基于人工蜂群算法的最優(yōu)潮流相關(guān)技術(shù)研究.pdf

1、隨著分布式電源的大規(guī)模并網(wǎng)以及電動汽車等柔性負荷的快速發(fā)展使得現(xiàn)代電力系統(tǒng)變得越來越復(fù)雜。最優(yōu)潮流作為電力系統(tǒng)規(guī)劃、經(jīng)濟調(diào)度和市場交易等方面的分析工具，可以有效地對復(fù)雜電力系統(tǒng)的安全性、經(jīng)濟性及穩(wěn)定性進行綜合優(yōu)化計算，但其本質(zhì)是一個多約束的、離散連續(xù)變量共存的、多維的非線性優(yōu)化問題，選擇合適的求解方法直接決定了最優(yōu)潮流解的有效性及優(yōu)越性。
　　人工蜂群算法作為一種新穎的智能優(yōu)化算法，在處理非線性、多約束、多變量、非連續(xù)、非凸等優(yōu)化

2、問題上具有一定優(yōu)勢，已在人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練、圖像識別、語音識別等領(lǐng)域得到廣泛應(yīng)用。然而，人工蜂群算法與其它智能優(yōu)化算法發(fā)展類似，在初始研究階段依然存在一些問題需要解決，例如提高該算法的收斂速度及計算精度。為此，本文以基于人工蜂群算法的最優(yōu)潮流相關(guān)技術(shù)研究作為課題，通過對人工蜂群算法的深入研究，為電力系統(tǒng)的單目標/多目標最優(yōu)潮流問題提供一種新的求解方法，從而為采用最優(yōu)潮流作為計算工具的電力系統(tǒng)問題提供更加豐富的分析及決策信息。本文的主要研究

3、內(nèi)容如下:
　　(1)分析了人工蜂群算法尋優(yōu)時各階段的數(shù)學(xué)模型，采用幾個標準數(shù)值測試函數(shù)對人工蜂群算法的優(yōu)化性能進行了仿真計算，結(jié)果表明:人工蜂群算法具有較高的收斂特性，能有效地處理數(shù)值優(yōu)化問題。
　　(2)針對人工蜂群算法在處理低維度優(yōu)化問題時具有較高的尋優(yōu)能力，但求解高維度優(yōu)化問題時易陷入局部最優(yōu)的缺點，提出了一種混沌差分人工蜂群算法。該改進算法采用差分進化算法的變異、交叉操作代替標準人工蜂群算法新蜜源的搜索操作，以提高

4、算法的局部搜索能力;利用混沌映射中的Tent映射生成算法的初始種群、變異操作中的參考蜜源以及交叉操作中的參考維數(shù)，以增加種群的多樣性。
　　(3)分析了典型最優(yōu)潮流的數(shù)學(xué)模型，分別從經(jīng)濟、環(huán)保、電能質(zhì)量三方面建立最優(yōu)潮流的目標函數(shù)，即總發(fā)電成本、有功網(wǎng)損、總污染物排放量及電壓偏離量。針對多個目標函數(shù)，采用最大模糊滿意度法將其模糊處理，形成模糊多目標最優(yōu)潮流模型。建立了基于混沌差分人工蜂群算法的模糊多目標最優(yōu)潮流求解模型。仿真結(jié)果表

5、明:所建立的求解模型可以有效地、可靠地解決最優(yōu)潮流問題，并且得到的最優(yōu)潮流運行方案可以進一步提高系統(tǒng)的經(jīng)濟性、電壓水平以及降低對環(huán)境的污染程度。
　　(4)為了獲得質(zhì)量更高的Pareto最優(yōu)前沿，研究并提出了一種改進的多目標人工蜂群算法。該改進算法通過變異和交叉操作獲得新可行解，采用快速非支配排序獲得各可行解支配信息以及更新外部存檔，利用目標函數(shù)以及擁擠距離的綜合信息來計算可行解被待工蜂選擇的概率值，通過計算擁擠距離來實時控制外部

6、存檔的大小，利用外部存檔中的Pareto最優(yōu)前沿作為算法尋優(yōu)時的參考蜜源。在此基礎(chǔ)上，建立了基于改進的多目標人工蜂群算法的多目標最優(yōu)潮流求解模型。該求解模型先采用所提出的算法獲得Pareto最優(yōu)前沿，再利用K均值聚類法對最優(yōu)前沿進行聚類，最后采用模糊集理論方法進行決策分析。仿真計算表明:所提出的改進的多目標人工蜂群算法在求解Pareto最優(yōu)前沿時具有有效性、可靠性及優(yōu)越性;所建立的多目標最優(yōu)潮流求解模型可以從Pareto最優(yōu)前沿中選擇出

7、更滿意、更優(yōu)異的運行決策方案。
　　(5)針對系統(tǒng)含有風(fēng)電及負荷不確定因素的最優(yōu)潮流問題，建立了考慮風(fēng)電接入及負荷隨機變化的多目標概率最優(yōu)潮流模型。該模型以發(fā)電成本的期望值及標準差作為目標函數(shù)，將狀態(tài)變量違反程度的期望值以懲罰項形式加入到目標函數(shù)中。針對所建立的模型，提出了兩種求解方法。第一種方法:將多目標概率最優(yōu)潮流采用模糊數(shù)學(xué)轉(zhuǎn)換成單目標概率最優(yōu)潮流，再利用基于拉丁超立方采樣的改進人工蜂群算法進行求解。第二種方法:直接通過基于