一种基于LSSVM负荷预测的电力系统无功优化方法及终端与流程

一种基于lssvm负荷预测的电力系统无功优化方法及终端
技术领域
1.本发明涉及电力系统无功优化技术领域，尤其涉及一种基于lssvm负荷预测的电力系统无功优化方法及终端。


背景技术：

2.电力系统在实际运行时，时刻都存在着电能质量问题，如电压偏差过大、运行损耗较大等。利用传统方式解决电能质量问题时，往往是利用电能质量问题发生后的上一时刻运行值寻求解决方案，而求解过程需要一定的时间，方案的获取与电网的运行存在时间差，无法满足实时调节电网运行状态的需求。
3.随着电力系统网架结构的庞大化与复杂化，每天都会产生大量的运行数据，合理运用这些数据，能够为电网运行调度、发电厂安排机组出力等带来有效的帮助。利用电力系统的历史运行数据，依据影响负荷变化的各类因素，对电力系统的负荷进行预测，是提高电力系统运行时的可靠性与经济性、提高用户侧的电能质量的重要手段。负荷预测分为长期负荷预测、中期负荷预测和短期负荷预测，但分类时并没有统一的标准。在进行负荷预测时，需要选取与负荷变化规律相关的特征量进行预测计算，如天气、温度、湿度等，同时还应考虑负荷的地理位置与运行时的日类型。传统的负荷预测方法有时间序列法、回归分析法等，这些方法有求解速度快、计算量小等优点，但在应用于大系统时，由于模型较为简单、无法满足预测的精度等局限性，从而限制了其运用范围。
4.随着计算机技术的不断发展，人工智能技术不断发展，将人工智能技术运用到电力系统运行调度是当下的研究热点。人工智能、机器学习等方面的发展，为负荷预测带来了新的求解思路。机器学习成功应用于负荷预测的预测方法主要有bp神经网络法、专家预测法、模糊逻辑方法等，但这些方法对初值的选取较为敏感，且隐含点数很难确定。
5.随着电力系统中各种分布式电源(如光伏发电、风力发电等)接入数量的增加，发电出力不稳定，导致电网的电压水平较以前更加不稳定。系统的无功功率的分布情况是影响系统电压水平的主要因素之一，当系统无功功率富余时，会导致部分节点的电压水平偏高；而当系统中无功功率无法满足负荷需求时，则某些节点的电压水平会偏低，从而使系统的电能质量下降，用户侧的用电受到一定程度的影响。在对电压进行调节时，会采用一些调压措施，如改变变压器分接头、投入静电电容器等。这些调压措施的本质是对系统的无功分布进行调整，从而使各节点的电压达到运行要求。
6.电力系统的无功优化是一个在电网运行中时刻存在的问题，如何将系统的无功功率分布调节到最优，使电网的电压水平合格并使整个系统的运行经济效益达到最高，是无功优化的主要任务。无功优化属于混合整数带约束问题，既包含连续变量也包含离散变量，求解时还需要满足系统的潮流约束要求以及各变量的操作和安全运行要求，这就导致无功优化变得十分复杂。为了解决无功优化问题，陆续有人将线性规划法(如灵敏度分析法、内点法等)、非线性规划法(简化梯度法、牛顿法等)、动态规划法等应用到了无功优化领域，也取得的较好的效果，这些无功优化方法均是利用上一时刻的潮流计算结果对系统进行优化
计算，采用这一思路，无法满足电力系统实时调节电压水平的要求。


技术实现要素：

7.本发明所要解决的技术问题是：提供一种基于lssvm负荷预测的电力系统无功优化方法及终端，能够提高电力系统无功优化的实时性和有效性。
8.为了解决上述技术问题，本发明采用的一种技术方案为：
9.一种基于lssvm负荷预测的电力系统无功优化方法，包括步骤：
10.获取电力系统的目标预测节点的负荷历史数据集；
11.使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；
12.基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。
13.为了解决上述技术问题，本发明采用的另一种技术方案为：
14.一种基于lssvm负荷预测的电力系统无功优化终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
15.获取电力系统的目标预测节点的负荷历史数据集；
16.使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；
17.基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。
