙＷｏｌｆＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ（ＬＭＧＷＯ）ｉｓｕｓｅｄｔｏｓｏｌｖｅｔｈｅｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗ（ＯＰＦ）ｐｒｏｂｌｅｍ．Ｉｎｔｈｉｓａｌｇｏｒｉｔｈｍ，ｍｕｌｔｉｐｌｉｃａｔｉｏｎａｎｄｄｉｖｉｓｉｏｎｏｐｅｒａｔｏｒｓｉｎｔｈｅＡｒｉｔｈｍｅｔｉｃＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ（ＡＯＡ）ａｒｅｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅｒｅｖｅｒｓｅｌｅａｒｎｉｎｇｓｔｒａｔｅｇｙｗｉｔｈｌｅｎｓｉｍａｇｉｎｇｉｓｕｓｅｄｔｏｅｎｈａｎｃｅｔｈｅｄｉｖｅｒｓｉｔｙｏｆｏｐｔｉｍａｌｉｎｄｉｖｉｄｕａｌｓａｎｄｉｍｐｒｏｖｅｔｈｅａｂｉｌｉｔｙｏｆｔｈｅａｌｇｏｒｉｔｈｍｔｏｊｕｍｐｏｕｔｏｆｔｈｅｌｏｃａｌｏｐｔｉｍａｌ．Ｔｈｒｏｕｇｈｃｏｍｐａｒａｔｉｖｅｅｘｐｅｒｉｍｅｎｔａｌａｎａｌｙｓｉｓｏｆｓｅｖｅｒａｌｃｏｍｍｏｎｌｙｕｓｅｄａｌｇｏｒｉｔｈｍｓ，ｔｈｅｐｒｏｐｏｓｅｄＬＷＧＷＯａｌｇｏｒｉｔｈｍｉｓｃｏｍｐｅｔｉｔｉｖｅａｎｄｇｅｎｅｒａｌｌｙｓｕｐｅｒｉｏｒｔｏｒｅｃｅｎｔａｌｇｏｒｉｔｈｍｓ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＬＭＧＷＯａｌｇｏｒｉｔｈｍｃａｎｆｉｎｄｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｏｆＯＰＦｐｒｏｂｌｅｍｍｏｒｅｅｆｆｅｃｔｉｖｅｌｙｉｎｔｅｒｍｓｏｆｍｉｎｉｍｉｚｉｎｇｆｕｅｌｃｏｓｔ，ａｃｔｉｖｅｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎｌｏｓｓａｎｄｉｍｐｒｏｖｉｎｇｖｏｌｔａｇｅｄｅｖｉａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ；ｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗ；ａｒｉｔｈｍｅｔｉｃｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ；ｆｕｅｌｃｏｓｔ；ａｃｔｉｖｅｐｏｗｅｒｔｒａｎｓｍｉｓｓｉｏｎｌｏｓｓ基金项目：铜仁市科学技术局基础科学研究项目（铜市科研（２０２２）７２号）㊂作者简介：王㊀恒（１９８５－），男，博士研究生，讲师，主要研究方向：智能计算与混合系统㊁人工智能㊁故障诊断研究等㊂Ｅｍａｉｌ：ｗａｎｇｈｅｎｇ＿ｔｒｚｙ＠ｆｏｘｍａｉｌ．ｃｏｍ收稿日期：２０２３－０６－１６０㊀引㊀言最优潮流（ＯＰＦ）问题是电力系统运行过程中备受关注的焦点问题，旨在找到最优的运行方式，使得电力系统的运行成本最低，同时满足安全㊁稳定和环保等约束条件㊂ＯＰＦ问题的求解是在满足一系列物理㊁环境㊁实际和运行的约束条件下，通过优化特定的目标来确定电力系统的运行状态㊂在此之前，许多传统的优化技术的应用已获成功，包括基于梯度的方法㊁牛顿法㊁单纯形法㊁序列线性规划和内点法［１－５］㊂由于ＯＰＦ问题本质上是一个多极㊁多约束㊁非凸的复杂优化问题，使用传统的数值方法来求解，过程复杂㊁耗时且精度较差㊂近年来，元启发式算法的快速发展为解决ＯＰＦ问题提供了更多的选择㊂元启发式算法具有参数少㊁易于操作㊁不需要梯度信息等优点，能够在合理的时间内和高度复杂的约束条件下找到复杂问题的最优解㊂刘自发等学者［６］提出了一种基于混沌粒子群优化方法的电力系统无功最优潮流（ＯＰＦ）问题㊂Ｆａｒｈａｔ等学者［７］提出了一种基于邻域维度学习搜索策略的增强型黏液霉菌算法（ｅｎｈａｎｃｅｄｓｌｉｍｅｍｏｕｌｄａｌｇｏｒｉｔｈｍ，ＥＳＭＡ）用于求解最优潮流（ＯＰＦ）问题等等㊂越来越多的元启发式算法被广泛用于解决电力系统优化相关问题［８－１３］㊂灰狼优化算法（ｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ，ＧＷＯ）是由Ｍｉｒｊａｌｉｌｉ等学者［１４］在２０１４年上提出的一种新的元启发式算法㊂灰狼优化算法（ＧＷＯ）原理简单㊁编程容易㊁需要调整的参数少，现已陆续应用于电力系统㊁自动控制㊁能源市场战略招标等领域［１５－１７］㊂然而，与许多元启发式优化算法一样，灰狼优化算法（ＧＷＯ）在求解复杂的非线性问题时容易陷入局部最优且收敛速度慢㊂针对原有灰狼优化算法在求解最优潮流（ＯＰＦ）问题时存在的不足，提出了一种改进的灰狼优化算法（ＬＭＧＷＯ算法）㊂基于镜头成像学习和乘除算子策略对原灰狼优化算法（ＧＷＯ）进行改进，主要有２点改进：（１）为了增强算法的全局探索能力，引入乘除算子策略，提高算法的收敛速度；（２）为增强最优个体的多样性，引入透镜成像修正反向学习策略，提高算法跳出局部最优的能力㊂１㊀最优潮流公式最优潮流（ＯＰＦ）问题是典型的多变量㊁多约束的非线性组合优化问题㊂最优潮流（ＯＰＦ）问题的求解过程是通过寻找最优的控制变量来获得最小的目标函数㊂数学模型定义如下：ｍｉｎＦ（ｕ，ｘ）ｓ．