一种电力系统无功优化方法与装置与流程

本发明涉及电力系统技术领域，特别是涉及一种电力系统无功优化方法与装置。

背景技术：

电力系统无功优化是一个离散、非线性、多目标混合整数规划问题。在进行多目标决策时，各目标函数有可能是相互冲突的，要同时使它们一起达到最优不太可能，因此，为了找到一个对各个目标都较为合适的一组解，我们必须根据各个目标之间的关系，明确总目标函数中各个目标的权重，将多个子目标线性加权组合为单一目标。这种方法的优点是便于计算，缺点是难以确定各目标函数的权重。

长期以来，国内外众多学者为解决无功优化问题做了大量的研究工作，提出了很多算法，这些算法对解决多目标无功优化问题提供了新途径。但是传统算法在处理无功优化问题上具有一定的局限性，不方便处理离散变量，易陷入局部最优解且收敛速度慢，而人工智能算法具有较强的全局搜索能力且能处理含有离散约束条件的多目标无功优化，因此人工智能算法在无功优化问题中得到了广泛的研究和应用。其中，人工智能算法包括粒子群算法，遗传算法，免疫算法和混合算法。

kennedy和eberhart博士于1995通过对鸟群觅食行为的研究，提出一种仿生智能计算技术——粒子群优化算法，该算法具有依赖参数较少、简单易行、收敛速度快等优点。但标准粒子群算法在进化过程中也存在初值敏感性、易陷入局部极值点和搜索精度不高等缺点。可见，如何提高粒子群算法整体寻优性能，实现电力系统的无功优化，是本领域技术人员亟待解决的问题。

技术实现要素：

本发明实施例的目的是提供一种电力系统无功优化方法与装置，可以实现电力系统的无功优化目标。

为解决上述技术问题，本发明实施例提供一种电力系统无功优化方法，包括：

s10：初始化目标参数，获取一个粒子的初始速度和初始位置；

s11：依据所述目标参数和约束条件，建立电力系统无功优化的目标函数；

s12：利用建立的组合混沌序列，对所述粒子的所述初始速度和所述初始位置进行组合混沌操作，得到混沌初始粒子群中各个粒子各自对应的父代速度和父代位置；并将所述混沌初始粒子群作为父代粒子群；

s13：利用所述目标函数，计算所述父代粒子群中各粒子的适应度，确定出粒子最优位置和种群最优位置；

s14：依据设置的更新规则，对所述父代速度和所述父代位置进行更新操作，得到子代速度和子代位置；并依据所述子代速度和惯性权重规则，调整所述子代粒子群的惯性权重；

s15：对所述子代粒子群中各粒子进行混沌化处理；

s16：利用所述目标函数，计算所述混沌化处理后的子代粒子群中各粒子的适应度，保留适应度最优的粒子作为下一次迭代的父代粒子群，完成对所述粒子最优位置和所述种群最优位置的更新；

s17：判断迭代次数是否达到预设的最大迭代次数；若否，则返回所述s14；若是，则执行s18；

s18：输出最优解。

可选的，所述约束条件包括系统功率约束条件和不等式约束条件；

所述系统功率约束条件的公式如下，

其中，n为系统中的节点数；vi、vj分别是第i节点和第j节点电压幅值；pgi、qgi分别为第i台发电机有功功率和无功功率；pli、qli分别为第i节点有功功率负荷和无功功率负荷；δij为节点i和节点j之间的相角差；gij、bij分别为节点i和节点j之间互导纳的实部和虚部；