18.本发明的有益效果在于：使用最小二乘支持向量机模型基于负荷历史数据集对目标预测节点进行短期负荷预测，得到预测负荷值，基于预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值，利用最小二乘支持向量机模型对节点进行短期负荷预测(least squares support vector machine，lssvm)能够简化预测过程，并提升预测精度，再结合改进蜉蝣算法进行寻优计算，能为实际运行调节提供实时的预选调整策略，提高了调节的实时性以及无功优化结果的优值率，从而提高电力系统无功优化的实时性和有效性。
附图说明
19.图1为本发明实施例的一种基于lssvm负荷预测的电力系统无功优化方法的步骤流程图；
20.图2为本发明实施例的一种基于lssvm负荷预测的电力系统无功优化终端的结构示意图；
21.图3为本发明实施例基于lssvm负荷预测的电力系统无功优化方法中的无功优化流程示意图；
22.图4为本发明实施例基于lssvm负荷预测的电力系统无功优化方法中的变量上下限设定示意图；
23.图5为本发明实施例基于lssvm负荷预测的电力系统无功优化方法中的负荷的预测值和实际值的对比示意图；
24.图6为本发明实施例基于lssvm负荷预测的电力系统无功优化方法中的改进蜉蝣
算法的收敛曲线示意图；
25.图7为本发明实施例基于lssvm负荷预测的电力系统无功优化方法中的无功补偿设备各时刻投切组数示意图。
具体实施方式
26.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
27.请参照图1，本发明实施例提供了一种基于lssvm负荷预测的电力系统无功优化方法，包括步骤：
28.获取电力系统的目标预测节点的负荷历史数据集；
29.使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；
30.基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。
31.从上述描述可知，本发明的有益效果在于：使用最小二乘支持向量机模型基于负荷历史数据集对目标预测节点进行短期负荷预测，得到预测负荷值，基于预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值，利用最小二乘支持向量机模型对节点进行短期负荷预测(least squares support vector machine，lssvm)能够简化预测过程，并提升预测精度，再结合改进蜉蝣算法进行寻优计算，能为实际运行调节提供实时的预选调整策略，提高了调节的实时性以及无功优化结果的优值率，从而提高电力系统无功优化的实时性和有效性。
32.进一步地，所述基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值包括：
33.获取所述电力系统的原始数据，所述原始数据包括原始负荷值；
34.将所述预测负荷值替代所述原始负荷值，得到替代后的负荷值；
35.基于所述替代后的负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值。
36.由上述描述可知，将预测负荷值替代原始负荷值，再基于替代后的负荷值使用改进蜉蝣算法进行计算，实现了在无功优化中引入短期负荷预测，可为电力系统每一时刻的电能质量调节提供一个预选方案，使最终的调节策略更加精确且实时性也得到了保证。
37.进一步地，所述基于所述替代后的负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值包括：
38.初始化种群数量和最大迭代次数；
39.确定所述电力系统的控制变量，并确定所述控制变量的取值范围；
40.根据所述控制变量的取值范围随机生成雌雄蜉蝣种群，并将所述控制变量作为所述雌雄蜉蝣种群的位置；
41.确定所述控制变量的初始值，并根据所述初始值进行潮流计算，得到初始总有功网损；
42.将所述初始总有功网损确定为所述雌雄蜉蝣种群的适应度值，并初始化个体最优位置、全局最优位置和速度；
43.基于所述雌雄蜉蝣种群、所述速度、所述位置和所述适应度值更新所述个体最优
位置和所述全局最优位置，并基于所述雌雄蜉蝣种群确定优秀个体；
44.将所述优秀个体作为新的雌雄蜉蝣种群；
45.获取当前迭代次数，并判断所述当前迭代次数是否达到所述最大迭代次数，若是，则退出迭代，并输出最优解，若否，则根据所述基于所述雌雄蜉蝣种群、所述速度、所述位置和所述适应度值更新所述个体最优位置和所述全局最优位置步骤。
46.由上述描述可知，基于改进蜉蝣算法进行无功优化具有较强的寻优能力，对电力系统中的控制变量的大小进行优化，达到了降低整体有功网损的目的。