ｔ．ｇ（ｕ，ｘ）＝０ｈ（ｕ，ｘ）ɤ０{㊀㊀其中，Ｆ表示目标函数；ｘ表示控制变量；ｕ表示状态变量；ｇ（ｕ，ｘ）＝０是等式约束；ｈ（ｕ，ｘ）ɤ０是不等式约束㊂１．１㊀控制变量和状态变量最优潮流（ＯＰＦ）问题公式中的控制变量集合为：㊀㊀ｘ＝［ＰＧ２， ，ＰＧＮＧ，ＶＧ１， ，ＶＧＮＧ，Ｔ１， ，ＴＮＴ，ＱＣ１， ，ＱＣＮＣ］（１）其中，ＰＧ２， ，ＰＧＮＧ为系统除松弛母线外的有功发电量；ＶＧ１， ，ＶＧＮＧ为系统的电压幅值；Ｔ１， ，ＴＮＴ为变压器分接设定值；ＱＣ１， ，ＱＣＮＣ为并联无功补偿；ＮＧ㊁ＮＴ㊁ＮＣ分别为发电机个数㊁调节变压器个数㊁无功补偿器个数㊂最优潮流（ＯＰＦ）问题表述的状态变量集合为：ｕ＝［ＰＧ１，ＶＬ１， ，ＶＬＮＬ，ＱＧ１， ，ＱＧＮＧ，Ｓｌ１， ，Ｓｌｎｌ］（２）其中，ＰＧ为空闲母线输出有功功率；ＶＬ为负载母线电压幅值；ＱＧ为各发电机组输出无功功率；Ｓｌ为输电线路负载㊂１．２㊀目标函数将燃油成本㊁有源输电损耗和电压偏差作为最优潮流（ＯＰＦ）问题的目标函数㊂各目标函数的数学模型定义如下㊂（１）燃料成本（ＦＣ）㊂描述发电成本的目标函数，可得数学建模如下：Ｆ１（ｘ，ｕ）＝ðＮｇｉ＝１（ａｉ＋ｂｉＰＧｉ＋ｃｉＰ２Ｇｉ）（３）㊀㊀其中，Ｎｇ为发电机个数；ａｉ，ｂｉ，ｃｉ为第ｉ台发电机组的燃料成本系数；ＰＧｉ为第ｉ台发电机组的实际发电量㊂（２）有功输电损耗（ＡＰＬ）㊂传输线的ＡＰＬ可表示为：㊀Ｆ２（ｘ，ｕ）＝ðｉ，ｊɪＮｌＧｉｊＶ２ｉ＋Ｖ２ｊ－２ＶｉＶｊｃｏｓ（θｉｊ）()（４）㊀㊀其中，Ｎｌ为输电线路数；Ｇｉｊ为线路ｉｊ的传递电导；Ｖｉ为第ｉ根母线的电压幅值；Ｖｊ为第ｊ根母线的电压幅值；θｉｊ为母线ｉ与ｊ之间的电压相角之差㊂１．３㊀约束条件在最优潮流（ＯＰＦ）问题中，等式约束和不等式约束是电力系统需要满足的约束，通常是每个节点的功率平衡约束，可以通过式（５）和式（６）进行定义：ＰＧｉ－ＰＤｉ＝ＶｉðＮｉ，ｊ＝１Ｖｊ（Ｇｉｊｃｏｓ（δｉ－δｊ）＋Ｂｉｊｓｉｎ（δｉ－δｊ））（５）ＱＧｉ－ＱＤｉ＝ＶｉðＮｉ，ｊ＝１Ｖｊ（Ｇｉｊｓｉｎ（δｉ－δｊ）－Ｂｉｊｃｏｓ（δｉ－δｊ））（６）其中，ＰＤｉ㊁ＱＤｉ分别为第ｉ台母线的有功㊁无功功率；ＰＧｉ和ＱＧｉ为第ｉ台发电机的无功发电量；Ｎ为母线个数；Ｇｉｊ和Ｂｉｊ分别为母线ｉ和ｊ之间的电导和电纳；Ｖｉ和Ｖｊ分别为母线ｉ和ｊ的电压幅值㊂２㊀改进的灰狼优化算法２．１㊀灰狼优化算法灰狼优化算法（ＧＷＯ）是模仿自然界灰狼群体社会等级和捕食行为而衍生的一种元启发式算法［１４］㊂灰狼群体的社会等级为α狼㊁β狼㊁δ狼和ω狼㊂狼的狩猎行为分为跟踪㊁包围和攻击猎物三个步骤㊂狼群包围猎物的数学模型定义为：Ｘ＝Ｘα（ｔ）－Ａ㊃｜Ｃ㊃Ｘα（ｔ）－Ｘ（ｔ）｜（７）㊀㊀其中，Ｘ和Ｘα分别表示狼个体和猎物个体的位置向量，ｔ表示当前迭代次数㊂系数向量Ａ和Ｃ定义为：Ａ＝２ａ㊃ｒ１－ａ（８）Ｃ＝２㊃ｒ２（９）㊀㊀其中，ｒ１和ｒ２是［０，１］之间的随机向量，ａ从２线性递减到０，其数学模型定义为：７４第３期王恒，等：一种求解最优潮流的改进灰狼优化算法ａ＝２－２㊃ｔＴｍａｘ（１０）㊀㊀其中，Ｔｍａｘ为最大迭代次数㊂包围猎物后，β狼和δ狼在α狼的带领下追捕猎物㊂在追捕过程中，狼群的个体位置会随着猎物的逃跑而发生变化㊂因此，灰狼群可以根据α㊁β㊁δ的位置Ｘα，Ｘβ，Ｘδ更新灰狼的位置：Ｘ１＝Ｘα（ｔ）－Ａ１㊃｜Ｃ１㊃Ｘα（ｔ）－Ｘ（ｔ）｜（１１）Ｘ２＝Ｘβ（ｔ）－Ａ２㊃｜Ｃ２㊃Ｘβ（ｔ）－Ｘ（ｔ）｜（１２）Ｘ３＝Ｘδ（ｔ）－Ａ３㊃｜Ｃ３㊃Ｘδ（ｔ）－Ｘ（ｔ）｜（１３）Ｘ（ｔ＋１）＝Ｘ１＋Ｘ２＋Ｘ３３（１４）㊀㊀其中，Ｘ（ｔ＋１）是当前个体的位置㊂２．２㊀改进ＧＷＯ算法的思路和策略２．２．１㊀算术乘除运算符策略２０２１年，Ａｂｕａｌｉｇａｈ等学者［１８］提出的一种新的元启发式算法，即算术优化算法（ＡｒｉｔｈｍｅｔｉｃＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ，ＡＯＡ），主要利用数学中的乘㊁除运算符以及加㊁减运算符四种混合运算㊂ＡＯＡ中的乘除算子具有较强的全局探索能力㊂灰狼种群在更新位置时侧重使用α狼㊁β狼和δ狼作为精英来引导搜索，具有较强的局部开发能力㊂引入算术乘除算子策略，提高ＧＷＯ算法的全局探索能力㊂算术乘除算子策略的数学模型定义为：Ｘｊｉ（ｔ＋１）＝Ｘｊｂｅｓｔː（ＭＯＰ＋ε）㊃［（ｕｂｊ－ｌｂｊ）㊃μ＋ｌｂｊ］，㊀ｒ３ɤ０．５ＸｊｂｅｓｔˑＭＯＰ㊃［（ｕｂｊ－ｌｂｊ）㊃μ＋ｌｂｊ］，㊀㊀㊀㊀ｒ３＞０．５{（１５）㊀㊀其中，Ｘｊｂｅｓｔ表示当前最优解的第ｊ个位置；ｒ３表示介于［０，１］之间的随机数；ε表示防止分母为０的整数；μ表示调节搜索过程的控制参数，μ的值在基本ＡＯＡ中为０．５；ｕｂｊ和ｌｂｊ分别表示第ｉ个位置的上下界㊂ＭＯＰ为概率函数，其数学模型描述为：ＭＯＰ＝１－ｔ１τＴ１τｍａｘ（１６）㊀㊀其中，τ＝５是一个敏感因子，定义了迭代的搜索精度㊂由式（１５）可知，ＡＯＡ可以带来高分布，借助乘除算子实现位置更新，可以大大提高算法的全局探索能力㊂本文设置阈值为０．３㊂２．２．