基于免疫遺傳算法的配電網(wǎng)無(wú)功優(yōu)化研究.pdf

1、系統(tǒng)無(wú)功分布的合理與否直接影響著電力系統(tǒng)的安全與穩(wěn)定，并與經(jīng)濟(jì)效益直接掛鉤。無(wú)功優(yōu)化控制是保證電力系統(tǒng)安全、經(jīng)濟(jì)運(yùn)行的一項(xiàng)有效手段，是降低網(wǎng)絡(luò)有功網(wǎng)損，提高電壓質(zhì)量的重要措施。因此電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題的研究既具有理論意義，又具有實(shí)際應(yīng)用價(jià)值。 本文在查閱大量文獻(xiàn)的基礎(chǔ)上，對(duì)無(wú)功優(yōu)化的方法進(jìn)行了研究。目前，無(wú)功優(yōu)化方法主要有線性規(guī)劃法，非線性規(guī)劃法，混合整數(shù)規(guī)劃法，動(dòng)態(tài)規(guī)劃法等傳統(tǒng)的數(shù)學(xué)優(yōu)化方法，以及人工智能優(yōu)化算法。將傳統(tǒng)數(shù)學(xué)優(yōu)

2、化方法應(yīng)用于無(wú)功優(yōu)化研究，在電力系統(tǒng)無(wú)功優(yōu)化中已經(jīng)取得了較好的成果，但普遍存在一些局限性。傳統(tǒng)數(shù)學(xué)優(yōu)化方法依賴十分精確的數(shù)學(xué)模型，但精確的數(shù)學(xué)模型較復(fù)雜，求解困難，且難以適應(yīng)實(shí)時(shí)控制要求，而粗略的數(shù)學(xué)模型又存在較大的誤差。近年來(lái)，人工智能優(yōu)化算法在解決多變量、非線性、不連續(xù)、多約束的問(wèn)題時(shí)顯示出獨(dú)特的優(yōu)勢(shì)，彌補(bǔ)了傳統(tǒng)的數(shù)學(xué)規(guī)劃方法的不足，在無(wú)功優(yōu)化領(lǐng)域中的應(yīng)用日益為人們所重視。 目前，以遺傳算法為代表的人工智能方法被廣泛應(yīng)用于無(wú)

3、功優(yōu)化領(lǐng)域。遺傳算法是目前應(yīng)用最廣的優(yōu)化搜索算法之一，但基本遺傳算法易陷入局部最優(yōu)，在有些時(shí)候收斂速度過(guò)慢，這使得基本遺傳算法很難找到全局最優(yōu)。如何能夠使遺傳算法盡可能快地跳出局部最優(yōu)和如何能夠提高遺傳算法的收斂速度，是遺傳算法面臨的主要問(wèn)題。 針對(duì)無(wú)功優(yōu)化問(wèn)題的特點(diǎn)和遺傳算法存在的局限性，本文采用了一種新的免疫遺傳算法用于無(wú)功優(yōu)化研究。該算法依據(jù)自然免疫響應(yīng)的特點(diǎn)，將克隆選擇，克隆擴(kuò)增，高頻變異，未被激發(fā)的細(xì)胞消亡及記憶細(xì)胞的

4、產(chǎn)生，免疫補(bǔ)充等免疫機(jī)制引入到基本遺傳算法中，對(duì)遺傳算法進(jìn)行了改進(jìn)。 本文算法的框架與遺傳算法相似，但采用高頻變異操作和保留記憶細(xì)胞群體，增加了群體的多樣性，保留了更多且不同的最優(yōu)個(gè)體，并隨進(jìn)化過(guò)程的進(jìn)行而不斷更新這些個(gè)體，這樣能加快找到全局最優(yōu)值；免疫算法還采用克隆擴(kuò)增和免疫補(bǔ)充兩個(gè)操作，前者使得算法通過(guò)變異能在當(dāng)前種群最優(yōu)點(diǎn)處進(jìn)行多方向搜索，從而提高了獲得全局最優(yōu)解的概率；后者通過(guò)在每一代引入新個(gè)體，保證了種群的多樣性，避免

5、了封閉競(jìng)爭(zhēng)問(wèn)題，從而加速找到全局最優(yōu)值。首先，將免疫遺傳算法用于一組多模態(tài)函數(shù)優(yōu)化測(cè)試及PID控制器參數(shù)優(yōu)化整定,仿真結(jié)果表明本文采用的免疫遺傳算法比遺傳算法有更快的收斂速度和更高的收斂精度。 接著，將免疫遺傳算法用于無(wú)功優(yōu)化。電力系統(tǒng)的無(wú)功優(yōu)化問(wèn)題是一個(gè)多變量、多約束的混合非線性規(guī)劃問(wèn)題，其操作既有離散變量，又有連續(xù)變量。本文采用十進(jìn)制整數(shù)與實(shí)數(shù)混合的編碼方式，對(duì)離散變量通過(guò)映射采用整數(shù)編碼，既避免了在實(shí)數(shù)編碼中由于截?cái)嘈?shù)部