47.进一步地，所述雌雄蜉蝣种群包括雌蜉蝣种群和雄蜉蝣种群；
48.所述位置包括第一位置和第二位置；
49.所述适应度值包括第一适应度值和第二适应度值；
50.所述速度包括第一速度和第二速度；
51.所述基于所述雌雄蜉蝣种群、所述速度、所述位置和所述适应度值更新所述个体最优位置和所述全局最优位置，并基于所述雌雄蜉蝣种群确定优秀个体包括：
52.按照雌蜉蝣速度更新规则更新所述雌蜉蝣种群的所述第一速度，得到第一更新后的速度，并根据所述第一更新后的速度对所述第一位置进行更新，得到第一更新后的位置；
53.将所述第一更新后的位置进行潮流计算，得到第一新的总有功网损，并将所述第一新的总有功网损更新所述雌蜉蝣种群的所述第一适应度值，得到第一更新后的适应度值；
54.将所述第一更新后的适应度值与所述个体最优位置进行适应度值比较，得到第一比较结果，根据所述第一比较结果更新所述个体最优位置；
55.按照雄蜉蝣速度更新规则更新所述雄蜉蝣种群的所述第二速度，得到第二更新后的速度，并根据所述第二更新后的速度对所述第二位置进行更新，得到第二更新后的位置；
56.将所述第二更新后的位置进行潮流计算，得到第二新的总有功网损，并将所述第二新的总有功网损更新所述雄蜉蝣种群的所述第二适应度值，得到第二更新后的适应度值；
57.将所述第二更新后的适应度值与所述个体最优位置以及所述全局最优位置进行适应度值比较，得到第二比较结果，根据所述第二比较结果更新所述个体最优位置和所述全局最优位置；
58.将所述雌蜉蝣种群和所述雄蜉蝣种群按照适应度值进行交配操作，得到子代蜉蝣；
59.按照适应度值从所述雌蜉蝣种群、所述雄蜉蝣种群和所述子代蜉蝣中筛选得到优秀个体。
60.由上述描述可知，将雌蜉蝣种群和雄蜉蝣种群按照不同的更新规则更新速度和位置，并根据更新后的位置确定适应度值，进而更新个体最优位置和全局最优位置，通过一次次的迭代不断接近最优解，在每次迭代结束后按照适应度值从雌蜉蝣种群、雄蜉蝣种群和子代蜉蝣中筛选得到优秀个体，增强了算法的搜索能力，从而提高电力系统无功优化的有效性。
61.进一步地，所述第一更新后的速度为：
[0062][0063]
式中，g表示惯性权重系数，表示雌蜉蝣种群中的第i个雌蜉蝣个体在第n次迭代中的第j维度上的第一速度，a3表示正吸引系数，β表示雌雄蜉蝣种群的固定能见度系数，r
mf
表示雌蜉蝣种群与对应的雄蜉蝣种群的欧式距离，表示雄蜉蝣种群中第i个雄蜉蝣个体在第n次迭代中的第j维度上的第二位置，表示雌蜉蝣种群中第i个雌蜉蝣个体在第n次迭代中的第j维度上的第一位置，levy(λ)表示跳跃步长服从levy分布的随机搜索向量，表示矢量运算，gbestj表示第j维度上全局的最佳位置；
[0064]
所述第一更新后的位置为：
[0065][0066]
所述第二更新后的速度为：
[0067][0068]
式中，表示雄蜉蝣种群中的第i个雄蜉蝣个体在第n次迭代中的第j维度上的第二速度，a1表示个体认知成分的大小，a2表示社会认知成分的大小，pbest
ij
表示雄蜉蝣种群中第i个雄蜉蝣在第j维度上到过的最佳位置；
[0069]
所述第二更新后的位置为：
[0070][0071]
进一步地，所述初始化种群数量和最大迭代次数时还包括：
[0072]
初始化惯性权重系数的最小值和惯性权重系数的最大值；
[0073]
所述惯性权重系数g为；
[0074]
g＝g
min
+(g
max-g
min
)*rand()+θ*randn()；
[0075]
式中，g
min
表示所述惯性权重系数的最小值，g
max
表示所述惯性权重系数的最大值，rand()表示(0，1)内均匀分布的随机数，randn()表示正态分布的随机数，θ表示惯性权重系数与其数学期望的偏差程度。
[0076]
由上述描述可知，改进蜉蝣算法结合了levy飞行以及随机惯性权重系数两者的优点，大大降低了算法在进行无功优化时陷入局部最优的概率，大幅提高了无功优化结果的优值率，从而提高电力系统无功优化的有效性。
[0077]
进一步地，所述个体最优位置包括与所述个体最优对应的个体最优适应度值；
[0078]
所述全局最优位置包括与所述全局最优位置对应的全局最优适应度值；
[0079]
所述将所述第一更新后的适应度值与所述个体最优位置进行适应度值比较，得到
第一比较结果，根据所述第一比较结果更新所述个体最优位置包括：
[0080]
判断所述第一更新后的适应度值是否优于所述个体最优适应度值，若是，则根据所述第一更新后的位置更新所述个体最优位置，若否，则不更新所述个体最优位置；
[0081]