２㊀基于透镜成像的反向学习策略根据灰狼的位置更新公式，由α狼㊁β狼和δ狼带领群体中的其他狼进行位置更新㊂如果α狼㊁β狼和δ狼都处于局部最优，则整个群体会聚集在局部最优区域，导致种群陷入局部最优㊂针对该问题，本文提出一种基于透镜成像原理的反向学习方法，将对立个体与当前最优个体相结合，生成新个体㊂假设在一维空间中，在轴区间［ｌｂ，ｕｂ］上有一个高度为Ｈ的个体Ｐ，其在ｘ轴上的投影为Ｘ（Ｘ为全局最优个体）㊂将焦距为Ｆ的镜头放置在基点位置Ｏ上（本文取基点位置为（ｌｂ＋ｕｂ／２））㊂个体Ｐ通过透镜，以获得高度为Ｈ的倒置图像Ｐ∗，在这点上，第一个倒置的个体ｘ通过透镜成像在Ｘ轴上产生㊂镜头图像的反向学习策略如图１所示㊂㊀㊀在图１中，全局最优个体Ｘ以Ｏ为基点找到其对应的逆个体Ｘ∗㊂因此，可以从透镜成像原理推导出数学模型，推得的公式为：（ｕｂ＋ｌｂ）／２－ＸＸ∗－（ｕｂ＋ｌｂ）／２＝ｈｈ∗（１７）㊀㊀设ｈ／ｈ∗＝ｋ，ｋ表示拉伸因子㊂通过推导式（１７），可以得到反转点Ｘ∗的计算公式：Ｘ∗＝ｕｂ＋ｌｂ２＋ｕｂ＋ｌｂ２ｋ－Ｘｋ（１８）xOh PXl bu b h*X *P*yF图１㊀基于镜头图像的反向学习策略Ｆｉｇ．１㊀Ｒｅｖｅｒｓｅｌｅａｒｎｉｎｇｓｔｒａｔｅｇｙｂａｓｅｄｏｎｌｅｎｓｉｍａｇｅ㊀㊀在算法搜索解时，使用拉伸因子ｋ作为微观调节因子，增强算法的局部开发能力㊂然而，在基本的透镜成像逆学习策略中，拉伸因子一般作为固定值使用，不允许算法探索解空间的全范围㊂为此，本文提出一种基于非线性动态递减的伸缩因子策略，在算法迭代初期可以得到较大的值，有助于算法在不同维度的区域进行更大范围的搜索，以提高种群的多样性㊂非线性动态拉伸因子定义为：㊀ｋ＝ｋｍａｘ－（ｋｍａｘ－ｋｍｉｎ）㊃［１－ｃｏｓ（πｔ２Ｔｍａｘ）］（１９）㊀㊀其中，ｋｍａｘ和ｋｍｉｎ分别表示最大和最小拉伸因子，Ｔｍａｘ表示最大迭代次数㊂可以将式（１８）扩展到Ｄ－维搜索空间，得到数学模型为：８４智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀Ｘ∗ｊ＝ｕｂｊ＋ｌｂｊ２＋ｕｂｊ＋ｌｂｊ２ｋ－Ｘｊｋ（２０）㊀㊀其中，Ｘｊ和Ｘ∗ｊ分别表示Ｘ和Ｘ∗的的第ｊ维向量，ｕｂｊ和ｌｂｊ分别表示决策变量的第ｊ维向量㊂基于透镜的反向学习策略虽然极大地提高了算法的求解精度，但无法直接判断生成的新反向个体是否优于原始个体㊂因此，本文引入贪心机制来比较新旧个体适应度值，从而筛选出最优个体㊂该方法不断获得更好的解，提高了算法的寻优能力㊂贪婪机制的数学模型描述如下：Ｘｎｅｗ（ｔ）＝Ｘ∗，㊀ｆ（Ｘ）＞ｆ（Ｘ∗）Ｘ，㊀ｆ（Ｘ）ɤｆ（Ｘ∗）{（２１）２．２．３㊀ＬＭＧＷＯ算法实现过程ＬＭＧＷＯ算法实现流程如图２所示㊂计算每只狼的适应度，从狼群中选出α狼、β狼和δ狼开始初始化狼群的位置t =t +1i f t ＜T m a x 结束运行式(19)~（22）执行基于透镜成像的反向学习策略i f r ＜0.3通过式(17）、式(18）执行算术乘除运算符策略通过式(13)~(16)更新狼群的位置计算适应度值更新向量α狼、β狼和δ狼图２㊀ＬＭＧＷＯ算法流程图Ｆｉｇ．２㊀ＦｌｏｗｃｈａｒｔｏｆＬＭＧＷＯａｌｇｏｒｉｔｈｍ３㊀实验３．１㊀实验环境及参数设置在Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７－ｉ７－６５００ＵＣＰＵ㊁２．５０ＧＨｚ频率㊁８ＧＢ内存㊁Ｗｉｎｄｏｗｓ１０（６４ｂｉｔ）操作系统上进行仿真实验，编程软件为ＭａｔｌａｂＲ２０１８ａ㊂采用９个基准测试函数，包括５个单峰函数Ｆ１ Ｆ５和４个非线性多峰函数Ｆ６ Ｆ９，见表１㊂参与对比的灰狼优化算法（ＧＷＯ）［１４］㊁算术优化算法（ＡＯＡ）［１８］㊁正弦余弦算法（ＳＣＡ）［１９］㊁猩猩优化算法（ＣｈＯＡ）［２０］㊁鲸鱼优化算法（ＷＯＡ）［２１］㊁ＬＭＧＷＯ的参数设置见表２㊂表１㊀基准测试函数Ｔａｂｌｅ１Ｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎｓ函数编号名称维度范围最优值Ｆ１Ｓｐｈｅｒｅ３０［－１００，１００］０Ｆ２Ｓｃｈｗｅｆｅｌ．２．２２３０［－１０，１０］０Ｆ３Ｓｃｈｗｅｆｅｌ．１．２３０［－１００，１００］０Ｆ４Ｓｃｈｗｅｆｅｌ．２．２１３０［－１００，１００］０Ｆ５Ｑｕａｒｔｉｃ３０［－１．２８，１．２８］０Ｆ６Ｒａｓｔｒｉｇｉｎ３０［－５．１２，５．１２］０Ｆ７Ａｃｋｌｅｙ３０［－３２，３２］０Ｆ８Ｃｒｉｅｗａｎｋ３０［－６００，６００］０Ｆ９Ａｐｌｉｎｅ３０［－１０，１０］０９４第３期王恒，等：一种求解最优潮流的改进灰狼优化算法表２㊀算法参数设置Ｔａｂｌｅ２㊀Ｐａｒａｍｅｔｅｒｓｅｔｔｉｎｇｓｏｆａｌｇｏｒｉｔｈｍｓ算法名称参数设置ＳＣＡ［１９］Ｍ＝２ＣｈＯＡ［２０］ｆｍａｘ＝２．５，ｆｍｉｎ＝０ＷＯＡ［２１］ａｍａｘ＝２，ａｍｉｎ＝０，ｂ＝１ＡＯＡ［１８］ＭＯＰ＿Ｍａｘ＝１，ＭＯＰ＿Ｍｉｎ＝０．２，α＝５，μ＝０．４９９ＧＷＯ［１４］ａｍａｘ＝２，ａｍｉｎ＝０ＬＭＧＷＯａｍａｘ＝２，ａｍｉｎ＝０３．