電力系統無功優化智能算法研究

陳來迎 林雨

摘要：文章分析了無功優化的意義，能夠降低網損，有助于提高用戶的體驗感和電力公司的經濟效益。再對電力系統無功優化模型進行了分析，闡述了4種不同情境下無功優化模型，其中包含著多個約束條件和多個變量，可知求解電力系統無功優化比較復雜。最后對遺傳算法、粒子群算法和模擬退火算法進行了詳細分析，分析了其原理和優缺點。每一種智能算法各有其優點和缺點，所以智能算法選擇問題上要通過綜合的考慮，如果算法選擇不巧當，將會嚴重影響電力系統無功優化模型結果的準確度。

關鍵詞：電力系統;無功優化;智能算法

中圖分類號：TM711

文獻標識碼：A

文章編號：1001-5922（ 2020）06-0078-04

隨著我國在電力需求上的不斷增多，對電力系統的重視程度越來越高。其中對電力系統無功優化進行研究可以避免電壓崩潰、損壞絕緣等事故的發生，保證電力系統能夠更加安全、高效、經濟的運行[1]。無功優化智能算法決定著解決問題的精確度，于是本文將對智能算法進行研究，有利于電力系統無功優化智能算法的選擇。

1 無功優化的意義

無功優化具有重要的意義，主要從2個角度進行分析，第1個就是站在用戶的角度，電力系統最主要、最基本的目的就是向用戶提供安全、經濟、優質的電能，且在人們的日常生活中有著不可或缺的作用，必須要確保電能質量，其中電壓就是一種衡量電能質量的的標準，因為電力的質量好壞就會直接的影響電力系統穩定運行、電網損耗等，所以對電壓質量進行改進將有助于電力系統更加高效、安全的運行。改善電壓質量的基本條件就是合理分布和無功功率平衡。第2個就是站在輸電公司的角度進行分析。隨著我國生活的不斷提高，用電量發生了非常大的改變，電量不斷急劇上升，而且電網在運行過程中的電損越發的被重視，電網公司所面臨的一種重要問題是提高輸電效率和經濟性。電力系統的無功優化在一定程度上可以降低網損，有助于電力系統的經濟性，能夠讓電力公司得到更多的經濟效益和利潤。

所以，對電力系統的無功優化，不僅可以提高電力系統的穩定運行和維持電壓水平，更有利于用戶的生產發展和日常生活;而且還可以降低電網損耗，能夠提高電力公司的經濟效益和利潤。因此，對電力系統無功優化進行研究具有重要的現實意義和理論意義。

2 無功優化模型的介紹

對于不同的工程，所需要的無功優化模型將會不一樣，每種無功優化模型的作用不同，于是本文將介紹幾種典型的電力系統無功優化模型。

2.1 無功優化模型考慮網損及電壓質量的情景

在考慮網損及電壓質量的情景下建立無功優化模型時，主要會從兩個不同的角度建立目標函數。其中第1種就是考慮到經濟性的原因，即成本最小化，就是要將網損控制在最小值時其經濟性更優，于是以網損最小為目標函數[2]。第2種就是考慮到安全性[3]。這兩種不同角度下建立的無功優化模型有所不同，于是分別對模型進行介紹。

1）以網損最小為目標函數，其目標函數為：

2.4 無功優化模型考慮分布式電源接入的情景

隨著人們需求的不斷上升，電網智能化快速發展，在電力系統中加入了各種的分布式電源，在此情景中建立無功優化模型將會有新的需求。于是各位相關的研究人員提出了不同的無功優化模型，其中較為