所述将所述第二更新后的适应度值与所述个体最优位置以及所述全局最优位置进行适应度值比较，得到第二比较结果，根据所述第二比较结果更新所述个体最优位置和所述全局最优位置包括：
[0082]
判断所述第二更新后的适应度值是否优于所述个体最优位置适应度值，若是，则根据所述第二更新后的位置更新所述个体最优位置，若否，则不更新所述个体最优位置；
[0083]
判断所述第二更新后的适应度值是否优于所述全局最优位置适应度值，若是，则根据所述第二更新后的位置更新所述全局最优位置，若否，则不更新所述全局最优位置。
[0084]
由上述描述可知，蜉蝣算法主要是通过观察自然界中蜉蝣的生活习性而提出的，雌雄蜉蝣位置更新公式不同，雄蜉蝣需进行全局最优位置比较，而雌蜉蝣不需要，主要是遵循自然界中雌雄蜉蝣生活习性的不同；自然界中，雄蜉蝣喜欢成群聚集，所以其位置的移动主要依据自身所到过最优位置以及全局最优位置来进行；雌蜉蝣与雄蜉蝣不同，雌蜉蝣不会成群聚集，所以其飞行位置的移动主要取决于与其配对的雄性蜉蝣，从而保证了算法的有效性。
[0085]
进一步地，所述将所述雌蜉蝣种群和所述雄蜉蝣种群按照适应度值进行交配操作，得到子代蜉蝣包括：
[0086]
将所述雌蜉蝣种群中的雌蜉蝣个体和所述雄蜉蝣种群中的雄蜉蝣个体分别按照适应度值进行排序，得到排序后的雌蜉蝣个体和排序后的雄蜉蝣个体；
[0087]
根据所述排序后的雌蜉蝣个体和排序后的雄蜉蝣个体进行交配操作，得到子代蜉蝣；
[0088]
所述按照适应度值从所述雌蜉蝣种群、所述雄蜉蝣种群和所述子代蜉蝣中筛选得到优秀个体包括：
[0089]
按照预设变异率从所述子代蜉蝣中确定部分子代蜉蝣，并对所述部分子代蜉蝣进行变异操作，得到变异后的子代蜉蝣；
[0090]
将所述雌蜉蝣种群、所述雄蜉蝣种群、所述子代蜉蝣和所述变异后的子代蜉蝣按照适应度值进行排序，得到排序后的所有蜉蝣；
[0091]
根据所述种群数量从所述排序后的所有蜉蝣中筛选得到优秀个体。
[0092]
进一步地，所述子代蜉蝣包括第一子代蜉蝣和第二子代蜉蝣；
[0093]
所述第一子代蜉蝣offspring1为：
[0094]
offspring1＝l*xm+(1-l)x
fm
；
[0095]
式中，l表示随机数，xm表示排序后的雄蜉蝣个体中的第m个雄蜉蝣个体，x
fm
表示排序后的雌蜉蝣个体中的第fm个雌蜉蝣个体；
[0096]
所述第二子代蜉蝣offspring2为：
[0097]
offspring2＝l*x
fm
+(1-l)xm；
[0098]
所述变异后的子代蜉蝣offspring
′n为：
[0099]
offspring
′n＝offspringn+σn(0，1)；
[0100]
式中，offspringn表示所述部分子代蜉蝣，σ表示正态分布的标准差，n(0，1)表示
平均值为0，方差为1的标准正态分布。
[0101]
由上述描述可知，将雌雄蜉蝣进行交配操作得到子代蜉蝣，再将子代蜉蝣进行变异操作，通过使用带交配和变异行为的蜉蝣算法相较于传统的粒子群算法能够提高解的多样性以及全局搜索能力，使算法对于电力系统无功优化具有更好的适用性，从而确保了电力系统无功优化的可靠性。
[0102]
请参照图2，本发明另一实施例提供了一种基于lssvm负荷预测的电力系统无功优化终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于lssvm负荷预测的电力系统无功优化方法中的各个步骤。
[0103]
本发明上述的基于lssvm负荷预测的电力系统无功优化方法及终端适用于需要进行无功优化的电力系统中，以下通过具体实施方式进行说明：
[0104]
实施例一
[0105]
请参照图1和图3-图7，本实施例的一种基于lssvm负荷预测的电力系统无功优化方法，包括步骤：
[0106]
s1、获取电力系统的目标预测节点的负荷历史数据集；
[0107]
具体的，获取电力系统的目标预测节点的预设时间段内的负荷历史数据集；
[0108]
在一种可选的实施方式中，由于需要进行短期负荷预测，距离预测日过于久远的负荷历史数据与预测日的相关性较小，因此，所述预设时间段为前33天；
[0109]
比如，将电力系统ieee33节点的第33节点作为目标预测节点，获取该目标预测节点前33天中每一天24小时内的每一整点的负荷历史数据，得到负荷历史数据集，如图3所示；
[0110]
s2、使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；
[0111]
其中，所述负荷历史数据集包括负荷值、平均温度、平均湿度以及日类型；
[0112]
