一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法
【專利摘要】一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法，本發(fā)明涉及多目標(biāo)無功優(yōu)化方法。本發(fā)明是要解決多目標(biāo)無功優(yōu)化控制變量可能陷入局部最優(yōu)解，并求解最優(yōu)值的速度慢的問題。一、輸入粒子群的原始數(shù)據(jù)到自適應(yīng)混沌粒子群算法程序；二、根據(jù)適應(yīng)度值的大小從中擇優(yōu)選取前m個作為粒子群的初始位置；三、由計(jì)算慣性權(quán)重系數(shù)公式得出各粒子的慣性權(quán)重w，擇優(yōu)選取前M個較優(yōu)粒子進(jìn)行混沌優(yōu)化算；四、根據(jù)粒子群無功優(yōu)化算法更新粒子的速度和位置即控制變量的迭代修正量和數(shù)值；五、判斷是否滿足迭代終止條件，即完成了基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法。本發(fā)明應(yīng)用于電力系統(tǒng)領(lǐng)域。
【專利說明】—種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及多目標(biāo)無功優(yōu)化方法，涉及電力系統(tǒng)無功優(yōu)化領(lǐng)域。
【背景技術(shù)】
[0002]電力系統(tǒng)無功優(yōu)化，就是研究當(dāng)系統(tǒng)結(jié)構(gòu)參數(shù)和負(fù)荷情況己經(jīng)給定的情況下，通過對系統(tǒng)中某些控制變量的優(yōu)化計(jì)算，以找到在滿足所有特定約束條件的前提下，使系統(tǒng)的某一個或多個性能指標(biāo)達(dá)到最優(yōu)時的運(yùn)行控制方案。
[0003]目前求解無功優(yōu)化的方法很多，傳統(tǒng)的數(shù)學(xué)規(guī)劃方法主要有非線性規(guī)劃法和線性規(guī)劃法等。常規(guī)方法存在的困難主要是離散變量的歸整問題，易陷入局部最優(yōu)以及產(chǎn)生“維數(shù)災(zāi)”問題。近些年來，為了彌補(bǔ)上述方法在無功優(yōu)化中計(jì)算的不足，研究者將各種智能算法引入無功優(yōu)化的計(jì)算中。
[0004]粒子群優(yōu)化算法PSO(Particle Swarm Optimization)是一種基于迭代的多點(diǎn)隨機(jī)搜索智能優(yōu)化算法，具有簡單易操作、所需設(shè)定參數(shù)較少等特點(diǎn)，已經(jīng)被電力工作者應(yīng)用于無功優(yōu)化中，目前的粒子群無功優(yōu)化算法是通過隨機(jī)生成的初始粒子進(jìn)行迭代，這對于多峰函數(shù)就有可能存在盲區(qū)而不被搜索到，易陷入局部解；此外，在迭代中不能自適應(yīng)地調(diào)整權(quán)重系數(shù)，限制了全局搜索能力。

【發(fā)明內(nèi)容】

[0005]本發(fā)明是要解決多目標(biāo)無功優(yōu)化控制變量可能陷入局部最優(yōu)解，并求解最優(yōu)值的速度慢，致使電力系統(tǒng)無功優(yōu)化達(dá)到降低網(wǎng)損，提高電壓質(zhì)量水平和靜態(tài)電壓穩(wěn)定性，而提供一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法。
[0006]一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法包括:
[0007]一、輸入粒子群的原始數(shù)據(jù)到自適應(yīng)混沌粒子群算法程序，通過混沌算法隨機(jī)產(chǎn)生一個η維的混沌矢量，再通過Logistic完全混沌迭代公式，計(jì)算得N個混沌變量；