所述不等式约束条件的公式如下，

其中，vi为节点电压约束，tk为变压器分接头约束，qi为无功补偿约束。

可选的，所述目标函数包括系统网络损耗目标函数、节点电压偏移目标函数和静态电压稳定裕度目标函数；

所述系统网络损耗目标函数的公式如下，

其中，gij为i、j节点之间的支路电导；vi、vj分别为i、j节点的电压模值；θij为i、j节点之间的电压相角差；nl为系统总节点数；

所述节点电压偏移目标函数的公式如下，

其中，vi为节点i的实际电压，为节点i的理想电压，为节点i的最大允许电压偏移；

所述静态电压稳定裕度目标函数的公式如下，

maxf4＝δmin；

其中，δmin为以潮流计算收敛时的雅可比矩阵的最小奇异值。

可选的，所述组合混沌序列的表达式如下，

其中，x0、y0为粒子的初始值，n、μ为控制参数。

可选的，在所述s14中包括：

利用如下公式，对所述父代速度和所述父代位置进行更新操作，得到子代速度和子代位置；

其中，表示第i个粒子的第d维的父代速度；表示第i个粒子的第d维的子代速度；表示第i个粒子的第d维的父代位置；表示第i个粒子的第d维的子代位置；i＝1,2...m，d＝1,2,...,n；m为群体数目，n为粒子维数；ω为惯性权重，c1、c2为加速因子；r1、r2是介于[0，1]区间满足均匀分布的随机数；pid是第i个粒子的第d维在所述父代粒子群中的粒子最优位置；gid是所述父代粒子群在第d维上的种群最优位置。

可选的，在所述s14中包括：

利用如下公式，计算出所述父代粒子群的平均速度的期望

其中，v0为所述父代粒子群的平均速度，tmax为最大迭代次数；t1＝0.4×tmax；k为一个变量值；

并依据如下惯性权重规则对应的公式，调整所述子代粒子群的惯性权重，

其中，表示所述父代粒子群的实际速度，ωk表示所述父代粒子群的惯性权重；ωk+1表示所述子代粒子群的惯性权重。

可选的，在所述s15中包括：

利用公式xk+1＝f(μ,xk)＝μxk(1-xk)，得到混沌化处理后的子代粒子群，

其中，xk表示所述父代粒子群；xk+1表示所述子代粒子群。

可选的，在所述s16中包括：

利用所述目标函数，计算出粒子群对应的变量(x1,x2,x3)及最优函数值(p1,p2,p3)；其中，所述目标函数包括系统网络损耗目标函数、节点电压偏移目标函数和静态电压稳定裕度目标函数；

计算各个目标函数的熵权值和模糊权值，确定出各个目标函数基于模糊熵权法的权值λ1、λ2、λ3；

依据所述权值，得到无功优化适应度函数；

依据所述无功优化适应度函数，确定出粒子最优位置和种群最优位置。

本发明实施例还提供了一种电力系统无功优化装置，包括初始化单元、建立单元、混沌操作单元、计算单元、更新单元、处理单元、保留单元、判断单元和输出单元，

所述初始化单元，用于初始化目标参数，获取一个粒子的初始速度和初始位置；

所述建立单元，用于依据所述目标参数和约束条件，建立电力系统无功优化的目标函数；

所述混沌操作单元，用于利用建立的组合混沌序列，对所述粒子的所述初始速度和所述初始位置进行组合混沌操作，得到混沌初始粒子群中各个粒子各自对应的父代速度和父代位置；并将所述混沌初始粒子群作为父代粒子群；

所述计算单元，用于利用所述目标函数，计算所述父代粒子群中各粒子的适应度，确定出粒子最优位置和种群最优位置；

所述更新单元，用于依据设置的更新规则，对所述父代速度和所述父代位置进行更新操作，得到子代速度和子代位置；并依据所述子代速度和惯性权重规则，调整所述子代粒子群的惯性权重；

所述处理单元，用于对所述子代粒子群中各粒子进行混沌化处理；

所述保留单元，用于利用所述目标函数，计算所述混沌化处理后的子代粒子群中各粒子的适应度，保留适应度最优的粒子作为下一次迭代的父代粒子群，完成对所述粒子最优位置和所述种群最优位置的更新；

所述判断单元，用于判断迭代次数是否达到预设的最大迭代次数；若否，则返回所述更新单元；若是，则触发所述输出单元；

所述输出单元，用于输出最优解。

可选的，所述约束条件包括系统功率约束条件和不等式约束条件；

所述系统功率约束条件的公式如下，

其中，n为系统中的节点数；vi、vj分别是第i节点和第j节点电压幅值；pgi、qgi分别为第i台发电机有功功率和无功功率；pli、qli分别为第i节点有功功率负荷和无功功率负荷；δij为节点i和节点j之间的相角差；gij、bij分别为节点i和节点j之间互导纳的实部和虚部；