具体的，使用最小二乘支持向量机模型基于负荷历史数据集对目标预测节点进行短期负荷预测，得到24小时内的每一整点的预测负荷值，如图5所示，图5展示了负荷的预测值和实际值的对比；
[0113]
s3、基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值，具体包括：
[0114]
s30、确定改进蜉蝣算法的目标函数及约束条件；
[0115]
在本实施例中，所述约束条件包括有功潮流约束、无功潮流约束以及并联电容器补偿容量约束；
[0116]
其中，所述目标函数为全网的总有功网损最小，具体为：
[0117][0118]
式中，vi表示第i节点的节点电压，vj表示第j节点的节点电压，g
ij
表示第i节点与第j节点的互导纳，θ
ij
表示第i节点与第j节点的相角差，n表示支路总数；
[0119]
所述有功潮流约束、无功潮流约束以及并联电容器补偿容量的约束为：
[0120][0121]
式中，δpi表示有功潮流约束，δqi表示无功潮流约束，p
gi
表示第i节点的发电机有功出力，q
gi
表示第i节点的发电机无功出力，p
li
表示第i节点的有功负荷，q
ci
表示第i节点的无功补偿装置的无功输出，g
ij
表示第i节点与第j节点之间的电导，b
ij
表示第i节点i与第j节点之间的电纳，q
cimin
表示无功最小补偿量，q
cimax
表示无功最大补偿量，nq表示电力系统无功补偿点数，n
l
表示电力系统节点的个数，u
imin
表示节点电压幅值下限值，ui表示节点电压幅值大小，u
imax
表示节点电压幅值上限值；
[0122]
s31、获取所述电力系统的原始数据，所述原始数据包括原始负荷值；
[0123]
在另一种可选的实施方式中，所述原始数据还包括节点信息和支路信息；
[0124]
s32、将所述预测负荷值替代所述原始负荷值，得到替代后的负荷值；
[0125]
s33、基于所述替代后的负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值，具体包括：
[0126]
s331、初始化种群数量和最大迭代次数；
[0127]
具体的，初始化种群数量、最大迭代次数和速度上下限；
[0128]
s332、确定所述电力系统的控制变量，并确定所述控制变量的取值范围；
[0129]
其中，所述控制变量为并联电容器组数，即为无功补偿装置(如图4中的无功补偿设备)；
[0130]
在另一种可选的实施方式中，还确定所述电力系统的状态变量，所述状态变量为各节点电压和各节点相角，并确定所述各节点电压的取值范围，如图4所示，图4中体现了并联电容器的电纳上下限值，并联电容器的工作原理为投入电网后是对节点的对地电纳值进行修正，所以这里用电纳来表征电容器的投入组数，则0.1/pu.的电纳值代表1组电容器，各节点电压和各节点相角能反映出节点负荷的组成情况，与电压幅值共同反映出系统的运行状态；
[0131]
s333、根据所述控制变量的取值范围随机生成雌雄蜉蝣种群，并将所述控制变量作为所述雌雄蜉蝣种群的位置；
[0132]
其中，所述雌雄蜉蝣种群包括雌蜉蝣种群和雄蜉蝣种群；
[0133]
所述位置包括第一位置和第二位置；
[0134]
具体的，在预设目标节点接入电容器组，根据控制变量的取值范围以及各节点电压的取值范围随机生成雌雄蜉蝣种群，并将控制变量作为雌雄蜉蝣种群的位置；
[0135]
在一种可选的实施方式中，所述预设目标节点为第6节点、第11节点、第25节点和第33节点；
[0136]
s334、确定所述控制变量的初始值，并根据所述初始值进行潮流计算，得到初始总
有功网损；
[0137]
具体的，确定所述控制变量的初始值，并根据所述初始值进行潮流计算，得到初始总有功网损、电压幅值和相位，统称为初始潮流，其为后续迭代计算提供初始参考值，相当于种群中的个体的初始位置，后续的迭代计算将依据该位置进行不断寻优，从而找到最终解；
[0138]
s335、将所述初始总有功网损确定为所述雌雄蜉蝣种群的适应度值，并初始化个体最优位置、全局最优位置和速度；
[0139]
其中，所述适应度值包括第一适应度值和第二适应度值；
[0140]
所述速度包括第一速度和第二速度；
[0141]
所述个体最优位置包括与所述个体最优对应的个体最优适应度值；
[0142]
所述全局最优位置包括与所述全局最优位置对应的全局最优适应度值；
[0143]
具体的，将所述初始总有功网损确定为所述雌雄蜉蝣种群的适应度值，并初始化个体最优位置、全局最优位置，根据所述速度上下限初始化速度；
[0144]
在一种可选的实施方式中，所述速度的初始值为0；