[0008]二、將混沌變量的各分量代入多目標(biāo)無功優(yōu)化的總目標(biāo)函數(shù)計(jì)算各混沌矢量所對應(yīng)的適應(yīng)度值，根據(jù)適應(yīng)度值的大小從中擇優(yōu)選取前m個作為粒子群的初始位置；
[0009]三、采用整實(shí)數(shù)混合編碼對粒子進(jìn)行編碼，根據(jù)粒子編碼的控制變量值，對粒子群的初始位置中的每個粒子利用粒子群無功優(yōu)化算法進(jìn)行無功優(yōu)化尋找每個粒子個體的最優(yōu)解Pbesti和全局最優(yōu)解gbest，由計(jì)算慣性權(quán)重系數(shù)公式得出各粒子的慣性權(quán)重w，擇優(yōu)選取前M個較優(yōu)粒子進(jìn)行混沌優(yōu)化；其中，所述無功優(yōu)化中采用牛頓拉夫遜法進(jìn)行潮流計(jì)算；
[0010]四、根據(jù)粒子群無功優(yōu)化算法更新粒子的速度和位置即控制變量的迭代修正量和數(shù)值；
[0011]五、若滿足終止條件則停止運(yùn)行，輸出全局最優(yōu)解gbest，否則返回步驟三繼續(xù)進(jìn)行迭代計(jì)算直至滿足終止條件，即完成了基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法。[0012]發(fā)明效果:
[0013]針對粒子群算法在無功優(yōu)化中的缺點(diǎn)，本發(fā)明將混沌算法與粒子群算法相結(jié)合，通過混沌算法進(jìn)行粒子的初始化，并且通過自適應(yīng)調(diào)節(jié)權(quán)重系數(shù)加快搜索能力，形成了自適應(yīng)混沛粒子群ACPSO (Adaptive Chaos Particle Swarm Optimization)算法進(jìn)行更精確地多目標(biāo)無功優(yōu)化。
[0014]本發(fā)明的無功優(yōu)化方法可以更好地滿足實(shí)際運(yùn)行情況，不但降低了系統(tǒng)網(wǎng)損，改善了系統(tǒng)整體電壓質(zhì)量，并且計(jì)算速度也得到了提高?？梢娀谧赃m應(yīng)混沌粒子群算法用于電力系統(tǒng)無功優(yōu)化具有比其他算法有更高的計(jì)算精度和更好的全局搜索能力，并且有效避免了早熟收斂，增加了種群的多樣性。因此，本發(fā)明的自適應(yīng)混沌粒子群算法在解決電力系統(tǒng)無功優(yōu)化問題方面具有一定的實(shí)用意義。
【專利附圖】

【附圖說明】
[0015]圖1是本發(fā)明基于ACPSO算法的多目標(biāo)無功優(yōu)化流程圖；
[0016]圖2是仿真實(shí)驗(yàn)中的三種算法的最優(yōu)值曲線。
【具體實(shí)施方式】
[0017]【具體實(shí)施方式】一:本實(shí)施方式的一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法包括:
[0018]一、輸入粒子群的原始數(shù)據(jù)到自適應(yīng)混沌粒子群算法程序，通過混沌算法隨機(jī)產(chǎn)生一個η維的混沌矢量，再通過Logistic完全混沌迭代公式，計(jì)算得N個混沌變量；
[0019]二、將混沌變量的各分量代入多目標(biāo)無功優(yōu)化的總目標(biāo)函數(shù)計(jì)算各混沌矢量所對應(yīng)的適應(yīng)度值，根據(jù)適應(yīng)度值的大小從中擇優(yōu)選取前m個作為粒子群的初始位置；
[0020]三、采用整實(shí)數(shù)混合編碼對粒子進(jìn)行編碼，根據(jù)粒子編碼的控制變量值，對粒子群的初始位置中的每個粒子利用粒子群無功優(yōu)化算法進(jìn)行無功優(yōu)化尋找每個粒子個體的最優(yōu)解Pbesti和全局最優(yōu)解gbest，由計(jì)算慣性權(quán)重系數(shù)公式得出各粒子的慣性權(quán)重w，擇優(yōu)選取前M個較優(yōu)粒子進(jìn)行混沌優(yōu)化；其中，所述無功優(yōu)化中采用牛頓拉夫遜法進(jìn)行潮流計(jì)算；