２㊀算法性能对比分析为了验证了ＬＭＧＷＯ算法的有效性和优越性，将ＬＭＧＷＯ算法与灰狼优化算法（ＧＷＯ）［１４］㊁算术优化算法（ＡＯＡ）［１８］㊁正弦余弦算法（ＳＣＡ）［１９］㊁猩猩优化算法（ＣｈＯＡ）［２０］㊁鲸鱼优化算法（ＷＯＡ）［２１］在９个不同特性的基准测试函数上进行仿真实验㊂在各个算法的测试环境相同的条件下，种群规模Ｎ＝３０，空间维度Ｄｉｍ＝３０，最大迭代次数Ｔｍａｘ＝５００㊂采用均值和标准差作为实验的评价指标，均值和标准差越小，表明算法的性能越好㊂６种算法对９个基准函数的求解结果见表３㊂表３㊀各算法在基准函数上的优化性能比较Ｔａｂｌｅ３㊀Ｏｐｔｉｍｉｚａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆｅａｃｈａｌｇｏｒｉｔｈｍｏｎｔｈｅｂｅｎｃｈｍａｒｋｆｕｎｃｔｉｏｎ函数编号指标ＳＣＡＣｈＯＡＷＯＡＡＯＡＧＷＯＬＭＧＷＯＦ１Ｍｅａｎ均值２．８２ˑ１０１５．４５ˑ１０－６２．２０ˑ１０－７２１．５７ˑ１０－７１．８４ˑ１０－２７０Ｓｔｄ标准差７．１５ˑ１０１３．３４ˑ１０－６１．３４ˑ１０－７１４．３６ˑ１０－７２．３５ˑ１０－２８０Ｆ２Ｍｅａｎ均值６．４８ˑ１０－２５．４８ˑ１０－５５．５５ˑ１０－５１４．０８１．０２ˑ１０－１６０Ｓｔｄ标准差３．４５ˑ１０－２５．０２ˑ１０－５９．５４ˑ１０－５１５．１１４．６１ˑ１０－１７０Ｆ３Ｍｅａｎ均值１．２５ˑ１０４６．４５ˑ１０２１．０２ˑ１０４９．６１ˑ１０３５．２１ˑ１０－５０Ｓｔｄ标准差３．１６ˑ１０３８．６４ˑ１０２６．３２ˑ１０４３．２２ˑ１０２１．１７ˑ１０－４０Ｆ４Ｍｅａｎ均值２．７７ˑ１０１９．１５ˑ１０－１４．１１ˑ１０１１．２１１．０４ˑ１０－６０Ｓｔｄ标准差５．６８ˑ１０１５．４７ˑ１０－１２．１９ˑ１０１１．３９１．４７ˑ１０－６０Ｆ５Ｍｅａｎ均值３．２７ˑ１０－２７．６４ˑ１０－３２．４５ˑ１０－３５．１３ˑ１０－１２．３０ˑ１０－３２．４５ˑ１０－５Ｓｔｄ标准差５．９８ˑ１０－２５．１６ˑ１０－３３．０９ˑ１０－３３．１８ˑ１０－２１．７０ˑ１０－３２．０４ˑ１０－５Ｆ６Ｍｅａｎ均值３．０２ˑ１０１８．９９ˑ１０１６．１１ˑ１０－１５４．６７ˑ１０１４．２８０Ｓｔｄ标准差６．４８ˑ１０１１．０２ˑ１０１１．９８ˑ１０－１４２．１３ˑ１０１５．４４０Ｆ７Ｍｅａｎ均值５．５１４．０７ˑ１０１１．１１ˑ１０－１５２．４５ˑ１０－１２．０５ˑ１０－１３８．８８ˑ１０－１６Ｓｔｄ标准差１．８４５．１１ˑ１０－２７．１６ˑ１０－１５４．４１１．１７ˑ１０－１４０Ｆ８Ｍｅａｎ均值３．６５３．４７ˑ１０－２６．３９ˑ１０－２２．５８ˑ１０－２４．６８ˑ１０－３０Ｓｔｄ标准差２．００ˑ１０－１５．１９ˑ１０－２４．７７ˑ１０－２８．１２ˑ１０－２７．５５ˑ１０－３０Ｆ９Ｍｅａｎ均值４．５５ˑ１０－２５．４０ˑ１０－３５．４９ˑ１０－３９４．１１ˑ１０６．７９ˑ１０－４０Ｓｔｄ标准差１．３６ˑ１０－２１．２４ˑ１０－２２．３３ˑ１０－３８２．２８ˑ１０１．１７ˑ１０－４０㊀㊀由表３可以看出，在基准测试中，对于Ｆ１ Ｆ４㊁Ｆ６㊁Ｆ８和Ｆ９函数，对比算法均未能找到最优解，而ＬＭＧＷＯ算法达到１００％的求解精度㊂在求解Ｆ５和Ｆ８函数时，ＬＭＧＷＯ的求解精度优于其他５种对比算法，但也与其他算法一样容易陷入局部最优㊂基于以上分析说明ＬＭＧＷＯ算法比其他算法具有更高的求解精度和稳定性，证明了其有效性和优越性㊂３．３㊀ＬＭＧＷＯ算法在高维条件的性能分析为了进一步验证ＬＭＧＷＯ求解高维优化问题的性能，以算法解的均值和平均变化率为评价指标，对９个函数在１００ ５００维增量下进行测试，将本文提出的ＬＭＧＷＯ算法与原始ＧＷＯ算法独立运行３０次，并记录其均值，实验结果见表４㊂由表４可知，随着维数的增加，ＬＭＧＷＯ的均值基本保持不变，Ｆ１㊁Ｆ２㊁Ｆ３㊁Ｆ４㊁Ｆ６㊁Ｆ９函数的ＬＭＧＷＯ均值保持为０㊂随着维数的增加，ＧＷＯ均值呈现增加趋势㊂在测试函数Ｆ５上，ＬＭＧＷＯ算法的均值基本保持不变，而ＧＷＯ算法的均值变化明显大于ＬＭＧＷＯ算法；在测试函数Ｆ８上，ＬＭＧＷＯ算法的平均变化率均为０，远低于ＧＷＯ算法的平均变化率㊂０５智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀表４㊀ＬＭＧＷＯ与ＧＷＯ在不同维度下优化函数均值的比较Ｔａｂｌｅ４㊀ＣｏｍｐａｒｉｓｏｎｏｆＬＭＧＷＯａｎｄＧＷＯｏｐｔｉｍｉｚａｔｉｏｎｆｕｎｃｔｉｏｎｍｅａｎｖａｌｕｅｓｉｎｄｉｆｆｅｒｅｎｔｄｉｍｅｎｓｉｏｎｓ函数编号算法名称维数１００２００３００４００５００平均变化率／％Ｆ１ＧＷＯ１．４６ˑ１０－１２１．４３ˑ１０－７５．７９ˑ１０－５８．０８ˑ１０－４１．７９ˑ１０－３４．４８ˑ１０－４ＬＭＧＷＯ００００００Ｆ２ＧＷＯ５．３５ˑ１０－８３．２５ˑ１０－５６．７９ˑ１０－４３．３４ˑ１０－３１．１２ˑ１０－２２．８０ˑ１０－３ＬＭＧＷＯ００００００Ｆ３ＧＷＯ７．３１ˑ１０２２．０２ˑ１０４９．１１ˑ１０４１．９４ˑ１０５３．０９ˑ１０５７．７１ˑ１０４ＬＭＧＷＯ００００００Ｆ４ＧＷＯ８．８２ˑ１０－１２．６１ˑ１０１４．７１ˑ１０１６．０３ˑ１０１６．４８ˑ１０１１．６０ˑ１０１ＬＭＧＷＯ００００００Ｆ５ＧＷＯ７．０３ˑ１０－３１．２６ˑ１０－２３．４９ˑ１０－２６．６３ˑ１０－２９．４６ˑ１０－２２．１９ˑ１０－２ＬＭＧＷＯ３．４１ˑ１０－５３．８７ˑ１０－５４．