[0145]
s336、基于所述雌雄蜉蝣种群、所述速度、所述位置和所述适应度值更新所述个体最优位置和所述全局最优位置，并基于所述雌雄蜉蝣种群确定优秀个体，具体包括：
[0146]
s3361、按照雌蜉蝣速度更新规则更新所述雌蜉蝣种群的所述第一速度，得到第一更新后的速度，并根据所述第一更新后的速度对所述第一位置进行更新，得到第一更新后的位置；
[0147]
其中，所述第一更新后的速度为：
[0148][0149]
式中，f(yi)表示雌蜉蝣的适应度值，f(xi)表示雄蜉蝣的适应度值，g表示惯性权重系数，表示雌蜉蝣种群中的第i个雌蜉蝣个体在第n次迭代中的第j维度上的第一速度，a3表示正吸引系数，β表示雌雄蜉蝣种群的固定能见度系数，r
mf
表示雌蜉蝣种群与对应的雄蜉蝣种群的欧式距离，表示雄蜉蝣种群中第i个雄蜉蝣个体在第n次迭代中的第j维度上的第二位置，表示雌蜉蝣种群中第i个雌蜉蝣个体在第n次迭代中的第j维度上的第一位置，levy(λ)表示跳跃步长服从levy分布的随机搜索向量，表示矢量运算，gbestj表示第j维度上全局的最佳位置；
[0150]
所述第一更新后的位置为：
[0151][0152]
执行所述s331时，还包括：初始化惯性权重系数的最小值和惯性权重系数的最大值；
[0153]
所述惯性权重系数g为；
[0154]
g＝g
min
+(g
max-g
min
)*rand()+θ*randn()；
[0155]
式中，g
min
表示所述惯性权重系数的最小值，g
max
表示所述惯性权重系数的最大值，rand()表示(0，1)内均匀分布的随机数，randn()表示正态分布的随机数，θ表示惯性权重系数与其数学期望的偏差程度；
[0156]
s3362、将所述第一更新后的位置进行潮流计算，得到第一新的总有功网损，并将所述第一新的总有功网损更新所述雌蜉蝣种群的所述第一适应度值，得到第一更新后的适应度值；
[0157]
具体的，将所述第一更新后的位置、所述节点信息和所述支路信息进行潮流计算，得到第一新的总有功网损，并将所述第一新的总有功网损更新所述雌蜉蝣种群的所述第一适应度值，得到第一更新后的适应度值；
[0158]
s3363、将所述第一更新后的适应度值与所述个体最优位置进行适应度值比较，得到第一比较结果，根据所述第一比较结果更新所述个体最优位置，具体包括：
[0159]
判断所述第一更新后的适应度值是否优于所述个体最优适应度值，若是，则根据所述第一更新后的位置更新所述个体最优位置，若否，则不更新所述个体最优位置；
[0160]
s3364、按照雄蜉蝣速度更新规则更新所述雄蜉蝣种群的所述第二速度，得到第二更新后的速度，并根据所述第二更新后的速度对所述第二位置进行更新，得到第二更新后的位置；
[0161]
其中，所述第二更新后的速度为：
[0162][0163]
式中，表示雄蜉蝣种群中的第i个雄蜉蝣个体在第n次迭代中的第j维度上的第二速度，a1表示个体认知成分的大小，a2表示社会认知成分的大小，pbest
ij
表示雄蜉蝣种群中第i个雄蜉蝣在第j维度上到过的最佳位置，f(gbest)表示全局最优位置的适应度值；
[0164]
所述第二更新后的位置为：
[0165][0166]
s3365、将所述第二更新后的位置进行潮流计算，得到第二新的总有功网损，并将所述第二新的总有功网损更新所述雄蜉蝣种群的所述第二适应度值，得到第二更新后的适应度值；
[0167]
s3366、将所述第二更新后的适应度值与所述个体最优位置以及所述全局最优位置进行适应度值比较，得到第二比较结果，根据所述第二比较结果更新所述个体最优位置和所述全局最优位置，具体包括：
[0168]
s33661、判断所述第二更新后的适应度值是否优于所述个体最优位置适应度值，若是，则根据所述第二更新后的位置更新所述个体最优位置，若否，则不更新所述个体最优位置；
[0169]
s33662、判断所述第二更新后的适应度值是否优于所述全局最优位置适应度值，若是，则根据所述第二更新后的位置更新所述全局最优位置，若否，则不更新所述全局最优位置；
[0170]
适应度值代表的是本次迭代寻优的目标函数值，每个个体在求解空间飞行时，都会将自身到达过的最优位置记录下来，该位置即为个体最优位置，对应的适应度值称为个体最优适应度值，在每次迭代后，个体的位置都会发生变化，新的位置会对应一个新的适应度值，将其与历史个体最优位置的适应度值做比较，若该位置对应的适应度值优于(优于即相对于目标函数而言，若目标函数设定为寻找最小值，则适应度值越小越优；若目标函数设定为寻找最大值，则适应度值越大越优；本实施例的目标函数为寻找最小值)历史最优位置的适应度值，则将此新位置作为个体最优位置，对应的适应度值取代历史个体最优适应度值，否则保持历史个体最优不变；
