基于免疫遺傳算法的配電網(wǎng)無功優(yōu)化研究.pdf

1、系統(tǒng)無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)濟效益直接掛鉤。無功優(yōu)化控制是保證電力系統(tǒng)安全、經(jīng)濟運行的一項有效手段，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)無功優(yōu)化問題的研究既具有理論意義，又具有實際應(yīng)用價值。 本文在查閱大量文獻的基礎(chǔ)上，對無功優(yōu)化的方法進行了研究。目前，無功優(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)用于無功優(yōu)化研究，在電力系統(tǒng)無功優(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)實時控制要求，而粗略的數(shù)學(xué)模型又存在較大的誤差。近年來，人工智能優(yōu)化算法在解決多變量、非線性、不連續(xù)、多約束的問題時顯示出獨特的優(yōu)勢，彌補了傳統(tǒng)的數(shù)學(xué)規(guī)劃方法的不足，在無功優(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

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)，在有些時候收斂速度過慢，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題。 針對無功優(yōu)化問題的特點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功優(yōu)化研究。該算法依據(jù)自然免疫響應(yīng)的特點，將克隆選擇，克隆擴增，高頻變異，未被激發(fā)的細胞消亡及記憶細胞的

4、產(chǎn)生，免疫補充等免疫機制引入到基本遺傳算法中，對遺傳算法進行了改進。 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)個體，并隨進化過程的進行而不斷更新這些個體，這樣能加快找到全局最優(yōu)值；免疫算法還采用克隆擴增和免疫補充兩個操作，前者使得算法通過變異能在當(dāng)前種群最優(yōu)點處進行多方向搜索，從而提高了獲得全局最優(yōu)解的概率；后者通過在每一代引入新個體，保證了種群的多樣性，避免

5、了封閉競爭問題，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功優(yōu)化。電力系統(tǒng)的無功優(yōu)化問題是一個多變量、多約束的混合非線性規(guī)劃問題，其操作既有離散變量，又有連續(xù)變量。本文采用十進制整數(shù)與實數(shù)混合的編碼方式，對離散變量通過映射采用整數(shù)編碼，既避免了在實數(shù)編碼中由于截斷小數(shù)部