智能算法在電力系統(tǒng)無(wú)功優(yōu)化中的應(yīng)用綜述參考模板

1、智能算法在電力系統(tǒng)的無(wú)功優(yōu)化中的應(yīng)用1 引言電力系統(tǒng)的無(wú)功優(yōu)化問(wèn)題主要包括對(duì)電力系統(tǒng)中的電力無(wú)功補(bǔ)償裝置投入的地點(diǎn)、容量的確認(rèn)，以及發(fā)電機(jī)端電壓的配合和載調(diào)壓變壓器分接頭的調(diào)節(jié)等，因此，電力系統(tǒng)中的無(wú)功優(yōu)化問(wèn)題就是一個(gè)帶有大量約束條件的非線性規(guī)劃問(wèn)題。由于電力系統(tǒng)在社會(huì)發(fā)展過(guò)程中的重要作用，長(zhǎng)期以來(lái)很多專家和學(xué)者都對(duì)電力系統(tǒng)中的無(wú)功優(yōu)化問(wèn)題進(jìn)行了大量的研究，并且采用很多方法來(lái)對(duì)電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題進(jìn)行求解。自從二十世紀(jì)六十年代，J. Carpentier提出了電力系統(tǒng)最優(yōu)潮流數(shù)學(xué)模型之后，對(duì)電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題的研究更是得到了長(zhǎng)足的發(fā)展。目前，隨著各種數(shù)學(xué)優(yōu)化方法和信息技術(shù)的發(fā)展，電力系統(tǒng)的無(wú)

2、功優(yōu)化問(wèn)題的研究也進(jìn)入了一個(gè)新的領(lǐng)域1。目前電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題的算法主要有經(jīng)典數(shù)學(xué)優(yōu)化方法和人工智能優(yōu)化方法兩種。絕大多數(shù)的學(xué)者研究把連接電源點(diǎn)和負(fù)荷點(diǎn)或兩個(gè)負(fù)荷點(diǎn)之間的饋線段作為研究對(duì)象，把這條線路作為最小的接線單元，用近年來(lái)出現(xiàn)的智能算法進(jìn)行尋優(yōu)，如遺傳算法、免疫算法、禁忌搜索算法、粒子群算法、蟻群算法、模擬退火算法等。2 無(wú)功優(yōu)化的數(shù)學(xué)模型無(wú)功優(yōu)化問(wèn)題在數(shù)學(xué)上可以描述為:在給定系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)以及系統(tǒng)負(fù)荷的條件下，確定系統(tǒng)的控制變量，滿足各種等式、不等式約束，使得描述系統(tǒng)運(yùn)行效益的某個(gè)給定目標(biāo)函數(shù)取極值。其數(shù)學(xué)模型2表示為: （2.1）式中，f表示目標(biāo)函數(shù)，u是控制變量，包括發(fā)電機(jī)的

3、機(jī)端電壓、有載調(diào)壓變壓器的變比、無(wú)功補(bǔ)償裝置的容量;x是狀態(tài)變量，通常包括各節(jié)點(diǎn)電壓和發(fā)電機(jī)的無(wú)功出力。無(wú)功優(yōu)化模型有很多種類，大體有以下幾種模型:1)以系統(tǒng)的有功網(wǎng)損最小為優(yōu)化的目標(biāo)函數(shù)，在減少系統(tǒng)有功功率損耗的同時(shí)改善電壓質(zhì)量: (2.2)其中: 表示所有支路的集合，表示系統(tǒng)的總節(jié)點(diǎn)數(shù)，分別為節(jié)點(diǎn)i，j的電壓， 是節(jié)點(diǎn)i，j的相角差。2)以系統(tǒng)的總無(wú)功補(bǔ)償量最小為目標(biāo)函數(shù)，這樣能使總的補(bǔ)償費(fèi)用達(dá)到最小2 / 10 （2.3）式中，表示節(jié)點(diǎn)i的無(wú)功補(bǔ)償年費(fèi)用系數(shù)，為補(bǔ)償總結(jié)點(diǎn)數(shù)，為節(jié)點(diǎn)i的無(wú)功補(bǔ)償容量，為有功網(wǎng)損費(fèi)用系數(shù)，為系統(tǒng)有功網(wǎng)損。3)以全系統(tǒng)火電機(jī)組燃料的總費(fèi)用為目標(biāo)函數(shù)，即 （2.