[0171]
s3367、将所述雌蜉蝣种群和所述雄蜉蝣种群按照适应度值进行交配操作，得到子代蜉蝣，具体包括：
[0172]
s33671、将所述雌蜉蝣种群中的雌蜉蝣个体和所述雄蜉蝣种群中的雄蜉蝣个体分别按照适应度值进行排序，得到排序后的雌蜉蝣个体和排序后的雄蜉蝣个体；
[0173]
具体的，将雌蜉蝣种群中的雌蜉蝣个体和雄蜉蝣种群中的雄蜉蝣个体分别按照适应度值由大到小进行排序，得到排序后的雌蜉蝣个体和排序后的雄蜉蝣个体；
[0174]
s33672、根据所述排序后的雌蜉蝣个体和排序后的雄蜉蝣个体进行交配操作，得到子代蜉蝣；
[0175]
具体的，将排位相同的排序后的雌蜉蝣个体和排序后的雄蜉蝣个体进行交配操作，得到子代蜉蝣；
[0176]
比如，排序后的雌蜉蝣个体为a、b、c、d，排序后的雄蜉蝣个体为a、b、c、d，那么将a与a进行交配，b与b进行交配，依次类推，得到子代蜉蝣；
[0177]
其中，所述子代蜉蝣包括第一子代蜉蝣和第二子代蜉蝣；
[0178]
所述第一子代蜉蝣offspring1为：
[0179]
offspring1＝l*xm+(1-l)x
fm
；
[0180]
式中，l表示随机数，xm表示排序后的雄蜉蝣个体中的第m个雄蜉蝣个体，x
fm
表示排序后的雌蜉蝣个体中的第fm个雌蜉蝣个体；
[0181]
所述第二子代蜉蝣offspring2为：
[0182]
offspring2＝l*x
fm
+(1-l)xm；
[0183]
s3368、按照适应度值从所述雌蜉蝣种群、所述雄蜉蝣种群和所述子代蜉蝣中筛选得到优秀个体，具体包括：
[0184]
s33681、按照预设变异率从所述子代蜉蝣中确定部分子代蜉蝣，并对所述部分子代蜉蝣进行变异操作，得到变异后的子代蜉蝣；
[0185]
具体的，按照预设变异率确定部分子代蜉蝣个数，根据部分子代蜉蝣个数从子代蜉蝣中随机确定部分子代蜉蝣，并对所述部分子代蜉蝣进行变异操作，得到变异后的子代蜉蝣；
[0186]
其中，部分子代蜉蝣个数＝预设变异率
×
种群数量；
[0187]
所述变异后的子代蜉蝣offspring
′n为：
[0188]
offspring
′n＝offspringn+σn(0，1)；
[0189]
式中，offspringn表示所述部分子代蜉蝣，σ表示正态分布的标准差，n(0，1)表示平均值为0，方差为1的标准正态分布；
[0190]
在得到子代蜉蝣以及得到变异后的子代蜉蝣后均进行适应度值计算，并更新全局最优位置，其计算方式与雄、雌蜉蝣的计算方式相同，其更新方式与雄蜉蝣的更新方式相同，在此不再赘述，由于子代蜉蝣由雄蜉蝣和雌蜉蝣产生，因此其位置和速度在产生后变不再进行更新，而变异的子代蜉蝣是由某几个子代蜉蝣变异产生，产生后位置和速度也不会再发生变化；
[0191]
s33682、将所述雌蜉蝣种群、所述雄蜉蝣种群、所述子代蜉蝣和所述变异后的子代蜉蝣按照适应度值进行排序，得到排序后的所有蜉蝣；
[0192]
具体的，将雌蜉蝣种群、雄蜉蝣种群、子代蜉蝣和变异后的子代蜉蝣按照适应度值由大到小进行排序，得到排序后的所有蜉蝣；
[0193]
s33683、根据所述种群数量从所述排序后的所有蜉蝣中筛选得到优秀个体；
[0194]
具体的，根据种群数量按序从排序后的所有蜉蝣中筛选得到优秀个体；
[0195]
s337、将所述优秀个体作为新的雌雄蜉蝣种群；
[0196]
s338、获取当前迭代次数，并判断所述当前迭代次数是否达到所述最大迭代次数，若是，则退出迭代，并输出最优解，若否，则根据所述新的雌雄蜉蝣种群返回s336；
[0197]
所述最优解即各个时刻应投入的并联电容器组数，为无功补偿设备调节策略，而总有功网损与节点电压大小则是用来表征最优解实施后的系统状态；将s338得到的无功补偿设备调节策略代入到含原始负荷值的电力系统中去，计算该天24小时内的总有功网损，另外，对含原始负荷值的电力系统利用改进蜉蝣算法进行无功优化，得到其无功优化策略以及优化后该天的总有功网损，然后再对电力系统先使用最小二乘支持向量机模型进行短期负荷预测，再使用改进蜉蝣算法进行无功优化，得到无功优化结果，将前后二者的无功优化结果进行比较，如表1所示，表1展示了直接利用原始负荷值对电力系统进行无功优化和先短期负荷预测后进行无功优化的各控制变量值，如图6所示，图6展示了适应度值收敛曲线的对比，如图7所示，如图7展示了各个时刻电容器的投切组数；
[0198]
表1 ieee33节点电力系统无功优化结果对比(p.u.)
