一种基于自适应混沌粒子群算法的多目标无功优化方法
【专利摘要】一种基于自适应混沌粒子群算法的多目标无功优化方法，本发明涉及多目标无功优化方法。本发明是要解决多目标无功优化控制变量可能陷入局部最优解，并求解最优值的速度慢的问题。一、输入粒子群的原始数据到自适应混沌粒子群算法程序；二、根据适应度值的大小从中择优选取前m个作为粒子群的初始位置；三、由计算惯性权重系数公式得出各粒子的惯性权重w，择优选取前M个较优粒子进行混沌优化算；四、根据粒子群无功优化算法更新粒子的速度和位置即控制变量的迭代修正量和数值；五、判断是否满足迭代终止条件，即完成了基于自适应混沌粒子群算法的多目标无功优化方法。本发明应用于电力系统领域。
【专利说明】—种基于自适应混沌粒子群算法的多目标无功优化方法
【技术领域】
[0001]本发明涉及多目标无功优化方法，涉及电力系统无功优化领域。
【背景技术】
[0002]电力系统无功优化，就是研究当系统结构参数和负荷情况己经给定的情况下，通过对系统中某些控制变量的优化计算，以找到在满足所有特定约束条件的前提下，使系统的某一个或多个性能指标达到最优时的运行控制方案。
[0003]目前求解无功优化的方法很多，传统的数学规划方法主要有非线性规划法和线性规划法等。常规方法存在的困难主要是离散变量的归整问题，易陷入局部最优以及产生“维数灾”问题。近些年来，为了弥补上述方法在无功优化中计算的不足，研究者将各种智能算法引入无功优化的计算中。
[0004]粒子群优化算法PSO(Particle Swarm Optimization)是一种基于迭代的多点随机搜索智能优化算法，具有简单易操作、所需设定参数较少等特点，已经被电力工作者应用于无功优化中，目前的粒子群无功优化算法是通过随机生成的初始粒子进行迭代，这对于多峰函数就有可能存在盲区而不被搜索到，易陷入局部解；此外，在迭代中不能自适应地调整权重系数，限制了全局搜索能力。
【发明内容】
[0005]本发明是要解决多目标无功优化控制变量可能陷入局部最优解，并求解最优值的速度慢，致使电力系统无功优化达到降低网损，提高电压质量水平和静态电压稳定性，而提供一种基于自适应混沌粒子群算法的多目标无功优化方法。
[0006]一种基于自适应混沌粒子群算法的多目标无功优化方法包括:
[0007]一、输入粒子群的原始数据到自适应混沌粒子群算法程序，通过混沌算法随机产生一个η维的混沌矢量，再通过Logistic完全混沌迭代公式，计算得N个混沌变量；
[0008]二、将混沌变量的各分量代入多目标无功优化的总目标函数计算各混沌矢量所对应的适应度值，根据适应度值的大小从中择优选取前m个作为粒子群的初始位置；
[0009]三、采用整实数混合编码对粒子进行编码，根据粒子编码的控制变量值，对粒子群的初始位置中的每个粒子利用粒子群无功优化算法进行无功优化寻找每个粒子个体的最优解Pbesti和全局最优解gbest，由计算惯性权重系数公式得出各粒子的惯性权重w，择优选取前M个较优粒子进行混沌优化；其中，所述无功优化中采用牛顿拉夫逊法进行潮流计算；
[0010]四、根据粒子群无功优化算法更新粒子的速度和位置即控制变量的迭代修正量和数值；
[0011]五、若满足终止条件则停止运行，输出全局最优解gbest，否则返回步骤三继续进行迭代计算直至满足终止条件，即完成了基于自适应混沌粒子群算法的多目标无功优化方法。[0012]发明效果:
[0013]针对粒子群算法在无功优化中的缺点，本发明将混沌算法与粒子群算法相结合，通过混沌算法进行粒子的初始化，并且通过自适应调节权重系数加快搜索能力，形成了自适应混沛粒子群ACPSO (Adaptive Chaos Particle Swarm Optimization)算法进行更精确地多目标无功优化。
[0014]本发明的无功优化方法可以更好地满足实际运行情况，不但降低了系统网损，改善了系统整体电压质量，并且计算速度也得到了提高。可见基于自适应混沌粒子群算法用于电力系统无功优化具有比其他算法有更高的计算精度和更好的全局搜索能力，并且有效避免了早熟收敛，增加了种群的多样性。因此，本发明的自适应混沌粒子群算法在解决电力系统无功优化问题方面具有一定的实用意义。
【专利附图】
【附图说明】
[0015]图1是本发明基于ACPSO算法的多目标无功优化流程图；
[0016]图2是仿真实验中的三种算法的最优值曲线。
【具体实施方式】
[0017]【具体实施方式】一:本实施方式的一种基于自适应混沌粒子群算法的多目标无功优化方法包括:
