专利名称：一种电力系统无功优化的分布式并行求解方法
技术领域：
本发明属于电力系统技术领域，具体涉及一种电力系统无功优化的分布式并行求
解方法。
背景技术：
电力系统无功优化属于多约束非线性组合优化范畴，是系统在一定运行方式下，使解向量满足各种约束条件，达到有功网损、电压质量和无功补偿容量等预定目标综合最佳的优化问题。迄今为止，国内外学者对电力系统无功优化进行了大量的研究工作，其中有内点法、二次规划、动态规划方法、灵敏度分析方法和智能计算方法等。这些方法大都是把离散变量当成连续变量处理，容易陷入局部最优并且求解时间过长，对于大规模的优化计算容易产生“维数灾”的问题。若不考虑控制设备是否运行连续调整，追求电压水平和网损的无功优化，称为静态无功优化。如果在无功优化过程中为适应负荷的动态变化加入控制变量的允许操作次数限制，称这种无功优化为动态无功优化。动态无功优化需要考虑电力系统各种负荷水平和运行状态下的调度情况，比静态优化问题更加复杂。遗传算法是一种适于70年代的全局优化算法，已被广泛地用来求解工程和科学领域中的问题，通常能够在合理的时间找到满意接。遗传算法目前也被用于电力系统无功优化求解，但随着求解问题的复杂性及难度的增加，优化解的平均搜索质量和求解速度显得尤为突出，使得遗传算法面临以下三个方面的问题I)求解、搜索时间长，不能满足在线要求；2)由于搜索解的随机性，优化解的平均搜索质量不高；3)遗传算法“早熟”问题，尤其在处理多极点问题时，搜索过程滞留在局部最优解，不能达到全局最优解。并行遗传算法可以分为主从式并行模型、粗粒度并行模型、细粒度并行模型3种，主从式并行模型只是对适应度的计算进行了并行化处理；粗粒度模型是将群体划分成若干子群体独立演化，并以一定间隔在群体间交换个体；细粒度模型将群体划分成数目较多的子群体，每个子群体个体数目较少，个体迁移通过子群体之间部分重叠的方式进行。目前粗粒度模型最为普遍，因为一方面较容易实现，只需在串行遗传算法中增加迁移子进程，在并行计算机的节点上各自运行一个副本，并定期交换需要迁移的个体即可；另一方面在没有并行计算机时，也可以在单机系统上以多线程方式实现。
发明内容
为了克服上述现有技术的不足，本发明提供一种电力系统无功优化的分布式并行求解方法，采用遗传模拟退火算法和分布式并行计算，实现多进程的分布式集群计算。该方法通过个体迁移策略来协调优化各个子种群，使用计算效率来判断计算负载状态，采用动态种群来进行负载平衡。
为了实现上述发明目的，本发明采取如下技术方案提供一种电力系统无功优化的分布式并行求解方法，所述方法包括以下步骤步骤1:建立无功优化数学模型；步骤2 :确定所述无功优化数学模型的适应度函数和控制变量，并对确定的控制变量进行编码和解码；步骤3 :确定分布式并行求解的控制变量；步骤4 :进行分布式并行求解。所述步骤I中，以全网线路损耗最小为目标函数，建立如下无功优化数学模型
权利要求
1.一种电力系统无功优化的分布式并行求解方法，其特征在于所述方法包括以下步骤 步骤1:建立无功优化数学模型； 步骤2 :确定所述无功优化数学模型的适应度函数和控制变量，并对确定的控制变量进行编码和解码； 步骤3 :确定分布式并行求解的控制变量； 步骤4:进行分布式并行求解。
2.根据权利要求1所述的电力系统无功优化的分布式并行求解方法，其特征在于所述步骤I中，以全网线路损耗最小为目标函数，建立如下无功优化数学模型