[0199][0200]
从图5可知，由于lssvm(least squares support vector machine，最小二乘支持向量机模型)存在缺陷，预测出的数据与实际数据存在一定偏差，各时刻平均相对误差为2.06％，但负荷变化趋势基本一致，在针对ieee33节点系统进行无功优化时，本发明提出先对节点的负荷进行短期预测，再利用本发明提出的引入levy飞行和随机惯性权重系数的改进蜉蝣算法对电力系统进行无功优化，与仅利用原始数据进行优化的优化结果对比，从表1
可知，直接利用原始数据进行无功优化时，总有功网损为1.6347mw，降损效益为47.36％，而利用本发明的方法进行无功优化时，24小时的总有功网损为1.6431mw，降损效益为47.09％，优化效果与利用原始数据优化相差0.25％；本发明的无功优化方法虽然预测数据与实际数据存在一定偏差，导致了最终优化得出的补偿策略与实际策略存在一定偏差，但误差在允许范围内，利用本发明的基于lssvm负荷预测的电力系统无功优化方法能为实际运行提供系统调节的预选方案，既保证了系统运行的经济性，又保证了系统调节的实时性；
[0201]
如图6所示，设定的迭代次数为300次，在经过300次的迭代计算后，本发明的改进蜉蝣算法可收敛至全局最优解处；在迭代前期，由于基础的ma算法(蜉蝣算法，mayfly algorithm)存在一定的缺陷，迭代到一定次数时，会收敛至局部最优解处，而本发明的改进蜉蝣算法，将levy飞行以及随机惯性权重系数加入ma算法，能帮助求解过程跳脱出局部最优解，从而沿着全局最优的方向继续进化，且改进蜉蝣算法引入了新的位置更新规则，增强了寻优过程中种群的多样性以及跳脱局部最优的能力，使ma算法的全局搜索能力得到提升；
[0202]
综上所述，本发明上述的基于lssvm负荷预测的电力系统无功优化方法对于电力系统无功优化领域有较好的适用性，寻优速度快，准确率高，算法中进行的交配操作和变异操作，增加了寻优过程中解的多样性，增强了全局搜索能力；将levy飞行与随机惯性权重系数加入到位置更新规则中，提高了算法摆脱局部最优的能力，避免“早熟”现象的发生，同时在算法的求解前期进行短期负荷预测，能为电力系统在下一阶段的运行调整提供预选方案，既改善了传统无功优化方法无法保证实时性的问题，又增强了系统无功优化求解的有效性。
[0203]
实施例二
[0204]
请参照图2，本实施例的一种基于lssvm负荷预测的电力系统无功优化终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中的基于lssvm负荷预测的电力系统无功优化方法中的各个步骤。
[0205]
综上所述，本发明提供的一种基于lssvm负荷预测的电力系统无功优化方法及终端，获取电力系统的目标预测节点的负荷历史数据集；使用最小二乘支持向量机模型基于所述负荷历史数据集对所述目标预测节点进行短期负荷预测，得到预测负荷值；基于所述预测负荷值使用改进蜉蝣算法进行计算，得到最优无功优化值，改进蜉蝣算法结合了levy飞行以及随机惯性权重系数两者的优点，大大降低了算法在进行无功优化时陷入局部最优的概率，大幅提高了无功优化结果的优值率；算法执行过程中，将雌蜉蝣种群和雄蜉蝣种群按照不同的更新规则更新速度和位置，并根据更新后的位置确定适应度值，进而更新个体最优位置和全局最优位置，通过一次次的迭代不断接近最优解，在每次迭代结束后按照适应度值从雌蜉蝣种群、雄蜉蝣种群和子代蜉蝣中筛选得到优秀个体，增强了算法的搜索能力，通过使用带交配和变异行为的蜉蝣算法相较于传统的粒子群算法能够提高解的多样性以及全局搜索能力，使算法对于电力系统无功优化具有更好的适用性，从而提高电力系统无功优化的实时性和有效性。
[0206]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括
在本发明的专利保护范围内。