[0021]四、根據(jù)粒子群無功優(yōu)化算法更新粒子的速度和位置即控制變量的迭代修正量和數(shù)值；五、若滿足終止條件則停止運(yùn)行，輸出全局最優(yōu)解gbest，否則返回步驟三繼續(xù)進(jìn)行迭代計(jì)算直至滿足終止條件，即完成了基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法。
[0022]步驟一中，粒子群無功優(yōu)化算法，采用的是隨機(jī)生成初始粒子，這樣對于多峰函數(shù)就有可能存在盲區(qū)而不被搜索到。由于混沌優(yōu)化算法具有對初值不敏感的特點(diǎn)，本發(fā)明在利用粒子群進(jìn)行無功優(yōu)化的前期采用混沌算法進(jìn)行初始化，優(yōu)選初始粒子群體——無功優(yōu)化控制變量。
[0023]發(fā)電機(jī)端電壓、無功補(bǔ)償容量和變壓器分接頭這些控制變量的位置和速度。
[0024]本實(shí)施方式m取為30 ；
[0025]步驟二中，由于粒子群算法進(jìn)行無功優(yōu)化在迭代后期產(chǎn)生“惰性”運(yùn)動使各粒子趨于同一性(失去了多樣性)而導(dǎo)致通過該算法無功優(yōu)化得到各控制變量易陷入局部解區(qū)域，故對迭代更新后擇優(yōu)選取的前M(M = 20)個較優(yōu)控制變量值進(jìn)行混沌操作。
[0026]本實(shí)施方式步驟三中，在粒子群算法進(jìn)行無功優(yōu)化中，慣性權(quán)重w的取值對算法的性能具有十分重要的作用，即平衡算法的全局尋優(yōu)和局部尋優(yōu)。w取值大時利于全局尋優(yōu)，但很難得到精確的解取值小時利于局部尋優(yōu)，但w易陷入局部極值點(diǎn)。
[0027]個體適應(yīng)值較好的粒子對當(dāng)前最優(yōu)解臨近區(qū)域做局部細(xì)致搜尋，個體適應(yīng)值差的粒子會以較大步長搜尋以便能找到更好解，進(jìn)而保證了整個群體解的多樣性及好的收斂性。
[0028]【具體實(shí)施方式】二:本實(shí)施方式與【具體實(shí)施方式】一不同的是:所述步驟一具體為:
[0029]輸入原始數(shù)據(jù)到自適應(yīng)混沌粒子群算法程序中，通過混沌算法初始化粒子群無功優(yōu)化中發(fā)電機(jī)端電壓、無功補(bǔ)償容量和變壓器分接頭，隨機(jī)產(chǎn)生一個η維且各分量值均在O~I之間的混沌矢量Z1 = (zn, Z12,…，Zln)，以Z1為初始值由Logistic完全混沌迭代公式,1 = 4z'(l-z^t = 0,1,2,…，計(jì)算得N個混沌變量Z1, Z2,…，Zn，利用混沌變量Zi (i=1,2,…N)進(jìn)行迭代搜索,再通過公式 Xij = aj+(bj-aj) Zij, (i = I, 2...,N ； j = 1,2,...,η)將混沌變量Zi (i = 1,2,…N)的各分量變換到其約束范圍內(nèi)；其中，所述aj; b」為無功優(yōu)化控制變量約束的上下限值。
[0030]其它步驟及參數(shù)與【具體實(shí)施方式】一相同。
[0031]【具體實(shí)施方式】三:本實(shí)施方式與【具體實(shí)施方式】一或二不同的是:所述步驟二具體為:
[0032]根據(jù)無功優(yōu)化控制變量的個數(shù)確定粒子群粒子的維數(shù)n，在三類控制變量即發(fā)電機(jī)端電壓Ve、變壓器分接頭Tt和無功補(bǔ)償容量Qc的上下限約束范圍內(nèi)將混沌變量Zi α =1，2,…N)的各分量代入多目標(biāo)無功優(yōu)化的總目標(biāo)函數(shù)minF = X1P' ioss+λ 2dV' + λ 3V/ SM式中:A1, λ2，入3為各個目標(biāo)的權(quán)重系數(shù)，對三個目標(biāo)進(jìn)行歸一化處理，具體處理形式如下:
