粒子群算法在電力系統中的應用研究

楊麗華

摘 要：粒子群算法是一種新的智能優化算法，它是對生物群體協同優化能力的研究，是一種針對每個粒子追求自身最優粒子和全局最優位置的一種啟發式隨機優化算法。在隨機搜索的過程中，此算法收斂于最優粒子群優化算法。詳細介紹了基本粒子群優化算法和改進的粒子群優化算法，并進行仿真研究，簡要闡述了該算法在電力系統中優化應用情況，以期為日后的相關工作提供參考。

關鍵詞：粒子群算法；智能優化算法；人工生命；計算技術

中圖分類號：TM73 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.03.090

人工生命用來研究人工系統的基本特征，它主要包括利用計算技術研究生物現象，利用生物技術研究和計算問題。另外，生物系統是社會系統的一部分，對其研究主要利用的是局部信息，而仿真系統中則很可能發生不可預知的群體行為。

在計算智能領域中，主要有粒子群優化算法（PSO）和蟻群算法（ACO）2種基于群體智能的算法。粒子群優化算法是基于模擬鳥群覓食的過程而創立的，它具有參數調整簡單、容易實現等優點，且優化效果良好。目前，這種算法已被廣泛應用于智能控制、模糊控制和專家控制方面。蟻群算法主要是模擬蟻群采集食物的過程而創立的，它適用于解決離散優化問題。

1 基本粒子群算法

設定目標搜索空間為D維，群落的粒子數為n，第j個粒子表示為一個D維向量 =（xi1，xi2，…，xin），i=1，2，…，n.將 帶入目標函數 得到適應值 ，并根據 的值衡量相關內容。在此過程中，可用 =（vi1，vi2，…，vin），i=1，2，…，n表示第i個粒子的飛行速度，用 =（Pg1，Pg2，…，Pgn），i=1，2，…，n表示第i個粒子當前的最優位置。

早期PSO算法更新粒子狀態為：

vid=v1d+c1r1（Pid-xid）+c2r2（Pid-xid）. （1）

xrd=xid+vid（i=1，2，…，n；d=1，2，…，D）. （2）

式（1）（2）中：c1、c2為學習因子，非負常數；r1和r1是介于[1，2]之間的隨機數；vid∈[-vmax，vmax]，vmax是常數，可根據問題人為設定。

2 改進的粒子群算法

2.1 改進算法參數和步驟

改進群微粒算法是利用群微粒算法求取目標函數的最大值，具體步驟是：①派生出群微粒類，類中必須定義double GetFit方法，以計算每個微粒的適合度；②生成派生類實例，并在構造函數中指明微粒坐標維數和群體個數；③用SetXup和SetXdown設置微粒坐標下界數組和上界數組；④用SetVmax方法設置微粒最大速度；⑤設置可選參數C1、C2、W和通訊函數；⑥采用Run方法實現優化運算，優化后用GetBest方法獲取最優個體適合度和坐標。

2.2 仿真研究

選定目標函數，并設置慣性權重數值。設定慣性權重W=0.8，1.0，參數C1=2.0，C2=2.0，將最佳適合度作為運行方式，則程序運行后得到的結果如表1所示。

結合表1中的相關數據，經過比較可知，在設定參數和迭代次數的情況下，可以得到最優個體的適合度和坐標值，而且還可以利用相關測試求得其平均值。由此可知，所得坐標值在理想值附近，并且誤差滿足相關要求。

3 粒子群算法在電力系統中的應用

在處理優化問題方面，粒子群算法有明顯的優勢，所以，它被廣泛應用于電力系統規劃、運行和控制方面。它主要被應用在以下幾方面：①電力系統能量的傳輸、網絡的擴展是一個

大而復雜的非凸優化問題。通過對粒子群優化算法的深入研究，建立了功率損耗成本、投資成本和設備成本的目標函數方程，并采用PSO優化算法處理得到最小的目標函數值。②利用PSO優化算法求解辨識電力系統的參考變量，它在辨識負荷模型參數方面有明顯的優勢。同步發電機參數辨識是保證電力系統安全、穩定運行的重要因素之一，其參考變量的準確性和可靠性對系統的精度和安全有重要的影響。同時，它也能有效處理同步發電機中出現的渦流和飽和等非線性優化問題。③電力系統穩定器（PSS）的作用是抑制電力系統因負阻尼因素而造成的系統低頻震蕩，同時，采用PSO算法優化求解能獲得PSS的最佳取值，從而大大提高電力系統的動態穩定性。④在電力系統和發電機組滿足各種約束條件的情況下，要想電力系統能夠經濟、穩定的運行，可以利用粒子群優化算法求解，得出不同發電機組的功率分配情況。⑤粒子群優化算法為求解復雜的無功優化和最優潮流問題提供了有效的解決方案，進一步提高了電網運行的安全性和穩定性。

4 結束語

近年來，隨著對粒子群算法優化研究的不斷加深，它被廣泛應用于各個領域。在工業工程控制和各個不同的領域，利用粒子群優化算法求解復雜非線性系統的優化問題是非常重要的。在電力系統中應用粒子群優化算法能保證電網安全、穩定的運行，從而獲得最好的經濟效益。

參考文獻

[1]鄭思平，陳紅周.一種加入創新粒子的粒子群[J].數學理論與應用，2010（01）.

[2]史海軍，王志剛，郭廣寒.引入變異算子的粒子群優化算法[J].長春理工大學學報（自然科學版），2007（3）.

[3]王存睿，段曉東，劉向東，等.改進的基本粒子群優化算法[J].計算機工程，2004（21）.

〔編輯：白潔〕