改进粒子群算法在无功优化中的应用
粒子群算法/无功优化/电力系统/配电网
1 引言
电力系统无功优化可以改善系统的潮流分布、提高电压水平并且可以降低系统网损,可以达到提高供电质量、电力传
输能力和降低供电成本的目的。所以,无功优化越来越引起学术界的关注,从而提出了很多的优化理论,其中包括前期的传
统的数学归纳法和随后产生的人工智能优化理论[1]。
本文采用改进粒子群算法对电力系统进行无功优化,粒子群算法相对其他算法而言,参数设置简单,收敛性较好,收敛速度
较快。但是在处理电力系统无功优化这样的复杂问题时,时而会出现陷入局部最优的缺点,所以本文从权重系数和不活动
因子两个方向对粒子群算法进行了一定的改进,使改进后的算法更具全局寻优能力。
2 粒子群优化算法
2.1 基本粒子群算法
利用 PSO 求解问题时,问题的解对应于搜索空间中一只鸟的位置,称这些鸟为“粒子”(particle)。每个粒子都对应着自己
的位置和速度,而位置和速度决定粒子飞行的方向和距离,还有一个由被优化函数决定的适应值。每个粒子会记忆并追随
当前的最优粒子,在解空间中搜索。每次迭代的过程不是完全随机的,如果在搜寻中找到较好解,就将会以此较好解为依据
来寻找下一个解[2]。
令 PSO 初始化为一群随机粒子(随机解),粒子 i 的信息可以用 n 维向量来表示,位置表示为,速度表示为,其他向量类似。
在每一次迭代中,粒子通过跟踪两个极值来更新自己的速度和位置:第一个就是粒子本身所找到的最好解,叫做个体极值点
(用表示其位置),另一个是整个种群目前找到的最好解,称为全局极值点(用表示其位置)。在找到这两个最好解后,粒子根据
如下式(1)和 式(2)来更新自己的速度和位置[3]。
式中:m 表示粒子的总数,n 表示粒子搜索空间的维数,t 为当前迭代次数,
和
为学习因子;
和
是介于[0,1]的随机
数;
为粒子进化过程中得最大速度。
2.2 改进粒子群算法
1. 权重系数上的改进
在最初的粒子群算法中,速度的更新是没有权重系数的,而随着科技的进步,被优化问题的复杂化,在粒子的速度更新中引
入了权重系数,它有效的提高了粒子群算法的探测和开发的能力权。重系数 是影响 PSO 算法收敛性能的重要参数,控制
着粒子的历史速度对当前速度的影响程度。而权重系数 一般是取常数的。当
较大时,粒子具有相对较强的扩