０５ˑ１０－５４．７２ˑ１０－５６．３９ˑ１０－５７．４５ˑ１０－６Ｆ６ＧＷＯ９．２９２．４２ˑ１０１３．９１ˑ１０１５．０２ˑ１０１７．２０ˑ１０１１．５７ˑ１０１ＬＭＧＷＯ００００００Ｆ７ＧＷＯ６．７７ˑ１０－７２．２２ˑ１０－５５．７４ˑ１０－４９．０９ˑ１０－４２．０２ˑ１０－３５．０５ˑ１０－４ＬＭＧＷＯ８．８８ˑ１０－１６８．８８ˑ１０－１６８．８８ˑ１０－１６８．８８ˑ１０－１６８．８８ˑ１０－１６０Ｆ８ＧＷＯ８．０５ˑ１０－３１．４５ˑ１０－２２．１４ˑ１０－２７．５３ˑ１０－２９．４６ˑ１０－２２．１６ˑ１０－２ＬＭＧＷＯ００００００Ｆ９ＧＷＯ２．８１ˑ１０－３１．１３ˑ１０－２２．５９ˑ１０－２４．５４ˑ１０－２１．６９ˑ１０－１４．１５ˑ１０－２ＬＭＧＷＯ００００００㊀㊀２种算法在不同维度下均值的变化情况如图３所示㊂在９个函数中，ＧＷＯ的均值随着维度变大而显著增加，ＬＭＧＷＯ的均值保持不变㊂这表明维数的不断增加对ＬＭＧＷＯ的寻优能力影响不大，与ＧＷＯ相比寻优性能更加突出，进一步验证了本文所提算法的优越性㊂1.61.41.21.00.80.60.40.20100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u e /10-3G WO L M G WO(a )F 1变化曲线605040302010100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u eG WOL M G WO(d )F 4变化曲线2.01.81.61.41.21.00.80.60.40.20100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u e /10-3G WO L M G WO(g )F 7变化曲线100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u e G WOL M G WO(h )F 8变化曲线0.090.080.070.060.050.040.030.020.01100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u eG WOL M G WO(e )F 5变化曲线0.0100.0080.0060.0040.002100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u eG WOL M G WO(b )F 2变化曲线0.090.080.070.060.050.040.030.020.01100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u eG WOL M G WO (i )F 9变化曲线0.160.140.120.100.080.060.040.020100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u eG WOL M G WO (f )F 6变化曲线706050403020100100150200250300350400450500F u n c t i o n d i m e n s i o nA v e r a g e o p t i m i z a t i o n v a l u e /105G WOL M G WO(c )F 3变化曲线3.02.52.01.51.00.5图３㊀基于函数维数变化曲线的函数优化Ｆｉｇ．３㊀Ｆｕｎｃｔｉｏｎｏｐｔｉｍｉｚａｔｉｏｎｂａｓｅｄｏｎｔｈｅｃｕｒｖｅｏｆｆｕｎｃｔｉｏｎｄｉｍｅｎｓｉｏｎｃｈａｎｇｅ１５第３期王恒，等：一种求解最优潮流的改进灰狼优化算法４㊀求解最优潮流（ＯＰＦ）问题为了验证ＬＭＧＷＯ算法的有效性和可行性，在标准ＩＥＥＥ－３０总线测试系统模型上对算法进行了测试㊂该系统包括６台发电机㊁４台变压器㊁９台分流器和４１条支路㊂ＩＥＥＥ３０母线系统单线如图４所示㊂图４中母线１为平衡母线，母线２㊁５㊁８㊁１１㊁１３为电压控制（ＶｏｌｔａｇｅＣｏｎｔｒｏｌ）和无功功率（ＲｅａｃｔｉｖｅＰｏｗｅｒ）母线，其余为有功功率（ＡｃｔｉｖｅＰｏｗｅｒ）和无功功率（ＲｅａｃｔｉｖｅＰｏｗｅｒ）母线㊂本文假设变压器比及无功补偿输出为连续变量，最大迭代次数设置为２００次，种群规模为４０，ＯＰＦ问题维度为２４㊂231314121615181920212210911262524292730286431257817图４㊀ＩＥＥＥ３０总线测试系统单线图Ｆｉｇ．４㊀ＳｉｎｇｌｅｌｉｎｅｄｉａｇｒａｍｏｆＩＥＥＥ３０ｂｕｓｔｅｓｔｓｙｓｔｅｍ４．１㊀案例１：燃料成本（ＦＣ）最小化最小化燃料成本是指通过各种手段和方法，将燃料成本控制在最低水平，以提高经济效益，同时也能够减少对环境的影响㊂将ＬＭＧＷＯ算法与灰狼优化算法（ＧＷＯ）［１４］㊁算术优化算法（ＡＯＡ）［１８］㊁正弦余弦算法（ＳＣＡ）［１９］㊁猩猩优化算法（ＣｈＯＡ）［２０］㊁鲸鱼优化算法（ＷＯＡ）［２１］算法进行对比实验，实验结果见表５㊂由表５可知，优化后的ＬＭＧＷＯ算法燃油成本为７９９．