所述不等式约束条件的公式如下，

其中，vi为节点电压约束，tk为变压器分接头约束，qi为无功补偿约束。

可选的，所述目标函数包括系统网络损耗目标函数、节点电压偏移目标函数和静态电压稳定裕度目标函数；

所述系统网络损耗目标函数的公式如下，

其中，gij为i、j节点之间的支路电导；vi、vj分别为i、j节点的电压模值；θij为i、j节点之间的电压相角差；nl为系统总节点数；

所述节点电压偏移目标函数的公式如下，

其中，vi为节点i的实际电压，为节点i的理想电压，为节点i的最大允许电压偏移；

所述静态电压稳定裕度目标函数的公式如下，

maxf4＝δmin；

其中，δmin为以潮流计算收敛时的雅可比矩阵的最小奇异值。

可选的，所述组合混沌序列的表达式如下，

其中，x0、y0为粒子的初始值，n、μ为控制参数。

可选的，所述更新单元具体用于利用如下公式，对所述父代速度和所述父代位置进行更新操作，得到子代速度和子代位置；

其中，表示第i个粒子的第d维的父代速度；表示第i个粒子的第d维的子代速度；表示第i个粒子的第d维的父代位置；表示第i个粒子的第d维的子代位置；i＝1,2...m，d＝1,2,...,n；m为群体数目，n为粒子维数；ω为惯性权重，c1、c2为加速因子；r1、r2是介于[0，1]区间满足均匀分布的随机数；pid是第i个粒子的第d维在所述父代粒子群中的粒子最优位置；gid是所述父代粒子群在第d维上的种群最优位置。

可选的，所述更新单元包括计算子单元和调整子单元，

所述计算子单元，用于利用如下公式，计算出所述父代粒子群的平均速度的期望

其中，v0为所述父代粒子群的平均速度，tmax为最大迭代次数；t1＝0.4×tmax；k为一个变量值；

所述调整子单元，用于依据如下惯性权重规则对应的公式，调整所述子代粒子群的惯性权重，

其中，表示所述父代粒子群的实际速度，ωk表示所述父代粒子群的惯性权重；ωk+1表示所述子代粒子群的惯性权重。

可选的，所述处理单元具体用于利用公式xk+1＝f(μ,xk)＝μxk(1-xk)，得到混沌化处理后的子代粒子群，

其中，xk表示所述父代粒子群；xk+1表示所述子代粒子群。

可选的，所述保留单元包括计算子单元、确定子单元和得到子单元，

所述计算子单元，用于利用所述目标函数，计算出粒子群对应的变量(x1,x2,x3)及最优函数值(p1,p2,p3)；其中，所述目标函数包括系统网络损耗目标函数、节点电压偏移目标函数和静态电压稳定裕度目标函数；

所述确定子单元，用于计算各个目标函数的熵权值和模糊权值，确定出各个目标函数基于模糊熵权法的权值λ1、λ2、λ3；

所述得到子单元，用于依据所述权值，得到无功优化适应度函数；

所述确定子单元还用于依据所述无功优化适应度函数，确定出粒子最优位置和种群最优位置。

由上述技术方案可以看出，依据所述目标参数和约束条件，建立电力系统无功优化的目标函数；在初始化目标参数时，可以获取一个粒子的初始速度和初始位置；利用建立的组合混沌序列，对该粒子的速度和位置进行组合混沌操作，得到混沌初始粒子群中各个粒子各自对应的父代速度和父代位置；并将所述混沌初始粒子群作为父代粒子群；依据目标函数，可以确定出粒子最优位置和种群最优位置；依据设置的更新规则，对父代速度和父代位置进行更新操作，得到子代速度和子代位置；并依据子代速度和惯性权重规则，调整子代粒子群的惯性权重；利用目标函数，计算所述混沌化处理后的子代粒子群中各粒子的适应度，保留适应度最优的粒子作为下一次迭代的父代粒子群，完成对所述粒子最优位置和所述种群最优位置的更新；当迭代次数达到预设的最大迭代次数，则结束操作；若否，则重复上述更新粒子群的操作。通过利用组合混沌序列，提出组合混沌动态粒子群算法，提高了粒子群算法整体寻优性能，实现了电力系统的无功优化。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种电力系统无功优化方法的流程图；

