基于改進粒子群優(yōu)化算法的最優(yōu)潮流計算.ppt

1、，基于改進的粒子群最優(yōu)化算法的最優(yōu)流計算，1 OPF約略，最優(yōu)流問題是典型可擴展約束的多目標非線性規(guī)劃問題，數(shù)學模型下：MIN F (X，U) (1) G (X，U)=0S T (2) H U控制F(x，U)是表示電力系統(tǒng)運行指標的標量函數(shù)G(x，U)是相等約束。F(x，u)是不等式約束。公式(2)是節(jié)點潮流方程。最佳鳥類是優(yōu)化的鳥類分布，必須滿足基本鳥類方程，構(gòu)成最佳鳥類的等式約束是，將原來受約束的最優(yōu)化問題解決轉(zhuǎn)換成一系列不受約束的最優(yōu)化問題解決。但是適當選擇補償系數(shù)的大小比較困難，補償系數(shù)太大，容易陷入局部最優(yōu)，補償系數(shù)太小是算法牙齒困難滿足的最佳解決方案。罰系數(shù)值的選擇是否適當，對算法

2、收斂速度有很大影響。首先將邊界不等式約束作為罰項附加到原始目標函數(shù)之上，以構(gòu)成新的目標函數(shù)，即罰函數(shù)F(x，U)。F(x，u)=f(x，u) h(k)H(x，u)，其中f(x，u)是方程式(1)的原始目標函數(shù)；H(k)的值可以根據(jù)迭代次數(shù)而變化。一般h(k)=kk；H(x，u)是罰。格式中：m，n分別是等式約束條件和不等式約束條件的數(shù)量。齊是限制條件的跨境函數(shù)；函數(shù)隨qi變化；罰函數(shù)乘法。和不是固定在常量中，而是根據(jù)超出范圍的大小量進行動態(tài)調(diào)整，從而避免了懲罰過大或過小的算法影響?？梢杂行У靥岣叱鱿拗频拇笮討B(tài)曹征懲罰函數(shù)、算法收斂能力和解決精度?；谌Ｗ尤鹤顑?yōu)化算法和動態(tài)曹征懲罰函數(shù)最優(yōu)

3、流計算。3.1 PSO PSO是PSO算法期間每個最優(yōu)化問題的潛在解決方案是搜索空間的粒子之一。所有粒子都有最優(yōu)化函數(shù)決策的適應(yīng)值，每個粒子都有確定飛行方向和距離的速度，然后粒子沿著當前的最佳粒子在解決方案空間中搜索。PSO初始化為具有M牙齒的隨機粒子組，然后通過迭代找到最佳解決方案。在每次迭代中，每個粒子跟蹤兩個極值以更新自身。兩個極值分別是在粒子本身發(fā)現(xiàn)的最優(yōu)解和整個群體目前發(fā)現(xiàn)的最優(yōu)解。3.2步驟1輸入系統(tǒng)參數(shù)計算并指定每個變量的上下限值2隨機指定滿足控制變量約束的人口中每個粒子的初始位置和初始速度。通常，在控制變量的范圍內(nèi)隨機選擇值作為粒子初始位置，初始速度也在控制變量的范圍內(nèi)隨機選擇值作為初始速度。使用3牛頓拉夫森迭代方法，根據(jù)人口中每個粒子的流量計算和損失計算，4流量計算結(jié)果，評估人口中每個粒子的適應(yīng)值。最好找到記錄為5 p best的每個粒子個人。PBest的最佳個人記錄為gBest。6更新柜臺，t=t 1；7確定粒子位置；8使用牛頓-拉夫森方法執(zhí)行流計算和粒子損失計算，重新評估每個網(wǎng)絡(luò)的適應(yīng)值，并確定是否根據(jù)每個粒子適應(yīng)值的大小值更新每個粒子pBest和總?cè)丝诘膒Best