３９４４Ɣ／Ｈ㊂与初始情况相比，燃料成本降低了１１．３７％，具有更加优越的性能㊂表５㊀不同算法在案例１上的比较结果Ｔａｂｌｅ５㊀ＣｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｉｎＣａｓｅ１算法名称燃油成本／（Ɣ㊃ｈ－１）ＧＷＯ７９９．９６２４ＡＯＡ７９９．９２１７ＳＣＡ８０１．９７００ＣｈＯＡ８００．１８５３ＷＯＡ８００．１０１８ＬＭＧＷＯ７９９．３９４４４．２㊀案例２：有功功率损耗（ＡＰＬ）最小化有功功率损耗（ＡＰＬ）是指电路中有功电流通过负载时所产生的功率损耗㊂有功功率损耗会导致电能转换效率降低，增加能源消耗和运营成本㊂因此，对于电力系统设计和运行来说，减小有功功率损耗是非常重要的㊂将ＬＭＧＷＯ算法与灰狼优化算法（ＧＷＯ）［１４］㊁算术优化算法（ＡＯＡ）［１８］㊁正弦余弦算法（ＳＣＡ）［１９］㊁猩猩优化算法（ＣｈＯＡ）［２０］㊁鲸鱼优化算法（ＷＯＡ）［２１］算法进行对比实验，实验结果见表６㊂根据表６的实验结果，本文提出的ＬＭＧＷＯ算法以有功功率损耗（ＡＰＬ）最小为目标，优于其他用于求解最优潮流（ＯＰＦ）问题的对比算法㊂表６㊀不同算法在案例２上的比较结果Ｔａｂｌｅ６㊀ＣｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｉｎＣａｓｅ２算法名称有功功率损耗／ＭＷＧＷＯ３．０２６４ＡＯＡ３．１２３２ＳＣＡ３．８２３９ＣｈＯＡ３．１６００ＷＯＡ３．５１６５ＬＭＧＷＯ２．９６９１５㊀结束语本文提出了一种改进的灰狼优化算法（ＬＭＧＷＯ），针对原始ＧＷＯ算法在求解ＯＰＦ问题时的性能进行了２方面的改进㊂将修正反向学习策略与透镜成像学习策略和乘除算子策略相结合，对９个具有不同特性的基准函数进行测试，并与现有元启发式算法进行对比实验㊂实验结果表明，ＬＭＧＷＯ比其他算法具有更好的稳定性和寻优性能㊂在实际应用案例中，将ＬＭＧＷＯ算法和其他对比算法在ＩＥＥＥ３０节点标准测试系统模型上进行对比测试㊂实验结果表明，ＬＭＧＷＯ算法具有较好的性能㊂在未来的工作中，将使用ＬＭＧＷＯ算法解决更困难的最优潮流（ＯＰＦ）问题㊂参考文献［１］ＳＡＬＧＡＤＯＲ，ＢＲＡＭＥＬＬＥＲＡ，ＡＩＴＣＨＩＳＯＮＰ．Ｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｓｏｌｕｔｉｏｎｓｕｓｉｎｇｔｈｅｇｒａｄｉｅｎｔｐｒｏｊｅｃｔｉｏｎｍｅｔｈｏｄ．Ｐａｒｔ１：Ｔｈｅｏｒｅｔｉｃａｌｂａｓｉｓ［Ｊ］．ＩＥＴＰｒｏｃｅｅｄｉｎｇｓＣ（Ｇｅｎｅｒａｔｉｏｎ，ＴｒａｎｓｍｉｓｓｉｏｎａｎｄＤｉｓｔｒｉｂｕｔｉｏｎ），１９９０，１３７（６）：４２４－４２８．［２］ＴＩＮＮＥＹＷＦ，ＨＡＲＴＣＥ．ＰｏｗｅｒｆｌｏｗｓｏｌｕｔｉｏｎｂｙＮｅｗｔｏｎᶄｓｍｅｔｈｏｄ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＡｐｐａｒａｔｕｓａｎｄＳｙｓｔｅｍｓ，１９６７（１１）：１４４９－１４６０．［３］ＬＥＶＩＶＡ，ＮＥＤＩＣＤＰ．Ａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｍｏｄｅｌｉｎｐｏｗｅｒｓｙｓｔｅｍｅｄｕｃａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒ２５智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀Ｓｙｓｔｅｍｓ，２００１，１６（４）：５７２－５８０．［４］ＯＬＯＦＳＳＯＮＭ，ＡＮＤＥＲＳＳＯＮＧ，ＳÖＤＥＲＬ．Ｌｉｎｅａｒｐｒｏｇｒａｍｍｉｎｇｂａｓｅｄｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｕｓｉｎｇｓｅｃｏｎｄｏｒｄｅｒｓｅｎｓｉｔｉｖｉｔｉｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍ，１９９５，１０：１６９１－１６９７．［５］ＤＩＮＧＸｉａｏｙｉｎｇ，ＷＡＮＧＸｉｆａｎ，ＳＯＮＧＹｏｎｇｈｕａ，ｅｔａｌ．Ｔｈｅｉｎｔｅｒｉｏｒｐｏｉｎｔｂｒａｎｃｈａｎｄｃｕｔｍｅｔｈｏｄｆｏｒｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ．Ｋｕｎｍｉｎｇ，Ｃｈｉｎａ：ＩＥＥＥ，２００２，１：６５１－６５５．［６］刘自发，葛少云，余贻鑫．基于混沌粒子群优化方法的电力系统无功最优潮流［Ｊ］．电力系统自动化，２００５，２９（７）：５３－５７．［７］ＦＡＲＨＡＴＭ，ＫＡＭＥＬＳ，ＡＴＡＬＬＡＨＡＭ，ｅｔａｌ．ＥＳＭＡ－ＯＰＦ：Ｅｎｈａｎｃｅｄｓｌｉｍｅｍｏｕｌｄａｌｇｏｒｉｔｈｍｆｏｒｓｏｌｖｉｎｇｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｐｒｏｂｌｅｍ［Ｊ］．Ｓｕｓｔａｉｎａｂｉｌｉｔｙ，２０２２，１４（４）：２３０５．［８］ＡｔｔｉａＡＦ，ＥｌＳｅｈｉｅｍｙＲＡ，ＨａｓａｎｉｅｎＨＭ．ＯｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｓｏｌｕｔｉｏｎｉｎｐｏｗｅｒｓｙｓｔｅｍｓｕｓｉｎｇａｎｏｖｅｌＳｉｎｅ－Ｃｏｓｉｎｅａｌｇｏｒｉｔｈｍ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｉｃａｌＰｏｗｅｒ＆ＥｎｅｒｇｙＳｙｓｔｅｍｓ，２０１８，９９：３３１－３４３．［９］ＷＡＲＩＤＷ．ＯｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｕｓｉｎｇｔｈｅＡＭＴＰＧ－Ｊａｙａａｌｇｏｒｉｔｈｍ［Ｊ］．ＡｐｐｌｉｅｄＳｏｆｔＣｏｍｐｕｔｉｎｇ，２０２０，９１：１０６２５２．［１０］ＷＡＲＩＤＷ，ＨＩＺＡＭＨ，ＭＡＲＩＵＮＮ，ｅｔａｌ．ＯｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｕｓｉｎｇｔｈｅＪａｙａａｌｇｏｒｉｔｈｍ［Ｊ］．Ｅｎｅｒｇｉｅｓ，２０１６，９（９）：６７８．［１１］ＡＢＤＥＳ，ＫＡＭＥＬＳ，ＥＢＥＥＤＭ，ｅｔａｌ．Ａｎｉｍｐｒｏｖｅｄｖｅｒｓｉｏｎｏｆｓａｌｐｓｗａｒｍａｌｇｏｒｉｔｈｍｆｏｒｓｏｌｖｉｎｇｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｐｒｏｂｌｅｍ［Ｊ］．ＳｏｆｔＣｏｍｐｕｔｉｎｇ，２０２１，２５：４０２７－４０５２．［１２］ＮＧＵＹＥＮＴＴ．Ａｈｉｇｈｐｅｒｆｏｒｍａｎｃｅｓｏｃｉａｌｓｐｉｄｅｒｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｓｏｌｕｔｉｏｎｗｉｔｈｓｉｎｇｌｅｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．Ｅｎｅｒｇｙ，２０１９，１７１：２１８－２４０．［１３］ＡＢＤＥＬ－ＲＡＨＩＭＡＭＭ，ＳＨＡＡＢＡＮＳＡ，ＲＡＧＬＥＮＤＩＪ．Ｏｐｔｉｍａｌｐｏｗｅｒｆｌｏｗｕｓｉｎｇａｔｏｍｓｅａｒｃｈｏｐｔｉｍｉｚａｔｉｏｎ［Ｃ］／／２０１９ＩｎｎｏｖａｔｉｏｎｓｉｎＰｏｗｅｒａｎｄＡｄｖａｎｃｅｄＣｏｍｐｕｔｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ（ｉ－ＰＡＣＴ）．Ｖｅｌｌｏｒｅ，Ｉｎｄｉａ：ＩＥＥＥ，２０１９，１：１－４．［１４］ＭＩＲＪＡＬＩＬＩＳ，ＭＩＲＪＡＬＩＬＩＳＭ，ＬｅｗｉｓＡ．Ｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＥｎｇｉｎｅｅｒｉｎｇＳｏｆｔｗａｒｅ，２０１４，６９：４６－６１．［１５］ＮＵＡＥＫＡＥＷＫ，ＡＲＴＲＩＴＰ，ＰＨＯＬＤＥＥＮ，ｅｔａｌ．Ｏｐｔｉｍａｌｒｅａｃｔｉｖｅｐｏｗｅｒｄｉｓｐａｔｃｈｐｒｏｂｌｅｍｕｓｉｎｇａｔｗｏ－ａｒｃｈｉｖｅｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２０１７，８７：７９－８９．［１６］ＰＲＥＣＵＰＲＥ，ＤＡＶＩＤＲＣ，ＰＥＴＲＩＵＥＭ．Ｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒａｌｇｏｒｉｔｈｍ－ｂａｓｅｄｔｕｎｉｎｇｏｆｆｕｚｚｙｃｏｎｔｒｏｌｓｙｓｔｅｍｓｗｉｔｈｒｅｄｕｃｅｄｐａｒａｍｅｔｒｉｃｓｅｎｓｉｔｉｖｉｔｙ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓ，２０１７，６４（１）：５２７－５３４．［１７］ＳＡＸＥＮＡＡ，ＫＵＭＡＲＲ，ＤＡＳＳ．β－ｃｈａｏｔｉｃｍａｐｅｎａｂｌｅｄｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ［Ｊ］．ＡｐｐｌｉｅｄＳｏｆｔＣｏｍｐｕｔｉｎｇ，２０１９，７５：８４－１０５．［１８］ＡＢＵＡＬＩＧＡＨＬ，ＤＩＡＢＡＴＡ，ＭＩＲＪＡＬＩＬＩＳ，ｅｔａｌ．Ｔｈｅａｒｉｔｈｍｅｔｉｃｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｊ］．ＣｏｍｐｕｔｅｒＭｅｔｈｏｄｓｉｎＡｐｐｌｉｅｄＭｅｃｈａｎｉｃｓａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０２１，３７６：１１３６０９．［１９］ＭＩＲＪＡＬＩＬＩＳ．ＳＣＡ：Ａｓｉｎｅｃｏｓｉｎｅａｌｇｏｒｉｔｈｍｆｏｒｓｏｌｖｉｎｇｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ－ｂａｓｅｄＳｙｓｔｅｍｓ，２０１６，９６：１２０－１３３．［２０］ＫＨＩＳＨＥＭ，ＭＯＳＡＶＩＭＲ．Ｃｈｉｍｐｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２０２０，１４９：１１３３３８．［２１］ＭＩＲＪＡＬＩＬＩＳ，ＬＥＷＩＳＡ．Ｔｈｅｗｈａｌｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＥｎｇｉｎｅｅｒｉｎｇＳｏｆｔｗａｒｅ，２０１６，９５：５１－６７．３５第３期王恒，等：一种求解最优潮流的改进灰狼优化算法。