图2为本发明实施例提供的一种电力系统无功优化装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

接下来，详细介绍本发明实施例所提供的一种电力系统无功优化方法。图1为本发明实施例提供的一种电力系统无功优化方法的流程图，该方法包括：

s10：初始化目标参数，获取一个粒子的初始速度和初始位置。

目标参数可以是算法中涉及的相关参数，包括种群规模、最大迭代次数、加速因子、惯性权重上限值以及发电机参数。

在初始化过程中，可以随机的将一个粒子的速度和位置进行初始化，获取该粒子的初始速度和初始位置。

s11：依据所述目标参数和约束条件，建立电力系统无功优化的目标函数。

在本发明实施例中，可以以系统网络损耗、节点电压偏移和静态电压稳定裕度建立多目标数学模型，也即目标函数可以包含有这三类函数。相应的，在建立目标函数之前，可以依据实际运行情况，设置约束条件，

约束条件可以包括系统功率约束条件和不等式约束条件；

所述系统功率约束条件的公式如下，

其中，n为系统中的节点数；vi、vj分别是第i节点和第j节点电压幅值；pgi、qgi分别为第i台发电机有功功率和无功功率；pli、qli分别为第i节点有功功率负荷和无功功率负荷；δij为节点i和节点j之间的相角差；gij、bij分别为节点i和节点j之间互导纳的实部和虚部；

所述不等式约束条件的公式如下，

其中，vi为节点电压约束，tk为变压器分接头约束，qi为无功补偿约束。

依据初始化后的目标参数以及上述约束条件，可以建立出系统网络损耗目标函数、节点电压偏移目标函数和静态电压稳定裕度目标函数，这三种类型的目标函数。

所述系统网络损耗目标函数的公式如下，

其中，gij为i、j节点之间的支路电导；vi、vj分别为i、j节点的电压模值；θij为i、j节点之间的电压相角差；nl为系统总节点数；

所述节点电压偏移目标函数的公式如下，

其中，vi为节点i的实际电压，为节点i的理想电压，为节点i的最大允许电压偏移；

所述静态电压稳定裕度目标函数的公式如下，

maxf4＝δmin；

其中，δmin为以潮流计算收敛时的雅可比矩阵的最小奇异值。

在本发明实施例中，也可以将静态电压稳定裕度目标函数转化为最优值为最小值的函数，即：

s12：利用建立的组合混沌序列，对所述粒子的所述初始速度和所述初始位置进行组合混沌操作，得到混沌初始粒子群中各个粒子各自对应的父代速度和父代位置；并将所述混沌初始粒子群作为父代粒子群。

pso算法是一种群体智能优化算法，针对算法搜索后期种群多样性的下降，引起粒子群算法陷入局部最优解的问题，本发明实施例在粒子初始化过程中引入混沌的思想。混沌运动能在一定范围内按其自身“规律”不重复地遍历所有状态，常被用来改进pso算法。典型的logistic映射数学方程为：

xn+1＝f(μ,xn)＝μxn(1-xn)

由于典型的logistic混沌系统对初值的依赖性比较强，在本发明实施例中将logistic映射与chebyshev映射相结合的组合混沌序列引入到pso算法的初始化过程中，以改善粒子分布的随机性和均匀性。

所述组合混沌序列的表达式如下，

其中，x0、y0为粒子的初始值，n、μ为控制参数。在实际应用中，可以令μ＝4，n＝4，此时系统处于完全混沌状。

在具体实现中，可以利用组合混沌序列对s10中得到的粒子的初始速度和初始位置，进行n-1次计算，可以产生n个混沌粒子，每个粒子有其对应的速度和位置；并对产生的n个粒子进行归一化逆操作，将[0,1]之间的变量转化为实际数值。

