基于智能优化算法的电力系统无功优化的研究

段颖梨

（黑龙江科技大学电气与控制工程学院,黑龙江哈尔滨，150022）

1 电力无功优化问题

1.1 电力系统无功优化问题概述

当前电力系统的运行已经十分稳定了，但是给予这样的一种情况下如果想要保持系统的稳定和电力的质量就需要使用无功优化的方式对其进行优化。可以说这种方式具备的价值是非常重要的, 因此当前我国有非常堵偶的学者开始注重对其的研究, 并且也纷纷的提出了很多与无功优化有关的理论和其自身执行的具体方法。电力系统无功功率优化的最终目标是使电力系统中涉及的指标能够以最合适的优化方式运行。处理无功优化问题的前提是需要在功率流分配的情况下完成，并且当保持给定电源和电源时，当前电力系统本身的可变值可以是在约束范围内完成。

1.2 建立无功优化数学模型

一般来讲当前电力系统无功优化上通常主要是将有功网损目标为最小目标。而要想达成这一目标，就需要对无功源头进行变更使其能够完成潮流布局的转变，并且还能够去对电压自身的峰值以及变压器分接头去进行适当的调整，在实际对其诶与实现的时候还需要把以上涉及到的变量相彼此之间产生的与潮流方程保持一致。并且在调整这些参数的时候还需要放眼大局，在整体上去进行考量。在对参数进行调整的时候不还需要实现的变量的有效区分。而在对数学模型进行设置的时候，主要可以通过以下几种方式去实现：

1.2.1 功率方程的限制条件

在节点上不仅仅需要对有功或是无功进行思考，同时还应该对于有功或者是无功等内容给予限制，但是不论是在哪一个节点上其自身都需要可以满足具体提出的要求：

在表达式上：节点i位置的Pi代表的是一种有功的功率、Qi代表的则是一种无功的功率、Ui大表的是节点i上所产生的电压；PGi则属于当前电机节点所具备的一种有功出力、QGi属于当前发电机节点上的产生的无功出力；节点i位置的有功电荷主要是PLi、还有节点i位置的的无功负荷主要是QLi和QCi并且其自身也属于一种无功的补偿容量；Gij代表的是节点点i以及节点j彼此之间出现的电导，而Bij则会被纳入为电纳，电压之间相角差的为δij；N属于系统节点的整体数量。

1.2.2 变量方程的限制条件

电力系统在实际运行的过程中有很多问题需要关注，但是其中有一点问题需要加大关注力度，这一问题就是额定电压，因为有额定电压的存在才令电力系统自身的质量以及运行需求得到保证。但是尽管是这样其在输送和输出的过程中更让人需要受到约束条件的制约。当前电力系统里中有发电机以及变压器接头等一些硬件上的发电装备，因此这些装备在运行上的稳定性就成为了影响电力系统运行的主要原因，同时在断电位置上的电压以及接头位置的还有输出的电源也需要适当的对其采取无功补偿，采取无功补偿的目的就是希望电力系统在实际进行运行的过程中能够保证质量，因此需要对其自身的约束条件给予有效的确认。

对于变量的控制方面的限制条件：

1.2.3 对目标函数的建立

电力系统无功优化的目标函数主要涉及到了其自身的技术性能，而对于其给予的侧重点如果存在差异，那么其自身在性能评价上也自然会存在一定的差异。在无功优化问题中其自身的注重点一般需要站在以下的几个角度去进行思考：电力系统产生的网损并不是很大，并且变压器在分接头设置上和其他的变压器相比少刻很多、除此之外还具有无功补偿上小等优势。而其在所消耗的财务上来讲小需要付出的成本花费也并不多。所以针对这些需求上去对无功优化模型完成所需要设置的，需就一定需要站在从经济层面去进行考量的时候与其相对的数学模型是：

我们从上述模型中能够看出，在对电压进行计算的过程中我们不可以将其越界的问题给忽视掉，而一旦其出现越界的情况那么就需要对其采取适当的约束措施，并且，出了需要对电压越界的问题给予考量之外还需要对无功层面可能产生的问题给予关注，如果其设定的状态量和预估的状态量存在差异并且要超出其范围的时候就可以运用罚函数的方法去对其进行约束。