3.根据权利要求1所述的电力系统无功优化的分布式并行求解方法，其特征在于所述步骤2包括以下步骤步骤2-1 :确定无功优化数学模型的适应度函数；步骤2-2 :确定无功优化数学模型的控制变量，并对确定的控制变量进行编码；所述无功优化数学模型的控制变量包括有载调压变压器数nl、无功补偿节点数n2和发电机节点数n3 ；步骤2-3 :对确定的控制变量进行解码。
4.根据权利要求3所述的电力系统无功优化的分布式并行求解方法，其特征在于所述步骤2-1中，适应度函数表示为
5.根据权利要求3所述的电力系统无功优化的分布式并行求解方法，其特征在于所述步骤2-2中，无功优化数学模型的控制变量X表示为
6.根据权利要求1所述的电力系统无功优化的分布式并行求解方法，其特征在于所述步骤2-3中，对确定的控制变量进行解码的方式为
7.根据权利要求1所述的电力系统无功优化的分布式并行求解方法，其特征在于所述分布式并行求解的控制变量包括交叉率P。、变异率Pm和模拟退火控制因数P (Tk+1)。
8.根据权利要求1所述的电力系统无功优化的分布式并行求解方法，其特征在于所述交叉率P。和变异率Pm分别表示为
9.根据权利要求1所述的电力系统无功优化的分布式并行求解方法，其特征在于所述步骤4中，采用主从进程进行分布式并行求解过程如下 ·1)产生N—I个子进程，每个子进程用于实现串行遗传算法； ·2)以阻塞方式等待各子进程的信息； ·3)收到子进程提交的负载平衡的信息后，按式ηΑ= ΝΑ/ΤΑ计算各处理器效率ηΑ，ηΒ，…，Hn，发送各处理器增减子种群数目信息，发送到各个子进程；其中，Ta为对于子种群Α，子进程的两次通信间的时间间隔，子种群规模为P，Na为两次通信间各代个体总数； ·4)每个从进程分别接收主进程指定的一个种群，并进行进化处理； ·4.1)独立对该进程分配的种群进行遗传进化； ·4.2)提交两个与主进程时间间隔内的各代个体数之和，提交时间间隔信息和两次通信间各代个体总数信息给主进程，然后等待主进程的负载均衡的子种群调整； ·4.3)收到主进程发送来的调整信息，按照K = Ν X r + η , η调整新的子种群规模 P' Α，其中，N为总的种群的数目，ηΑ，ηΒ,…，ηη分别为子种群Α，B，…，η的处理器效率； ·4.4)判断迁移时间间隔是否大于预设的时间间隔，如果满足，按照迁移拓扑在子群体间迁移个体，若K Α大于Pa，则随机增加相差数目的个体；若K Α小于Pa，则舍弃原子种群中最差的那些个体；.4.5)判断目前的迭代次数是否超过预设的最大迭代次数，若是，则从进程向主进程发送最优个体信息和终止信号；若否，则循环至从进程4.1)；.4.6)等待主进程的结束信号，并结束；5)阻塞等待子进程的信息，如果信息为结束信号，则进入6)，否则循环至2)；6)向各个子进程发信号，结束各个子进程；7)比较各个子进程发送的最优个体信息， 得到全局最优值，算法终止。
全文摘要
本发明提供一种电力系统无功优化的分布式并行求解方法，所述方法包括以下步骤建立无功优化数学模型；确定所述无功优化数学模型的适应度函数和控制变量，并对确定的控制变量进行编码和解码；确定分布式并行求解的控制变量；进行分布式并行求解。本发明采用遗传模拟退火算法和分布式并行计算，实现多进程的分布式集群计算。该方法通过个体迁移策略来协调优化各个子种群，使用计算效率来判断计算负载状态，采用动态种群来进行负载平衡。
文档编号H02J3/18GK103050981SQ20121050722
公开日2013年4月17日 申请日期2012年11月30日 优先权日2012年11月30日
发明者刘科研, 盛万兴 申请人:中国电力科学研究院, 国家电网公司