潮流计算的基本算法及使用方法一、 潮流计算的基本算法1. 牛顿－拉夫逊法1．1 概述牛顿－拉夫逊法是目前求解非线性方程最好的一种方法。

这种方法的特点就是把对非线性方程的求解过程变成反复对相应的线性方程求解的过程，通常称为逐次线性化过程，就是牛顿－拉夫逊法的核心。

牛顿-拉夫逊法的基本原理是在解的某一邻域内的某一初始点出发，沿着该点的一阶偏导数——雅可比矩阵，朝减小方程的残差的方向前进一步，在新的点上再计算残差和雅可矩阵继续前进，重复这一过程直到残差达到收敛标准，即得到了非线性方程组的解。

因为越靠近解，偏导数的方向越准，收敛速度也越快，所以牛顿法具有二阶收敛特性。

而所谓“某一邻域”是指雅可比方向均指向解的范围，否则可能走向非线性函数的其它极值点，一般来说潮流由平电压即各母线电压(相角为0，幅值为1)启动即在此邻域内。

1．2 一般概念对于非线性代数方程组()0=x f即 ()0,,,21=n i x x x f ()n i ,2,1= (1－1)在待求量x 的某一个初始计算值()0x附件，将上式展开泰勒级数并略去二阶及以上的高阶项，得到如下的线性化的方程组()()()()()0000=∆'+x x f x f (1－2)上式称之为牛顿法的修正方程式。

由此可以求得第一次迭代的修正量()()()[]()()0100x f x f x -'-=∆ (1－3)将()0x ∆和()0x相加，得到变量的第一次改进值()1x 。

接着再从()1x 出发，重复上述计算过程。

因此从一定的初值()0x出发，应用牛顿法求解的迭代格式为()()()()()k k k x f x x f -=∆' (1－4)()()()k k k x x x ∆+=+1 (1－5)上两式中：()x f '是函数()x f 对于变量x 的一阶偏导数矩阵，即雅可比矩阵J ；k 为迭代次数。

由式（1－4）和式子（1－5）可见，牛顿法的核心便是反复形成求解修正方程式。

电力系统潮流计算的一种新方法在本研究中深入分析了大规模电力系统潮流方程的解决问题，并通过利用预条件处理的CG法用于求解，在采用该方法时能够代替传统LU直接法进行电力系统潮流计算，比较不同预处理方法对于CG法潮流方程的解决效果，提出了新型节点优化排序预处理法。

通过实践发现，其CG法快速求解潮流有效预处理方法能够对多个合成大规模电力系统实现潮流计算，这一结果也预示着该处理方法相比其他方法来说预算相对简便，而且迭代次数，浮点运算次数相对较少，尤其对于超大规模电力系统潮流问题解决上相比传统直接法来说更具有优势。

在当前电力系统逐渐实现互联化，使潮流计算面临大规模计算压力，从一定程度上能够代替传统的预处理方法。

关键字：电力系统;潮流计算;新方法为进一步实现区域大电网互联和电力系统的实时化，安全控制，潮流跟踪的迫切要求，实现大规模的电力潮流方程求解，对系数线性修正方程组反复求解是目前电力系统潮流计算的主要内容。

现有的潮流计算方法通常局限于物理模型和对其功能完善上，而对于方程组的求解，在数学方面依然利用传统解析方程，即利用系数矩阵中的直接法。

通常方程的系数矩阵式不规则的，即便采用不同节点优化排序技术，在求解过程中由于矩阵规模较大，通常会面临大量非零元素，从一定程度上会增加计算量，并且直接法在运用过程中具有固有的前推回代特点，很难实现向量化和并行求解，因此无法满足大规模求解的实际需求。

随着目前电网规模和结构越趋复杂，网络负荷增加，利用传统的方法一度受到质疑。

近年来研究学者在电网络分析核电厂中使用迭代法求解方程组。

迭代法可分为古典和Krylov迭代法。

而前者中包含两种重要方法即SOR以及Jacobi法，前者能够用于对称正定方程组，而后者主要用于一些非对称正定方程组中。

本研究通过阐述快速分解潮流计算，能够运用对解耦后的有功以及无功修正方程完成求解，进而实现大规模电力系统潮流方程的求解。

CG法快速潮流计算从一定程度上来看是一种双层迭代法，是由外部牛顿迭代以及内部CG迭代共同构成的，由于存在系统误差，且迭代收敛速度和性能依赖于线性方程组系数矩阵的条件，为进一步改善系统矩阵条件需要适当对方程组进行变换，这一过程被称为是预条件处理过程。

名词解释：静态等值：在一定稳态下，内部系统保持不变，而把外部系统用简化网络来代替。

等值前后边界节点电压和联络线传输功率应相等，当内部系统区域内运行条件发生变化时，以等值网络代替外部系统后的分析结果应与简化等值前有全系统计算分析的结果相近，这种与潮流计算、静态安全分析有关的简化等值方法就是电力系统静态等值方法。

静态安全分析：判断系统发生预想事故后是否出现过负荷及电压越界。

不良数据：误差特别大的数据。

由于种种原因（如信道干扰导致数据失真，互感器或两侧设备损坏，系统维护不及时等），电力系统的某些遥测结果可能远离其真值，遥信结果也可能有错误。

这些量测称为坏数据或不良数据。

最优潮流：当系统的结构和参数以及负荷情况给定时，通过优选控制变量所找到的能满足所有指定的约束条件，并使系统的某个性能或目标函数达到最优的潮流分布。

电力系统安全稳定控制的目的：实现正常运行情况和偶然事故情况下都能保证电网各运行参数均在允许范围内，安全、可靠的向用户供给质量合格的电能。

也就是所，电力系统运行是必须满足两个约束条件：等式约束条件和不等式约束条件。

小扰动稳定性/静态稳定性：如果对于摸个静态运行条件，系统是静态稳定的，那么当受到任何扰动后，系统达到一个与发生扰动前相同或接近的运行状态。

这种稳定性即称为小扰动稳定性。

也可以称为静态稳定性。

暂态稳定性/大扰动稳定性：如果对于某个静态运行条件及某种干扰，系统是暂态稳定的，那么当经历这个扰动后系统可以达到一个可以接受的正常的稳态运行状态。

动态稳定性：指电力系统受到小的或大的扰动后，在自动调节和控制装置的作用下，保持长过程的运行稳定性的能力。

静态安全分析：判断系统发生预想事故后是否出现过负荷及电压越界。

极限切除角：保持暂态稳定前提下最大运行切除角。

能量管理系统：以计算机为基础的现代电力系统的综合自动化系统，主要包括：SCADA系统（以硬件为主进行数据采集和监控）和高级应用软件。

高级应用软件又包括：发电AGC和电网控制，电网控制包括状态估计、静态安全分析、最优潮流和调度员潮流。