4、4）式中，是全系統(tǒng)所有發(fā)電機(jī)的集合，為第i臺(tái)發(fā)電機(jī)的耗量特性，一般用二次多項(xiàng)式表示，為第i臺(tái)發(fā)電機(jī)的有功出力。3 智能算法3.1 遺傳算法遺傳算法直接對(duì)求解對(duì)象進(jìn)行選擇、交叉和變異操作，遺傳算法的主要特點(diǎn)是對(duì)參數(shù)編碼進(jìn)行操作，而不是對(duì)參數(shù)本身；同時(shí)對(duì)多個(gè)點(diǎn)的編碼進(jìn)行搜索，采用隨機(jī)轉(zhuǎn)換規(guī)則，而非確定性規(guī)則3。遺傳算法以其簡(jiǎn)單通用、魯棒性強(qiáng)、應(yīng)用范圍廣、符合并行處理要求等特點(diǎn)，使得遺傳算成為了二十一世紀(jì)最關(guān)鍵的智能計(jì)算之一。在遺傳算法眾多的應(yīng)用領(lǐng)域中，組合優(yōu)化是遺傳算法最基本、最終要的應(yīng)用領(lǐng)域之一4。組合優(yōu)化問(wèn)題實(shí)質(zhì)在有限的、離散的數(shù)學(xué)結(jié)構(gòu)上，找到一個(gè)能夠滿足所有約束條件，并且能夠取到目標(biāo)函數(shù)最大

5、值和最小值的解。例如電力系統(tǒng)的無(wú)功優(yōu)化問(wèn)題就是一個(gè)典型的組合優(yōu)化問(wèn)題。3.1.1 遺傳算法的原理簡(jiǎn)單遺傳算法的遺傳方式比較簡(jiǎn)潔，即在轉(zhuǎn)盤賭選擇、單點(diǎn)交叉及變異等遺傳操作下進(jìn)行優(yōu)化，這種選擇方法是主要是根據(jù)依據(jù)每個(gè)個(gè)體的適應(yīng)度值在整個(gè)種群中的比重來(lái)判斷是否被選擇，所以個(gè)體被選中的概率與其適應(yīng)度值成正例的關(guān)系5。它所需要時(shí)間長(zhǎng)，一般不采用。假設(shè)群體規(guī)模為N， 為群體中第i個(gè)染色體的適應(yīng)度值，它被選擇的概率 為:，i=1，2，3，N。再將圓盤分成N份，每份扇形的中心角度為 。則其選擇實(shí)現(xiàn)步驟是:在0，1范圍內(nèi)隨機(jī)產(chǎn)生一個(gè)隨機(jī)數(shù)r，若，則選擇個(gè)體，這樣可知個(gè)體的適應(yīng)度值越大，該個(gè)體所占的扇形空間就大，

6、則被選中的可能性也就越大。所以選擇方法是按照適者生存的原則來(lái)進(jìn)行的，只有適應(yīng)度值大的個(gè)體才有機(jī)會(huì)被保留在下一代群體中，從而可提高整個(gè)群體的平均適應(yīng)度值。3.1.2 遺傳算法改進(jìn)措施該改進(jìn)遺傳算法的策略思想是構(gòu)造一套賦予每個(gè)個(gè)體繁殖次數(shù)的算法，根據(jù)個(gè)體在下一代群體中的生存數(shù)目來(lái)確定它繁殖后代的次數(shù)。個(gè)體的繁殖次數(shù)越多，被選中的概率就越大，它繁殖后代的幾率就越大;相反個(gè)體的繁殖次數(shù)越少，被選中的概率就越小，它繁殖后代的幾率就越小，該算法充分體現(xiàn)出遺傳算法中優(yōu)勝劣汰的思想。它的優(yōu)點(diǎn)是容易實(shí)施操作，不僅提高了算法的搜索速度，還有利于全局最優(yōu)解的搜索6。基于以上的描述，賦予每個(gè)個(gè)體繁殖次數(shù)的選擇策略具體

