基于改進蟻群算法的配電網電容器優化配置研究

王秀華 蘇宏升

（蘭州交通大學自動化與電氣工程學院，甘肅蘭州 730070）

0 引言

合理地配置電容器對配電網進行無功補償，可以有效地降低配電網的有功損耗，提高電壓質量，是實現配電網安全和經濟運行的重要手段。傳統的依據相關規程和經驗配置電容器的方法，日益顯示出其局限性，具體表現在電容器配置的不足或過剩。考慮到電容器配置問題是一個離散的組合優化問題，引入了適合于離散變量的蟻群算法來求解。針對蟻群算法收斂速度慢和易于陷入局部最優等缺點，采用了一種改進的蟻群優化算法——蟻群系統算法。為了提高算法的全局搜索能力和收斂速度，利用全局信息素放大系數的自適應調整，進一步提高算法的性能。

本文在考慮潮流約束、電壓約束和電容器容量約束的前提下，建立了使系統的有功功率損耗費用和電容器的購買、安裝和維護費用之和最小的數學模型。用障礙物和繞過障礙物的路徑分別表示電容器的安裝位置和容量，將該問題抽象成類似于旅行商（Traveling Salesman Problem，TSP）問題，通過模擬蟻群搜索食物的過程來尋找最優解。

1 蟻群系統算法

蟻群算法 （Ant Colony Algorithm，ACA）是意大利學者Marco Dorigo等人于20世紀90年代提出的一種新型模擬進化算法，它通過模仿螞蟻的覓食過程，按照啟發思想，利用信息素的誘發作用，逐漸收斂到問題的全局最優解。蟻群系統（Ant Colony System，ACS）算法是在基本蟻群算法的基礎上作出一系列改進之后得到的一種蟻群優化算法。該算法不依賴于各種初始參數，克服了基本蟻群算法收斂速度慢和容易陷入局部最優等缺點。它采用了一種更具有積極性的行為選擇規則，從而能夠更好的開發和利用螞蟻所積累的搜索經驗;信息素蒸發和信息素釋放動作只在至今最優路徑的邊上執行;螞蟻每一次使用邊（i，j）從城市i移動到城市j后，它就會去掉該邊上一定量的信息素，來增加探索其余路徑的可能性。蟻群系統算法已成功的應用于解決許多組合優化問題。

1.1 路徑構建

在ACS算法中，位于城市i上的螞蟻k在選擇下一個訪問的城市j時根據偽隨機比例規則:

式中，allowedk={C－tabuk};q為均勻分布在區間[0，1]中的一個隨機變量，q0（0≤q0≤1）是一個參數;S是根據式（2）給出的概率分布產生出來的一個隨機變量。在每個時刻，位于城市i的螞蟻都會按照隨機數q選擇下一個城市j。通過調節參數q0，可以調節算法對新路徑的探索度，從而決定算法是應該集中搜索至今最優路徑附近的區域，還是應該搜索其它的區域。很顯然，該策略增強了搜索的多樣性，用以避免過早的陷入搜索停滯狀態。

1.2 全局信息素更新規則

在ACS算法中，只允許在每次循環中至今全局最優的螞蟻（即構造最短路徑的螞蟻）留下信息素。利用這樣的全局信息素更新規則和偽隨機比例規則，使得搜索更加直接。在所有的螞蟻走完全程之后，應用全局信息素更新規則如下:

式中，Lgb為算法當前已求得的全局最優路徑的長度;ρ∈（0，1）為信息素揮發系數;（i，j）∈globle－best－tour表示螞蟻k所走的（i，j）屬于最佳路徑;τij（t）表示在時刻t當前最優路徑上的一部分邊（i，j）上的信息素的濃度。根據全局信息素更新規則，可以看出:邊越短，信息素越多。

1.3 局部信息素更新規則

在利用ACS構造TSP問題的解的過程中，對所有螞蟻所經過的每條邊都進行局部信息素更新，在所有螞蟻完成一次迭代后執行，局部信息素更新規則如下:

式中，ξ和 τ0是兩個參數，ξ滿足0＜ξ＜1，τ0是信息素在邊（i，j）上的初始值。τ0取值為1/nCnn，Cnn表示用最鄰近方法得到的路徑長度。局部信息素更新的作用在于，螞蟻每一次經過邊（i，j），該邊的信息素 τij都會減少，從而使得其它螞蟻選中該邊的概率相對減少。也就是說，這將增加探索螞蟻未走過的邊的機會，使得算法不會陷于停滯狀態，即螞蟻不會都選擇同一條路徑。

1.4 蟻群系統算法的改進

蟻群系統算法中的全局信息素更新公式（3）可表示成如下形式:

式中，k0表示最優路徑上螞蟻留下信息素的放大系數，為一常數;ρG表示路徑上原有信息素的全局遺忘系數;τ（0ijt）表示最優路徑上螞蟻留下的信息素;（1t）和t）分別表示路徑上原有的信息素和更新后的信息素。

由于信息素放大系數k0的選擇對蟻群算法的收斂性影響很大，如果太小會出現振蕩現象而無法收斂，而太大則又容易使算法陷入到局部最優解中。為此本文采用放大系數k0的自適應調整。在迭代前期，放大系數k0取常數，實現在全局范圍內的搜索;在迭代后期，如果新搜索到的最優解的目標函數值大于歷史最優解的目標函數值，則增大放大系數，以適當縮小蟻群的搜索范圍，進而加快其收斂速度;否則放大系數保持不變。