2 人工智智能能算法的电力系统无功优化应用

2.1 粒子群算法

粒子群算法可以说是一种群智能的算法，而我国在将其融入到优化问题中进行研究的时候可以看出，粒子群算法自身存在的优势是非常多的，在对其进行使用的过程中一般都会将进行改善之后的粒子群算法和融合了其他智能算法的混合算法共同进行使用。而在对其进行研究的过程中，对其进行考量的角度则能够在参数上去进行研究，这个方面需要能够与具体的电力系统保持结合，持续的去对参数给予优化，另其能够与具体的情况保持一致并且为日后的应用打下一个坚实的理论基础，当前在进行研究过程中所使用的理论模型一般都是验证模型，其自身需要在参数实际的设置上给予有效的优化。而其自身在粒子多样性上也有很多专家进行了研究，认为是可以对其自身的高解和精度给予提升的。

2.2 免疫粒子群算法

鲁忠燕,邓集祥为了能够使得粒子群优化算法具备的收敛性能得到提升，特别把在粒子群算法中添加了免疫信息处理方式，这种方式的加入使得粒子群算法更加的优化，因此其也被人们称之为免疫粒子群算法。这一计算的方式主要是把当前免疫算法里具备的免疫记忆以及调节机制纳入到PSO中，同时使用针对基于粒子浓度机制自身多样性的措施去对优化和搜索过程进行知道。可以说这种改进之后的计算方式不仅仅令原本算法中的优越性得到了保持同时还提升了在优化过程中出现的退化问题，令算法在精度和速度上的收敛效果都获得了保障。

2.3 遗传算法

何正文把遗传算法使用在了电力系统的无功优化上，其主要是阐述了遗传算当前的编码方式和遗传算子还有就是中止判据等方面的相关内容，并其自身还设置了遗传算法在当前电力系统无功优化上的计算模型，可以说这种计算模型的出现改变了以往数学优化方式存在的不足。在对其模型进行仿真计算后获得的结果显示出这种算话对于全局进行优化上获得的效果是非常理想的同时也与具体的情况能够保持一致，其不仅可以很好的令电压质量以及降低网损得到降低。同时这些方式也已经被使用在实际的电力系统的优化中，并且获得了非常好的优化效果。

2.4 人工鱼群算法

唐剑东,熊信银,吴耀武等学这在对智能优化算法进行研究的过程中把人工鱼群算法(AFSA)使用在了电力系统无功的优化过程中，并且针对具体的情况还设置了与其相对的优化模型，对IEEE6、IEEEl4 节点，系统和某地区在电力系统上的具体使用情况给予了无功优化等计算，同时使其和遗传算法(GA)与进行改进之后的搜索算法去进行了对比，通过对比的结果看出当前人工鱼算法在优化系统上获得的效果十分明显，因为其不仅能够在收敛性上变现出较好的优势，同时其自身的鲁棒性也非常的优秀。可以说这种算法和粒子群算法相同，都是属于一种群体化的智能算法，其自身在对无功优化给予处置上也有着调节参数的问题，因此仍然需与在对参数给予优化上多加注意、下足功夫，并且还需要在搜索效率上去也进行适当的研究提升搜索效率。

2.5 混合优化微分进化算法

李秀卿,孙守刚等学者使在微分进化算法进行变异算子的出现上使用了不同的策略，令算法自身的搜索效率得到了快速的提升，同时在对其给予优化的使用还将父代以及子代合群的处置方式融入其中，使得算法在全局上的搜索能力得到了一定的强化，而在地使用使用对其进行计算和分析之后显示，本文所指出的算法在对于电力系统无功优化问题进行处置上有着很多的优势。所以，这一算法对于当前大规模电力系统无功优化问题在求解上会有非常大的启发意义。

2.6 蚁群优化算法

当前在电力无功优化上对于计算方法进行研究上针对蚁群算法研究的内容相对较多，因为这种算法自身的特性相对较好所以在其处理问题上也展现出了自身的优势。但是蚁群算法经常会陷入局部最优解但是却不能够获得一个比较理想的结果，所以在对这种问题给予处置的在过程中。我国的相关研究人员指出可以对于蚁群优化算法适当的使用状态转移的方式，另其能够形成一种比较通用的计算算法，并且使其能够在进行试验的过程中获得比较理想的效果，在当前小型的电网进行运用时其自身具备比较大的可行性，但是其在日后的工作里还需要针对大型电网的使用上去进行研究。蚁群算法的求解结果与参数自身的设置有着比较大的联想，因此参数自身的改进对于问题处理有着非常好的促进作用。

3 结束语

智能算法在我国电力系统对无功优化上经常会被使用到，并且伴随着当前智能优化算法的持续发展，对于智能优化算进行研究已经成为了必然。在算法参数进行设置上对其获得更优的结果能够起到非常好的作用，参数设置需要按照当前电力系统具体的情况去进行相关调整，并且还能够基于智能算法上的差异进行研究，另其能够在具体应用过程中能够满足使用需求。