7、操作過(guò)程如下:1） 計(jì)算群體中各個(gè)個(gè)體適應(yīng)度值，i=1，2，N；2） 計(jì)算群體中所有個(gè)體適應(yīng)度值的和 ；3） 計(jì)算群體中各個(gè)個(gè)體在下一代群體中的期望的繁殖次數(shù) （2.5）其中， 為調(diào)整因子，一般取。4） 隨機(jī)選擇種群中的一個(gè)個(gè)體，如果它的生存數(shù)目大于0，這個(gè)個(gè)體就被選中，用來(lái)繁殖一次后代，然后它的繁殖數(shù)目減1。如果等于0，則被舍棄。3.1.3 遺傳算法應(yīng)用于電力系統(tǒng)的無(wú)功優(yōu)化文獻(xiàn)7認(rèn)真研究了簡(jiǎn)遺傳算法在無(wú)功優(yōu)化中的應(yīng)用，作為一種以網(wǎng)損微增率為核心的優(yōu)化方法，該方法具有簡(jiǎn)單方便、優(yōu)化速度快等特點(diǎn)。文獻(xiàn)8針對(duì)電力系統(tǒng)的無(wú)功優(yōu)化問(wèn)題，建立以電力系統(tǒng)中，電能損耗最小作為電力系統(tǒng)無(wú)功優(yōu)化問(wèn)題的目標(biāo)函數(shù)，

8、并且發(fā)電機(jī)無(wú)功越限、節(jié)點(diǎn)電壓越限作為問(wèn)題的懲罰函數(shù)來(lái)進(jìn)行電力系統(tǒng)無(wú)功優(yōu)化數(shù)學(xué)模型的研究。然后，針對(duì)電力系統(tǒng)無(wú)功優(yōu)化的特點(diǎn)，進(jìn)行遺傳算法的改進(jìn)，并且對(duì)改進(jìn)遺傳算法中的染色體編碼算法，選擇、變異、交叉等遺傳算子，適應(yīng)度函數(shù)的設(shè)計(jì)以及終止條件的確定等方面，對(duì)改進(jìn)遺傳算法的設(shè)計(jì)進(jìn)行研究。3.2 粒子群算法粒子群優(yōu)化算法（Particle Swarm Optimization，簡(jiǎn)稱PS0)是一種基于群體智能的隨機(jī)搜索優(yōu)化算法，最早由Kennedy和Eberhart于1995年提出。該算法最初源于對(duì)鳥(niǎo)群捕食行為的研究，后來(lái)發(fā)現(xiàn)粒子群是一種很好的優(yōu)化工具。與其他進(jìn)化算法相類似，粒子群算法通過(guò)個(gè)體間的協(xié)作與競(jìng)

9、爭(zhēng)，實(shí)現(xiàn)復(fù)雜空間中最優(yōu)解的搜索9。粒子群算法首先隨機(jī)生成初始種群，在可行解空間中隨機(jī)產(chǎn)生一群粒子(潛在的解)，每個(gè)粒子將在解空間中運(yùn)動(dòng)，并在粒子的每一維中有一個(gè)速度決定其前進(jìn)的方向。通常粒子追隨當(dāng)前的最優(yōu)粒子而動(dòng)，并逐代搜索最后得到最優(yōu)解。在每一代中，粒子將跟蹤兩個(gè)極值，一為粒子本身迄今找到的最優(yōu)解pbest另一為全種群迄今找到的最優(yōu)解動(dòng)gbest，粒子群中每個(gè)粒子通過(guò)跟蹤自己和群體所發(fā)現(xiàn)的最優(yōu)值，不斷修正自己的前進(jìn)方向和速度，從而實(shí)現(xiàn)尋優(yōu)10。3.2.1 粒子群算法的步驟基本粒子群算法步驟如下11:步驟1:初始化。設(shè)定粒子群參數(shù):種群規(guī)模N，維數(shù)D，搜索空間上下限和，學(xué)習(xí)因子c1和c2，算法