[0018]一、输入粒子群的原始数据到自适应混沌粒子群算法程序，通过混沌算法随机产生一个η维的混沌矢量，再通过Logistic完全混沌迭代公式，计算得N个混沌变量；
[0019]二、将混沌变量的各分量代入多目标无功优化的总目标函数计算各混沌矢量所对应的适应度值，根据适应度值的大小从中择优选取前m个作为粒子群的初始位置；
[0020]三、采用整实数混合编码对粒子进行编码，根据粒子编码的控制变量值，对粒子群的初始位置中的每个粒子利用粒子群无功优化算法进行无功优化寻找每个粒子个体的最优解Pbesti和全局最优解gbest，由计算惯性权重系数公式得出各粒子的惯性权重w，择优选取前M个较优粒子进行混沌优化；其中，所述无功优化中采用牛顿拉夫逊法进行潮流计算；
[0021]四、根据粒子群无功优化算法更新粒子的速度和位置即控制变量的迭代修正量和数值；五、若满足终止条件则停止运行，输出全局最优解gbest，否则返回步骤三继续进行迭代计算直至满足终止条件，即完成了基于自适应混沌粒子群算法的多目标无功优化方法。
[0022]步骤一中，粒子群无功优化算法，采用的是随机生成初始粒子，这样对于多峰函数就有可能存在盲区而不被搜索到。由于混沌优化算法具有对初值不敏感的特点，本发明在利用粒子群进行无功优化的前期采用混沌算法进行初始化，优选初始粒子群体——无功优化控制变量。
[0023]发电机端电压、无功补偿容量和变压器分接头这些控制变量的位置和速度。
[0024]本实施方式m取为30 ；
[0025]步骤二中，由于粒子群算法进行无功优化在迭代后期产生“惰性”运动使各粒子趋于同一性(失去了多样性)而导致通过该算法无功优化得到各控制变量易陷入局部解区域，故对迭代更新后择优选取的前M(M = 20)个较优控制变量值进行混沌操作。
[0026]本实施方式步骤三中，在粒子群算法进行无功优化中，惯性权重w的取值对算法的性能具有十分重要的作用，即平衡算法的全局寻优和局部寻优。w取值大时利于全局寻优，但很难得到精确的解取值小时利于局部寻优，但w易陷入局部极值点。
[0027]个体适应值较好的粒子对当前最优解临近区域做局部细致搜寻，个体适应值差的粒子会以较大步长搜寻以便能找到更好解，进而保证了整个群体解的多样性及好的收敛性。
[0028]【具体实施方式】二:本实施方式与【具体实施方式】一不同的是:所述步骤一具体为:
[0029]输入原始数据到自适应混沌粒子群算法程序中，通过混沌算法初始化粒子群无功优化中发电机端电压、无功补偿容量和变压器分接头，随机产生一个η维且各分量值均在O~I之间的混沌矢量Z1 = (zn, Z12,…，Zln)，以Z1为初始值由Logistic完全混沌迭代公式,1 = 4z'(l-z^t = 0,1,2,…，计算得N个混沌变量Z1, Z2,…，Zn，利用混沌变量Zi (i=1,2,…N)进行迭代搜索,再通过公式 Xij = aj+(bj-aj) Zij, (i = I, 2...,N ； j = 1,2,...,η)将混沌变量Zi (i = 1,2,…N)的各分量变换到其约束范围内；其中，所述aj; b」为无功优化控制变量约束的上下限值。
[0030]其它步骤及参数与【具体实施方式】一相同。
[0031]【具体实施方式】三:本实施方式与【具体实施方式】一或二不同的是:所述步骤二具体为:
[0032]根据无功优化控制变量的个数确定粒子群粒子的维数n，在三类控制变量即发电机端电压Ve、变压器分接头Tt和无功补偿容量Qc的上下限约束范围内将混沌变量Zi α =1，2,…N)的各分量代入多目标无功优化的总目标函数minF = X1P' ioss+λ 2dV' + λ 3V/ SM式中:A1, λ2，入3为各个目标的权重系数，对三个目标进行归一化处理，具体处理形式如下:
【权利要求】
1.一种基于自适应混沌粒子群算法的多目标无功优化方法，其特征在于该方法包括: 一、输入粒子群的原始数据到自适应混沌粒子群算法程序，通过混沌算法随机产生一个η维的混沌矢量，再通过Logistic完全混沌迭代公式，计算得N个混沌变量； 二、将混沌变量的各分量代入多目标无功优化的总目标函数计算各混沌矢量所对应的适应度值，根据适应度值的大小从中择优选取前m个作为粒子群的初始位置； 三、采用整实数混合编码对粒子进行编码，根据粒子编码的控制变量值，对粒子群的初始位置中的每个粒子利用粒子群无功优化算法进行无功优化寻找每个粒子个体的最优解Pbesti和全局最优解gbest，由计算惯性权重系数公式得出各粒子的惯性权重W，择优选取前M个较优粒子进行混沌优化；其中，所述无功优化中采用牛顿拉夫逊法进行潮流计算； 四、根据粒子群无功优化算法更新粒子的速度和位置即控制变量的迭代修正量和数值； 五、若满足终止条件则停止运行，输出全局最优解gbest，否则返回步骤三继续进行迭代计算直至满足终止条件，即完成了基于自适应混沌粒子群算法的多目标无功优化方法。