在该过程中，产生的n个混沌粒子即混沌初始粒子群，为后续介绍方便，可以将该混沌初始粒子群称为父代粒子群。

在本发明实施例中，需要进行多次迭代操作，确定出电力系统无功优化的最终结果，后续内容中均以一次迭代为例展开介绍，迭代前的粒子群作为父代粒子群，经过一次迭代后得到的粒子群作为子代粒子群，依次类推，从而完成多次迭代。

s13：利用所述目标函数，计算所述父代粒子群中各粒子的适应度，确定出粒子最优位置和种群最优位置。

粒子最优位置可以用于表示每一代中的每个粒子自身所处的最优位置，种群最优位置可以用于表示所有粒子中位置最优的那个粒子。

潮流计算后可以获知每个粒子的电压、有功、无功等(目标函数里的变量)，知道这些变量就能根据目标函数求出每个粒子的适应度。故此，在本发明实施例中，可以根据潮流计算的结果利用目标函数计算适应度，确定粒子本身经历最优位置、种群最优位置。

s14：依据设置的更新规则，对所述父代速度和所述父代位置进行更新操作，得到子代速度和子代位置；并依据所述子代速度和惯性权重规则，调整所述子代粒子群的惯性权重。

在具体实现中，利用如下公式(1)和公式(2)，对所述父代速度和所述父代位置进行更新操作，得到子代速度和子代位置；公式(1)和公式(2)可以看做是更新规则对应的公式。

其中，表示第i个粒子的第d维的父代速度；表示第i个粒子的第d维的子代速度；表示第i个粒子的第d维的父代位置；表示第i个粒子的第d维的子代位置；i＝1,2...m，d＝1,2,...,n；m为群体数目，n为粒子维数；ω为惯性权重，c1、c2为加速因子；r1、r2是介于[0，1]区间满足均匀分布的随机数；pid是第i个粒子的第d维在所述父代粒子群中的粒子最优位置；gid是所述父代粒子群在第d维上的种群最优位置。

由公式(1)可以看出粒子速度与惯性权重具有关联关系，惯性权重ω决定原有速度对现在速度的影响，平衡全局搜索能力和局部搜索能力的比例关系，大的ω有助于增强全局搜索能力，而小的ω有助于在当前位置做局部搜索。

在本发明实施例中可以采用动态惯性权重，当种群速度大于期望速度时，应该减小惯性权值；反之，则应该增大惯性权值。在每一次迭代时可以由惯性权重规则对应的公式动态调整惯性权重，假设初始的惯性权重为ω0，第k代种群粒子平均速度的期望为实际种群粒子的速度为第k代惯性权重为ωk，则第k+1代种群粒子的惯性权重按以下公式调整惯性权重，

以第k代种群粒子和第k+1代种群粒子为例，第k代种群粒子可以看做是父代粒子群，第k+1代种群粒子可以看做是子代粒子群；

其中，表示所述父代粒子群的实际速度，ωk表示所述父代粒子群的惯性权重；ωk+1表示所述子代粒子群的惯性权重。

根据实验测试结果可知p取1.05效果最佳，同时设定ω的上、下限值，当ωk+1＞ωmax时，取ωk+1＝ωmax；当ωk+1＜ωmin时，ωk+1＝ωmin。在粒子进化初期，为了加强算法的局部搜索能力，应保持较大的种群速度；在粒子进化后期，为了加强算法的全局寻优能力，应保持较小的种群速度。

在本发明实施例中，可以利用如下公式，计算出父代粒子群的平均速度的期望

其中，v0为所述父代粒子群的平均速度，tmax为最大迭代次数；t1＝0.4×tmax；k为一个变量值；在具体实现中，可以取k＝4。

s15：对所述子代粒子群中各粒子进行混沌化处理。

具体的，可以利用公式xk+1＝f(μ,xk)＝μxk(1-xk)，得到混沌化处理后的子代粒子群，其中，xk表示所述父代粒子群；xk+1表示所述子代粒子群。

s16：利用所述目标函数，计算所述混沌化处理后的子代粒子群中各粒子的适应度，保留适应度最优的粒子作为下一次迭代的父代粒子群，完成对所述粒子最优位置和所述种群最优位置的更新。

由上述介绍可知，目标函数包含有系统网络损耗目标函数、节点电压偏移目标函数和静态电压稳定裕度目标函数，这三种类型的函数。利用所述目标函数，可以计算出粒子群对应的变量(x1,x2,x3)及最优函数值(p1,p2,p3)；