10、最大迭代次數(shù)，粒子速度范圍，隨機(jī)初始化粒子的位置和速度，選擇適應(yīng)度目標(biāo)函數(shù)。步驟2:選取適應(yīng)度目標(biāo)函數(shù)并計(jì)算粒子的適應(yīng)度值。將粒子的當(dāng)前適應(yīng)度和位置作為粒子的個(gè)體最優(yōu)值和最優(yōu)位置，從個(gè)體最優(yōu)值中找出適應(yīng)度值最好的粒子最優(yōu)值作為全局最優(yōu)值，并記錄其位置為。步驟3:對(duì)粒子速度和位置進(jìn)行更新。步驟4:將更新后的適應(yīng)度值和粒子自身的個(gè)體最優(yōu)值進(jìn)行比較，若更新后的適應(yīng)度值更加優(yōu)秀，則用其替換原個(gè)體最優(yōu)值，并更新當(dāng)前最優(yōu)位置，將更新后的各粒子最優(yōu)值t與原全局最優(yōu)值，進(jìn)行比較，若更新后的適應(yīng)度值更加優(yōu)秀，更新全局最優(yōu)值和全局最優(yōu)粒子位置。步驟5:判斷是否滿足終止條件。根據(jù)設(shè)定的判別條件進(jìn)行判別(通常為最大迭

11、代次數(shù)或最小誤差)，如果滿足判別條件，則停止迭代，輸出最優(yōu)解。否則返回步驟3，繼續(xù)進(jìn)行迭代。步驟6:輸出最優(yōu)值和最優(yōu)位置，算法運(yùn)行結(jié)束。3.2.2 粒子群算法改進(jìn)措施粒子群算法由于其迭代后期容易陷入局部最優(yōu)，收斂精度低，易發(fā)散等缺點(diǎn)，需要對(duì)粒子群算法進(jìn)行一些修正和改進(jìn)，主要有以下三點(diǎn)措施: (1)基于粒子群中各種參數(shù)的改進(jìn)，主要包括:慣性權(quán)重的調(diào)節(jié)，學(xué)習(xí)因子的改進(jìn)，種群規(guī)模的選取，算法終止條件的設(shè)定等； (2)與其他優(yōu)化算法相結(jié)合，取長(zhǎng)補(bǔ)短，有針對(duì)性的進(jìn)行改進(jìn)； (3)算法拓?fù)浣Y(jié)構(gòu)的改進(jìn)，拓?fù)浣Y(jié)構(gòu)主要分為全局版和局部版兩種，可針對(duì)這兩種分別進(jìn)行改進(jìn)。文獻(xiàn)12為了解決慣性權(quán)重的費(fèi)時(shí)低效問(wèn)題，提出

12、了一種非線性動(dòng)態(tài)策略基于反正切函數(shù)的慣性權(quán)重。 在粒子群算法的公式中，學(xué)習(xí)因子cl和c2決定了粒子自身經(jīng)驗(yàn)和群體經(jīng)驗(yàn)對(duì)粒子運(yùn)動(dòng)軌跡的影響，反映了粒子間信息交流的強(qiáng)弱，因此合理的設(shè)置c1和c2將有利于種群盡快的尋找到最優(yōu)解。文獻(xiàn)13提出一種線性調(diào)整學(xué)習(xí)因子的策略，它的主導(dǎo)思想是c1先大后小，c2先小后大，總體來(lái)說(shuō)就是，在粒子群進(jìn)行搜索的初始階段，粒子的飛行主要依照粒子本身的經(jīng)驗(yàn)，當(dāng)搜索到后期階段時(shí)，粒子的飛行更加注重群體社會(huì)的經(jīng)驗(yàn)。該方法經(jīng)過(guò)驗(yàn)證能得到理想的效果，但是由于后期種群的多樣性喪失，容易早熟收斂。3.2.3 粒子群算法應(yīng)用與電力系統(tǒng)無(wú)功優(yōu)化 文獻(xiàn)14將自適應(yīng)粒子群算法應(yīng)用于IEEE30