2 電容器優化配置問題的數學模型

2.1 目標函數

配電網電容器優化配置以電網有功功率損耗費用和電容器購買、安裝和維護費用總和最小為目標函數，即:

式中，ke為單位能量所需費用;nt為負荷等級數;ti為負荷i的持續時間;PLoss（xi，qi）為在負荷等級i下的系統有功功率損耗;nc為可安裝電容器的點數;f（qk，0）為k點電容器的購買、安裝和維護費用。

2.2 約束條件

式中:i為負荷水平數。

式中:Uimin，Uimax分別表示母線i電壓的下限和上限。

式中:qk，0為k點安裝總容量;qk，i為負荷i下k點的配置容量。

3 改進蟻群算法求解電容器優化配置問題

本文采用年持續負荷曲線法，將全年各種不同負荷狀態等效為三種負荷等級:重負荷、中等負荷和輕負荷及對應負荷狀態持續時間。假設在輕負荷下所需安裝的電容器臺數要比其它負荷下所需安裝的電容器臺數少，并將其視為固定電容器。然后，在此基礎上計算出其它負荷下所需配置的電容器臺數，且都視為可投切電容器。

潮流約束通過潮流計算來考慮，即在潮流計算中保證了潮流約束方程能夠得到滿足，本文采用文獻[10]中提出的改進支路電流法計算配電網的潮流。電容器容量約束與目標函數一樣作為信息素的更新依據。節點電壓約束條件取配電網基準電壓的0.95～1.05。

圖1 基于改進蟻群算法的配電網電容器優化配置程序流程圖

圖2 IEEE33節點配電網

對于節點電壓的約束，這里采用罰函數的處理方法，由原來的目標函數f（x）和罰函數p（x）共同作用構成算法的評價函數。針對本文提出的配電網電容器優化配置問題，對電壓幅值不合格的偏離量，以罰函數的形式計入評價函數。

采用改進的蟻群算法求解電容器優化配置的算法流程如圖1所示。

4 算例分析

以IEEE33節點標準測試系統為算例進行編程計算，其結構圖如圖2所示。主要參數設定如下:每單位（30kvar）固定電容器的購買價格為600元;每單位（30kvar）可投切電容器的購買價格為1200元;每單位（30kvar）電容器的安裝費用為500元;每單位電容器的年維護費用為150元;電價為0.5元 /kW·h，系統功率基值取1.0MVA，每個節點電容器的安裝數量上限為8臺，不同負荷水平下的參數設置如表1所示。經過編程計算，配電網各節點的電容器配置情況如表2所示，電容器優化配置前后的效果比較如表3所示。

從表3可以看出:配電網進行電容器的優化配置進行無功補償后，配電網的有功損耗有了明顯的降低，3年共可節省總費用45.84萬元。電容器補償的優化配置不但能夠減少電能損耗，同時還能夠改善節點電壓，通過編程計算可得優化配置電容器補償后配電網的電壓合格率達到100%。

中等負荷情況下的最優值和平均值的變化曲線如圖3所示。

從圖3可以看出，改進的蟻群系統算法尋優能力較強，且收斂速度較快。另外，當平均值接近最優值時，平均值就會立刻大幅度上升，這是由于采用了偽隨機比例規則及信息素的局部更新規則，擴大了螞蟻的搜索空間，使得算法能夠擺脫局部最優。

5 結論

采用本文提出的改進蟻群算法對輻射狀配電網進行了電容器的優化配置，收到了較為理想的效果，說明在技術上是可行的。在配電網中進行電容器的優化配置后，新增的電容器相關費用可由節約的有功功率損耗給予補償，從而獲得了較好的經濟效益。

圖3 改進蟻群系統算法最優值和平均值的變化

表1 不同負荷的持續時間

表2 各節點電容器配置臺數及分組數

表3 電容器優化配置前后的效果比較

[1]楊洪.基于改進離散粒子群算法的配電網電容器優化配置研究（D）.長沙:湖南大學，2009.

[2]Dorigo M，Maniezzo V，Coloni.Ant system:Optimization by a colony of cooperating agents[J].IEEE Transaction on Systems， Man， and Cybernetics－Part B，1996，26（1）:29 ～ 41.

[3]Dorigo M，Dicaro G，Cambardella L M.Ant algorithm for discrete optimization[J].Artificial Life，1999，5（2）:137～172.

[4]Marco Dorigo，Thomas Stutzle著.張軍，胡曉敏，羅旭耀譯.蟻群優化[M].北京:清華大學出版社，2007

[5]Dorigo M，Dicaro G，Cambardella L M.Ant algorithm for discrete optimization[J].Artificial Life，1999，5（2）:137～172.

[6]Y.H.Song， C.S.Chou， T.J.Stonham.Combined Heat and Power E－conomic Dispatch by Improved Ant Colony Search Algorithm[J].Electric Power Systems Research，1999，52（2）:115 ～121.

[7]Stutzle T，Dorigo M.A short convergence proof for a class of ant colony optimization algorithms[J] .IEEE Transactions on Evolutionary Computation.2002，6:3sR ～ 36s

[8]Guanzheng TAN，Qingdong ZENG，Wenbin LI.Design of PID controller with incomplete derivation based on ant system algorithm[J].Journal of Control Theory and Application.2004，3:246 ～252

[9]余昆，曹一家，陳星鶯等.基于蟻群算法的配電網電容器優化配置.中國國際供電會議[C]，北京，2006.

[10]張堯，王琴，宋文南等.樹狀網的潮流計算[J].中國電機工程學報，1998（3）:217～220.