2.根据权利要求1所述的一种基于自适应混沌粒子群算法的多目标无功优化方法，其特征在于所述步骤一具体为: 输入原始数据到自适应混沌粒子群算法程序中，通过混沌算法初始化粒子群无功优化中发电机端电压、无功补偿容量和变压器分接头，随机产生一个η维且各分量值均在O~I之间的混沛矢量Z1 = (zn, Z12,…，zln),以Z1为初始值由Logistic完全混沛迭代公式zt+1=4z'(1-Zt) t = 0,1,2,…，计算得N个混沌变量Z1, Z2,…，Zn，利用混沌变量Zi (i = 1，2,*..Ν)进行迭代搜索,再通过公式 Xij = aj+(bj-aj) Zij, (i = I, 2...,N ； j = 1,2,…,η)将混沌变量ZiQ = 1,2,…N)的各分量变换到其约束范围内；其中，所述aj，bj为无功优化控制变量约束的上下限值。
3.根据权利要求1或2所述的一种基于自适应混沌粒子群算法的多目标无功优化方法，其特征在于所述步骤二具体为: 根据无功优化控制变量的个数确定粒子群粒子的维数n，在三类控制变量即发电机端电压Ve、变压器分接头Tt和无功补偿容量％的上下限约束范围内将混沌变量ZiQ = 1，2^..N)的各分量代入多目标无功优化的总目标函数minF = λ f ioss+λ 2dV' + λ 3V/ SM式中:A1, λ2，λ 3为各个目标的权重系数，对三个目标进行归一化处理，具体处理形式如下:
^ms ~ 1-^oss P!oss mill )/( ^ImsO?
-dF'=(dV ^ ClVmJfidV0^ ClVmJ
M max 式中:P1()SS(I，dV0, Vsmci分别取为初始状态下经潮流计算得到的有功网损、节点电压偏移量及静态电压稳定裕度；P1(Jssmin，dVmin，Vsfcax为分别对其进行单目标优化得到的最优值，P' loss^ dV' , Vi挪均限定于O~I之间取值； 通过总目标函数计算混沌矢量所对应的适应度值，根据适应度值的大小从中择优选取前m个作为粒子群的初始位置，同时在无功优化控制变量Xp的限制范围内随机生成m个初始速度混沌初始化粒子群中各粒子，即控制变量的位置Xi和速度Vi ;通过上述步骤的混沌算法初始化粒子即获得各控制变量的个数及各自的取值范围，获取粒子群的群体规模N，最大迭代次数itermax参数。
4.根据权利要求3所述的一种基于自适应混沌粒子群算法的多目标无功优化方法，其特征在于所述步骤三具体为: 对初始群体中的每个粒子利用粒子群无功优化算法进行无功优化，无功优化中采用牛顿拉夫逊法进行潮流程序计算，根据潮流程序计算结果，评估各个粒子的适应度值，适应度值越小，则相应的粒子质量越优；寻找群体中每个粒子个体的最优解Pbesti和全局最优解gbest ； 自适应计算各粒子的惯性权重ω计算如下:
5.根据权利要求4所述的一种基于自适应混沌粒子群算法的多目标无功优化方法，其特征在于所述步骤四具体为: 应用牛顿拉夫逊迭代法进行潮流程序计算和总目标函数计算，重新计算种群中每个粒子的适应度；并根据粒子群无功优化算法中的公式 =+m(Ku>-4、+c'MKd--li1、、4'1 = 4 + 更新种群中各个粒子的速度Vi和位置Xi，即控制变量的迭代修正量和数值。
6.根据权利要求5所述的一种基于自适应混沌粒子群算法的多目标无功优化方法，其特征在于所述步骤五具体为: 若满足终止条件则停止运行，输出全局最优解gbest，终止条件为寻优达到最大进化代数Uermax，或适应度值小于给定精度ε ;否则返回步骤三继续进行迭代计算，即完成了基于自适应混沌粒子群算法的多目标无功优化方法。
7.根据权利要求6所述的一种基于自适应混沌粒子群算法的多目标无功优化方法，其特征在于所述更新种群中各个粒子的速度Vi和位置Xi具体为:按照公式'Ui
【文档编号】G06N3/00GK103972908SQ201410222352
【公开日】2014年8月6日 申请日期:2014年5月23日 优先权日:2014年5月23日
【发明者】刘金龙, 杨琳 申请人:国家电网公司, 国网黑龙江省电力有限公司哈尔滨供电公司