13、節(jié)點(diǎn)系統(tǒng)的無(wú)功優(yōu)化問(wèn)題中，通過(guò)在優(yōu)化過(guò)程中自動(dòng)調(diào)節(jié)粒子群算法的有關(guān)參數(shù)實(shí)現(xiàn)無(wú)功的優(yōu)化計(jì)算。文獻(xiàn)15應(yīng)用粒子群算法求解電力系統(tǒng)的最優(yōu)潮流問(wèn)題，根據(jù)模擬退火原理確定粒子群算法的慣性權(quán)重因子值，以改進(jìn)粒子群算法的性能，仿真計(jì)算結(jié)果顯示，粒子群算法在解決最優(yōu)潮流問(wèn)題時(shí)有很好的應(yīng)用前景。 3.3 蟻群算法受蟻群在覓食過(guò)程中總能找到一條從蟻巢到食物源的最短路徑啟發(fā)，意大利Dorigo M，Maniezzo V，Colorni A等人經(jīng)過(guò)大量的觀察和實(shí)驗(yàn)發(fā)現(xiàn)，螞蟻在覓食過(guò)程中留下了一種外激素，又叫信息激素。它是螞蟻分泌的一種化學(xué)物質(zhì)，螞蟻在尋找食物的時(shí)候會(huì)在經(jīng)過(guò)的路上留下這種物質(zhì)，以便在回巢時(shí)不至十迷路，而

14、且方便找到回巢的最好路徑。由此，Dorigo M等人首先提出了一種新的啟發(fā)式優(yōu)化算法，叫蟻群算法(ACA)。蟻群算法是最新發(fā)展的一種模擬昆蟲(chóng)土國(guó)中螞蟻群體智能行為的仿生優(yōu)化算法，它具有較強(qiáng)的魯棒性、優(yōu)良的分布式計(jì)算機(jī)制、易十與其他方法相結(jié)合等優(yōu)點(diǎn)。該算法首先用十求解著名的旅行商問(wèn)題(簡(jiǎn)稱TSP )并獲得了較好的效果。在上個(gè)世紀(jì)90年代中期，這種算法逐漸引起了許多研究者的注意，并對(duì)該算法作了各種改進(jìn)或?qū)⑵鋺?yīng)用十更為廣泛的領(lǐng)域，取得了一些令人鼓舞的成果。3.3.1 蟻群算法的原理蟻群算法的過(guò)程16可描述為：1）初始化:將螞蟻分布于各個(gè)城市并初始信息素及螞蟻數(shù)量等等。2）構(gòu)造環(huán)游:首先對(duì)每只螞蟻用轉(zhuǎn)

15、移概率在記憶表中沒(méi)有的城市中選擇要移動(dòng)的下一個(gè)城市，將所選城市放入記憶表，當(dāng)每只螞蟻環(huán)游一圈后，計(jì)算環(huán)游長(zhǎng)度，局部更新信息素。3）全局更新信息素:所有螞蟻環(huán)游一圈后，用信息素更新規(guī)則更新各邊上的信息素;然后比較所有的環(huán)游長(zhǎng)度，找出最短長(zhǎng)度;最后將記憶表清空，回到上一步。4）不斷迭代直至滿足停止條件。停止條件一般是設(shè)定迭代次數(shù)或者滿足所求問(wèn)題的精度要求。由上述可知:蟻群算法的優(yōu)化過(guò)程本質(zhì)在于:（1）選擇機(jī)制。路徑的信息量越大，被選擇的概率也越大;（2）更新機(jī)制。每條路徑上的信息量會(huì)隨螞蟻的經(jīng)過(guò)而增長(zhǎng)，但同時(shí)也會(huì)隨著時(shí)間的推移逐漸減小;（3）協(xié)調(diào)機(jī)制。蟻群算法中，螞蟻之間是通過(guò)信息量要相互通信的。

16、這種機(jī)制使得蟻群算法有很強(qiáng)的發(fā)現(xiàn)較好解的能力。3.3.2 蟻群算法的改進(jìn)措施 蟻群算法在解決簡(jiǎn)單或者復(fù)雜優(yōu)化問(wèn)題時(shí)都表現(xiàn)出了良好的性能，但在處理像電力系統(tǒng)無(wú)功優(yōu)化這樣的大規(guī)模問(wèn)題時(shí)，蟻群算法依然暴露出了一些缺點(diǎn)17。如:1)算法容易出現(xiàn)停滯現(xiàn)象，當(dāng)蟻群搜索一段時(shí)間后，由十算法的全局搜索能力不足，蟻群會(huì)過(guò)早的收斂十局部最優(yōu)解; 2)結(jié)果經(jīng)常在局部與全局最優(yōu)解之間反復(fù)，導(dǎo)致搜索時(shí)間過(guò)長(zhǎng)。 為了解決蟻群算法在這兩個(gè)方面不足，許多學(xué)者都在致力于蟻群算法的改進(jìn)研究。文獻(xiàn)18對(duì)蟻群算法本身的理論部分進(jìn)行研究，針對(duì)蟻群算法應(yīng)用于求解無(wú)功優(yōu)化等復(fù)雜非線性優(yōu)化問(wèn)題中容易發(fā)生“早熟”和收斂速度慢等問(wèn)題，提出了幾點(diǎn)