计算各个目标函数的熵权值和模糊权值，确定出各个目标函数基于模糊熵权法的权值λ1、λ2、λ3；

依据所述权值，可以将多目标函数转化为单目标函数，从而得到无功优化适应度函数；依据所述无功优化适应度函数，确定出粒子最优位置和种群最优位置。

s17：判断迭代次数是否达到预设的最大迭代次数；若否，则返回所述s14；若是，则执行s18。

s18：输出最优解。

重复执行一次s14-s16即为进行了一次迭代过程。当迭代次数达到预设的最大迭代次数后，便可以输出电力系统无功优化的最优解，即输出粒子最优位置和种群最优位置。

由上述技术方案可以看出，依据所述目标参数和约束条件，建立电力系统无功优化的目标函数；在初始化目标参数时，可以获取一个粒子的初始速度和初始位置；利用建立的组合混沌序列，对该粒子的速度和位置进行组合混沌操作，得到混沌初始粒子群中各个粒子各自对应的父代速度和父代位置；并将所述混沌初始粒子群作为父代粒子群；依据目标函数，可以确定出粒子最优位置和种群最优位置；依据设置的更新规则，对父代速度和父代位置进行更新操作，得到子代速度和子代位置；并依据子代速度和惯性权重规则，调整子代粒子群的惯性权重；利用目标函数，计算所述混沌化处理后的子代粒子群中各粒子的适应度，保留适应度最优的粒子作为下一次迭代的父代粒子群，完成对所述粒子最优位置和所述种群最优位置的更新；当迭代次数达到预设的最大迭代次数，则结束操作；若否，则重复上述更新粒子群的操作。通过利用组合混沌序列，提出组合混沌动态粒子群算法，提高了粒子群算法整体寻优性能，实现了电力系统的无功优化。

图2为本发明实施例提供的一种电力系统无功优化装置的结构示意图，包括初始化单元21、建立单元22、混沌操作单元23、计算单元24、更新单元25、处理单元26、保留单元27、判断单元28和输出单元29，

所述初始化单元21，用于初始化目标参数，获取一个粒子的初始速度和初始位置；

所述建立单元22，用于依据所述目标参数和约束条件，建立电力系统无功优化的目标函数；

所述混沌操作单元23，用于利用建立的组合混沌序列，对所述粒子的所述初始速度和所述初始位置进行组合混沌操作，得到混沌初始粒子群中各个粒子各自对应的父代速度和父代位置；并将所述混沌初始粒子群作为父代粒子群；

所述计算单元24，用于利用所述目标函数，计算所述父代粒子群中各粒子的适应度，确定出粒子最优位置和种群最优位置；

所述更新单元25，用于依据设置的更新规则，对所述父代速度和所述父代位置进行更新操作，得到子代速度和子代位置；并依据所述子代速度和惯性权重规则，调整所述子代粒子群的惯性权重；

所述处理单元26，用于对所述子代粒子群中各粒子进行混沌化处理；

所述保留单元27，用于利用所述目标函数，计算所述混沌化处理后的子代粒子群中各粒子的适应度，保留适应度最优的粒子作为下一次迭代的父代粒子群，完成对所述粒子最优位置和所述种群最优位置的更新；

所述判断单元28，用于判断迭代次数是否达到预设的最大迭代次数；若否，则返回所述更新单元25；若是，则触发所述输出单元29。

所述输出单元29，用于输出最优解。

可选的，所述约束条件包括系统功率约束条件和不等式约束条件；

所述系统功率约束条件的公式如下，

其中，n为系统中的节点数；vi、vj分别是第i节点和第j节点电压幅值；pgi、qgi分别为第i台发电机有功功率和无功功率；pli、qli分别为第i节点有功功率负荷和无功功率负荷；δij为节点i和节点j之间的相角差；gij、bij分别为节点i和节点j之间互导纳的实部和虚部；