【權(quán)利要求】
1.一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法，其特征在于該方法包括: 一、輸入粒子群的原始數(shù)據(jù)到自適應(yīng)混沌粒子群算法程序，通過混沌算法隨機(jī)產(chǎn)生一個η維的混沌矢量，再通過Logistic完全混沌迭代公式，計(jì)算得N個混沌變量； 二、將混沌變量的各分量代入多目標(biāo)無功優(yōu)化的總目標(biāo)函數(shù)計(jì)算各混沌矢量所對應(yīng)的適應(yīng)度值，根據(jù)適應(yīng)度值的大小從中擇優(yōu)選取前m個作為粒子群的初始位置； 三、采用整實(shí)數(shù)混合編碼對粒子進(jìn)行編碼，根據(jù)粒子編碼的控制變量值，對粒子群的初始位置中的每個粒子利用粒子群無功優(yōu)化算法進(jìn)行無功優(yōu)化尋找每個粒子個體的最優(yōu)解Pbesti和全局最優(yōu)解gbest，由計(jì)算慣性權(quán)重系數(shù)公式得出各粒子的慣性權(quán)重W，擇優(yōu)選取前M個較優(yōu)粒子進(jìn)行混沌優(yōu)化；其中，所述無功優(yōu)化中采用牛頓拉夫遜法進(jìn)行潮流計(jì)算； 四、根據(jù)粒子群無功優(yōu)化算法更新粒子的速度和位置即控制變量的迭代修正量和數(shù)值； 五、若滿足終止條件則停止運(yùn)行，輸出全局最優(yōu)解gbest，否則返回步驟三繼續(xù)進(jìn)行迭代計(jì)算直至滿足終止條件，即完成了基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法。
2.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法，其特征在于所述步驟一具體為: 輸入原始數(shù)據(jù)到自適應(yīng)混沌粒子群算法程序中，通過混沌算法初始化粒子群無功優(yōu)化中發(fā)電機(jī)端電壓、無功補(bǔ)償容量和變壓器分接頭，隨機(jī)產(chǎn)生一個η維且各分量值均在O~I之間的混沛矢量Z1 = (zn, Z12,…，zln),以Z1為初始值由Logistic完全混沛迭代公式zt+1=4z'(1-Zt) t = 0,1,2,…，計(jì)算得N個混沌變量Z1, Z2,…，Zn，利用混沌變量Zi (i = 1，2,*..Ν)進(jìn)行迭代搜索,再通過公式 Xij = aj+(bj-aj) Zij, (i = I, 2...,N ； j = 1,2,…,η)將混沌變量ZiQ = 1,2,…N)的各分量變換到其約束范圍內(nèi)；其中，所述aj，bj為無功優(yōu)化控制變量約束的上下限值。
3.根據(jù)權(quán)利要求1或2所述的一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法，其特征在于所述步驟二具體為: 根據(jù)無功優(yōu)化控制變量的個數(shù)確定粒子群粒子的維數(shù)n，在三類控制變量即發(fā)電機(jī)端電壓Ve、變壓器分接頭Tt和無功補(bǔ)償容量％的上下限約束范圍內(nèi)將混沌變量ZiQ = 1，2^..N)的各分量代入多目標(biāo)無功優(yōu)化的總目標(biāo)函數(shù)minF = λ f ioss+λ 2dV' + λ 3V/ SM式中:A1, λ2，λ 3為各個目標(biāo)的權(quán)重系數(shù)，對三個目標(biāo)進(jìn)行歸一化處理，具體處理形式如下:
^ms ~ 1-^oss P!oss mill )/( ^ImsO?