17、有效的改進(jìn)策略，對(duì)蟻群算法加以改進(jìn)。通過(guò)改進(jìn)，蟻群算法在尋優(yōu)過(guò)程中能夠很好地跳出局部最優(yōu)解，增強(qiáng)了全局尋優(yōu)能力和提高了計(jì)算精度，同時(shí)保留了基本遺傳算法的優(yōu)點(diǎn)。文獻(xiàn)17在總結(jié)了國(guó)內(nèi)外蟻群算法的研究成果，并討論一種自適應(yīng)蟻群算法用于電力系統(tǒng)動(dòng)態(tài)無(wú)功優(yōu)化問(wèn)題。其自適應(yīng)蟻群算法主要涉及到概率選擇，信息量與信息素?fù)]發(fā)因子的自適應(yīng)調(diào)整以及信息素的更新策略。文獻(xiàn)19提出了基于層次聚類法和蟻群算法的配電網(wǎng)無(wú)功優(yōu)化方法。該方法以有功網(wǎng)損最小建立目標(biāo)函數(shù)，在約束條件中引入了最優(yōu)網(wǎng)損微增率準(zhǔn)則。運(yùn)用層次聚類法對(duì)靈敏度進(jìn)行聚類分析，以確定待補(bǔ)償點(diǎn)范圍，聚合原則及拆分原則可有效實(shí)現(xiàn)聚類，不受隨機(jī)性和人為干擾影響。通過(guò)改

18、進(jìn)將蟻群算法確定補(bǔ)償位置和容量，能見(jiàn)度因子取為候選節(jié)點(diǎn)靈敏度，使?fàn)顟B(tài)轉(zhuǎn)移概率能夠隨時(shí)反映補(bǔ)償變化情況，改進(jìn)蟻群搜索策略可避免盲目補(bǔ)償。4 總結(jié)電力系統(tǒng)無(wú)功優(yōu)化是在電力系統(tǒng)有功電源和有功負(fù)荷及有功潮流分布給定的情況下，選取發(fā)電機(jī)機(jī)端電壓、有載調(diào)壓變壓器變比和無(wú)功補(bǔ)償裝置的無(wú)功投入容量為控制變量，以發(fā)電機(jī)無(wú)功出力和PQ節(jié)點(diǎn)電壓為狀態(tài)變量，在滿足電力系統(tǒng)無(wú)功負(fù)荷的需求下，以有功網(wǎng)損、總無(wú)功補(bǔ)償量、全系統(tǒng)火電機(jī)組燃料的總費(fèi)用為目標(biāo)函數(shù)，通過(guò)采用各種優(yōu)化技術(shù)，尋得最佳補(bǔ)償容量，改善系統(tǒng)無(wú)功分布，提高系統(tǒng)整體的電壓質(zhì)量，保證電力網(wǎng)安全、經(jīng)濟(jì)、穩(wěn)定的供電?；谝陨系乃悸罚疚脑谠敿?xì)介紹了了用于電力系統(tǒng)無(wú)功優(yōu)

19、化的三種算法遺傳算法、粒子群算法、蟻群算法，詳細(xì)描述了這三種算法的相關(guān)知識(shí)，并在此基礎(chǔ)上提出了自己的改進(jìn)措施。本文具體的工作總結(jié)如下:1）論述了電力系統(tǒng)進(jìn)行無(wú)功優(yōu)化的重要性和必要性，介紹了無(wú)功優(yōu)化領(lǐng)域的研究現(xiàn)狀，在閱讀大量的國(guó)內(nèi)外相關(guān)文獻(xiàn)的基礎(chǔ)上，總結(jié)了用于無(wú)功優(yōu)化的傳統(tǒng)算法和人工智能算法的特點(diǎn)，對(duì)比了它們之間的差異，從中選取了遺傳算法、粒子群算法、蟻群算法作為本文的研究對(duì)象。2）系統(tǒng)的總結(jié)了現(xiàn)階段無(wú)功優(yōu)化的幾種數(shù)學(xué)模型，并且介紹了以有功網(wǎng)損、總無(wú)功補(bǔ)償量、全系統(tǒng)火電機(jī)組燃料的總費(fèi)用為目標(biāo)函數(shù)的三種數(shù)學(xué)模型，列舉了需要滿足的各種等式和不等式約束條件。3）介紹了各種算法的來(lái)源、基本原理、迭代公式