所述不等式约束条件的公式如下，

其中，vi为节点电压约束，tk为变压器分接头约束，qi为无功补偿约束。

可选的，所述目标函数包括系统网络损耗目标函数、节点电压偏移目标函数和静态电压稳定裕度目标函数；

所述系统网络损耗目标函数的公式如下，

其中，gij为i、j节点之间的支路电导；vi、vj分别为i、j节点的电压模值；θij为i、j节点之间的电压相角差；nl为系统总节点数；

所述节点电压偏移目标函数的公式如下，

其中，vi为节点i的实际电压，为节点i的理想电压，为节点i的最大允许电压偏移；

所述静态电压稳定裕度目标函数的公式如下，

maxf4＝δmin；

其中，δmin为以潮流计算收敛时的雅可比矩阵的最小奇异值。

可选的，所述组合混沌序列的表达式如下，

其中，x0、y0为粒子的初始值，n、μ为控制参数。

可选的，所述更新单元具体用于利用如下公式，对所述父代速度和所述父代位置进行更新操作，得到子代速度和子代位置；

其中，表示第i个粒子的第d维的父代速度；表示第i个粒子的第d维的子代速度；表示第i个粒子的第d维的父代位置；表示第i个粒子的第d维的子代位置；i＝1,2...m，d＝1,2,...,n；m为群体数目，n为粒子维数；ω为惯性权重，c1、c2为加速因子；r1、r2是介于[0，1]区间满足均匀分布的随机数；pid是第i个粒子的第d维在所述父代粒子群中的粒子最优位置；gid是所述父代粒子群在第d维上的种群最优位置。

可选的，所述更新单元包括计算子单元和调整子单元，

所述计算子单元，用于利用如下公式，计算出所述父代粒子群的平均速度的期望

其中，v0为所述父代粒子群的平均速度，tmax为最大迭代次数；t1＝0.4×tmax；k为一个变量值；

所述调整子单元，用于依据如下惯性权重规则对应的公式，调整所述子代粒子群的惯性权重，

其中，表示所述父代粒子群的实际速度，ωk表示所述父代粒子群的惯性权重；ωk+1表示所述子代粒子群的惯性权重。

可选的，所述处理单元具体用于利用公式xk+1＝f(μ,xk)＝μxk(1-xk)，得到混沌化处理后的子代粒子群，

其中，xk表示所述父代粒子群；xk+1表示所述子代粒子群。

可选的，所述保留单元包括计算子单元、确定子单元和得到子单元，

所述计算子单元，用于利用所述目标函数，计算出粒子群对应的变量(x1,x2,x3)及最优函数值(p1,p2,p3)；其中，所述目标函数包括系统网络损耗目标函数、节点电压偏移目标函数和静态电压稳定裕度目标函数；

所述确定子单元，用于计算各个目标函数的熵权值和模糊权值，确定出各个目标函数基于模糊熵权法的权值λ1、λ2、λ3；

所述得到子单元，用于依据所述权值，得到无功优化适应度函数；

所述确定子单元还用于依据所述无功优化适应度函数，确定出粒子最优位置和种群最优位置。

图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。

由上述技术方案可以看出，依据所述目标参数和约束条件，建立电力系统无功优化的目标函数；在初始化目标参数时，可以获取一个粒子的初始速度和初始位置；利用建立的组合混沌序列，对该粒子的速度和位置进行组合混沌操作，得到混沌初始粒子群中各个粒子各自对应的父代速度和父代位置；并将所述混沌初始粒子群作为父代粒子群；依据目标函数，可以确定出粒子最优位置和种群最优位置；依据设置的更新规则，对父代速度和父代位置进行更新操作，得到子代速度和子代位置；并依据子代速度和惯性权重规则，调整子代粒子群的惯性权重；利用目标函数，计算所述混沌化处理后的子代粒子群中各粒子的适应度，保留适应度最优的粒子作为下一次迭代的父代粒子群，完成对所述粒子最优位置和所述种群最优位置的更新；当迭代次数达到预设的最大迭代次数，则结束操作；若否，则重复上述更新粒子群的操作。通过利用组合混沌序列，提出组合混沌动态粒子群算法，提高了粒子群算法整体寻优性能，实现了电力系统的无功优化。

以上对本发明实施例所提供的一种电力系统无功优化方法与装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。