-dF'=(dV ^ ClVmJfidV0^ ClVmJ


M max 式中:P1()SS(I，dV0, Vsmci分別取為初始狀態(tài)下經(jīng)潮流計(jì)算得到的有功網(wǎng)損、節(jié)點(diǎn)電壓偏移量及靜態(tài)電壓穩(wěn)定裕度；P1(Jssmin，dVmin，Vsfcax為分別對其進(jìn)行單目標(biāo)優(yōu)化得到的最優(yōu)值，P' loss^ dV' , Vi挪均限定于O~I之間取值； 通過總目標(biāo)函數(shù)計(jì)算混沌矢量所對應(yīng)的適應(yīng)度值，根據(jù)適應(yīng)度值的大小從中擇優(yōu)選取前m個作為粒子群的初始位置，同時在無功優(yōu)化控制變量Xp的限制范圍內(nèi)隨機(jī)生成m個初始速度混沌初始化粒子群中各粒子，即控制變量的位置Xi和速度Vi ;通過上述步驟的混沌算法初始化粒子即獲得各控制變量的個數(shù)及各自的取值范圍，獲取粒子群的群體規(guī)模N，最大迭代次數(shù)itermax參數(shù)。
4.根據(jù)權(quán)利要求3所述的一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法，其特征在于所述步驟三具體為: 對初始群體中的每個粒子利用粒子群無功優(yōu)化算法進(jìn)行無功優(yōu)化，無功優(yōu)化中采用牛頓拉夫遜法進(jìn)行潮流程序計(jì)算，根據(jù)潮流程序計(jì)算結(jié)果，評估各個粒子的適應(yīng)度值，適應(yīng)度值越小，則相應(yīng)的粒子質(zhì)量越優(yōu)；尋找群體中每個粒子個體的最優(yōu)解Pbesti和全局最優(yōu)解gbest ； 自適應(yīng)計(jì)算各粒子的慣性權(quán)重ω計(jì)算如下:
5.根據(jù)權(quán)利要求4所述的一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法，其特征在于所述步驟四具體為: 應(yīng)用牛頓拉夫遜迭代法進(jìn)行潮流程序計(jì)算和總目標(biāo)函數(shù)計(jì)算，重新計(jì)算種群中每個粒子的適應(yīng)度；并根據(jù)粒子群無功優(yōu)化算法中的公式 =+m(Ku>-4、+c'MKd--li1、、4'1 = 4 + 更新種群中各個粒子的速度Vi和位置Xi，即控制變量的迭代修正量和數(shù)值。
6.根據(jù)權(quán)利要求5所述的一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法，其特征在于所述步驟五具體為: 若滿足終止條件則停止運(yùn)行，輸出全局最優(yōu)解gbest，終止條件為尋優(yōu)達(dá)到最大進(jìn)化代數(shù)Uermax，或適應(yīng)度值小于給定精度ε ;否則返回步驟三繼續(xù)進(jìn)行迭代計(jì)算，即完成了基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法。
7.根據(jù)權(quán)利要求6所述的一種基于自適應(yīng)混沌粒子群算法的多目標(biāo)無功優(yōu)化方法，其特征在于所述更新種群中各個粒子的速度Vi和位置Xi具體為:按照公式'Ui
【文檔編號】G06N3/00GK103972908SQ201410222352
【公開日】2014年8月6日 申請日期:2014年5月23日 優(yōu)先權(quán)日:2014年5月23日
【發(fā)明者】劉金龍, 楊琳 申請人:國家電網(wǎng)公司, 國網(wǎng)黑龍江省電力有限公司哈爾濱供電公司