20、和實(shí)現(xiàn)流程，在此基礎(chǔ)上詳細(xì)介紹了國(guó)內(nèi)外幾種比較成功的改進(jìn)措施:（1）改進(jìn)遺傳算法的策略思想是構(gòu)造一套賦予每個(gè)個(gè)體繁殖次數(shù)的算法，根據(jù)個(gè)體在下一代群體中的生存數(shù)目來(lái)確定它繁殖后代的次數(shù)。個(gè)體的繁殖次數(shù)越多，被選中的概率就越大，它繁殖后代的幾率就越大;相反個(gè)體的繁殖次數(shù)越少，被選中的概率就越小，它繁殖后代的幾率就越小。（2）粒子群算法的改進(jìn)主要包括慣性權(quán)重的調(diào)節(jié)，學(xué)習(xí)因子的改進(jìn)，種群規(guī)模的選取，算法終止條件的設(shè)定等，并且與其他優(yōu)化算法相結(jié)合，取長(zhǎng)補(bǔ)短，有針對(duì)性的進(jìn)行改進(jìn)，還可以對(duì)算法的拓?fù)浣Y(jié)構(gòu)進(jìn)行改進(jìn)。（3）對(duì)蟻群算法的改進(jìn)，主要是對(duì)蟻群算法本身的理論部分進(jìn)行研究，還可以對(duì)信息量與信息素?fù)]發(fā)因子進(jìn)

21、行自適應(yīng)調(diào)整。參考文獻(xiàn)1 林周泉. 基于改進(jìn)遺傳算法的電力系統(tǒng)無(wú)功優(yōu)化D.南華大學(xué)，2013.2 劉天琪.現(xiàn)代電力系統(tǒng)分析理論與方法M.中國(guó)電力出版社，2007.3P.Subbaraj，P.N.Rajnarayanan.  Optimal reactive power dispatch using self-adaptive real coded genetic algorithmJ. Electric Power Systems Research . 2008 (2)4 蒲永紅. 改進(jìn)遺傳算法在無(wú)功優(yōu)化中的應(yīng)用研究D.山東大學(xué)，2007. 5 蘇琳. 基于改進(jìn)遺傳算法的電

22、力系統(tǒng)無(wú)功優(yōu)化D.西南交通大學(xué)，2006.6 徐譜府. 經(jīng)典法與遺傳算法在電力系統(tǒng)無(wú)功優(yōu)化中的應(yīng)用研究D.南昌大學(xué)，2013.7 Z.H.Wang，X.G.Yin，Z.Zhang，J.C.Yang. Pseudo-parallel genetic algorithm for reactive power optimization. IEEE transactions on power engineering society:903-908 general meeting，2012.7.Vo1.28 俞悅. 電力系統(tǒng)無(wú)功優(yōu)化的改進(jìn)遺傳算法及其程序?qū)崿F(xiàn)D.重慶大學(xué)，2005.9 解偉. 基于改進(jìn)粒

23、子群算法的無(wú)功優(yōu)化研究與應(yīng)用D.華北電力大學(xué)（北京），2007.10 J. Kennedy，R. Mendes. Population Structure and Particle Swarm Performance C.Proceedings of the IEEE Congress on Evolutionary Computation. Piscatawat. NJ，2002: 1671一1675.11 姜辛. 基于改進(jìn)粒子群算法的電力系統(tǒng)無(wú)功優(yōu)化研究D.大連海事大學(xué)，2014.12 Y Shi，R.C. Eberhart. Fuzzy Adaptive Particle Swarm Optimization C. Proceedings o