3 求解無功優化智能算法

通過上文模型的分析，可以得到電力系統無功優化在數學上是一個復雜的混合非線性規劃問題，其中包含著多個變量和約束條件，控制變量還包含著兩種，分別為離散變量和連續變量，而且還是一個多峰值的函數，所以在求解時會非常的復雜，其中計算量很大。求解無功優化問題有不同的方法，每種方法適用的范圍不一樣，需要選擇最為合適的方法才能得到理想的結果。一般情況下有分為2種優化算法，分別為常規優化算法和智能優化算法，表1即為2種算法的優缺點比較。智能算法能夠解決離散變量，能夠以較大的概率搜多到全局最優解，在實際應用過程中具有較為廣泛的應用，于是本文將對智能算法進行研究，分析了幾種智能算法的特點，有助于電力系統無功優化時選擇最為合適的智能算法，從而得到更加準確的最優解。

3.1 遺傳算法

遺傳算法是一種智能，也屬于一種仿生算法，是根據生物在進化和遺傳中的規律所得到的。其原理是將需要優化的問題進行編碼成染色體，優化問題的目標函數轉為染色體適應度函數，目的在于產生初始染色體種群，將其作為基礎，再進行繁衍等，就會生產出下一代的染色體。下一代的染色體經過結構化的交換彼此信息，與第一代染色體相比其染色體將會更加優異。于是依照此規律就會生產出很多代的染色體，生物在繁衍過程中會存在優勝劣汰，于是存活下來的質量會更好。再解碼這些染色體，于是就可以得叨最初問題的解。

遺傳算法的優點：魯棒性能夠強，功能強大;遺傳算法尋優能力非常的強，所以其比較適合飲應用于求解多約束、大規模、多變量、非線性離散問題，即其能夠求解非常困難的離散問題，而且不會存在“維數災”的問題。

遺傳算法的缺點：其屬于隨機概率尋優算法，需要隨機訪問很多不同的路徑，所以在計算過程中優化速度會比較慢，尤其是對非常大型的電力系統無功優化計算時會消耗很長的時間。另外，雖然遺傳算法找到全局最優解時是以較大的概率進行尋找，但是對于全局搜索能力還是存在缺陷，所以還會存在局部最優解現象。于是就有學者正對該缺陷進行研究，提出改進的辦法，林廣明等人設計了與個體適應度相關的變異概率和與進化代數相關的交叉概率，從而提高了遺傳算法的收斂性能[7]。

3.2 粒子群算法

粒子群算法是一種智能算法，其本質是來源于鳥群捕食行為。通過模擬社會系統，在多維解空間中構建“粒子群”，于是每個粒子就會不斷的對方向和速度進行改正，跟蹤自己或者群體發現的最優解[8-9]。粒子群算法和遺傳算法比較相像，剛開始都是一組隨機解，然后以迭代的方式不斷搜尋最優解。兩者的區別就是粒子群算法沒有變異和交叉操作，而是每個粒子不斷的跟隨最優的粒子進行搜索。

公式（8）中Ci和C2為加速因子，w為慣性因子，rand（）在0-1之間的隨機數，其中粒子速度要小于或者等于粒子的最大速度。

粒子群算法與其它的算法相比較，有以下的優勢：具有較好的收斂性，計算速度比遺傳算法的快，而且不會受到問題維數的限制，能夠很大程度上尋找到全局最優解;另外，粒子群算法的原理是比較簡單的，能夠與其他算法進行融合。劉述奎等人研究電力系統無功優化問題時就采用了粒子群算法，提高了問題計算的精確度、收斂穩定性，還提高了計算時間[11]。

3.3 模擬退火算法

該算法原理就是對物體的溫度進行適當的控制，然后通過利用雙向隨機搜多技術，對范圍內進行粗略搜索，還會對局部進行精確搜索，用來尋找最優解，并且該算法的原理比較簡單。模擬退火算法在理論上屬于全局最優算法，其計算結果較為準確。其缺點在于CPU時間比較長，當電力系統的規模變大或者是復雜性變大時，所需的CPU時間將會更長。關維國等人通過模擬退火算法，通過使用設置閥值方式控制循環過程，結果表明，使用模擬退火算法有利于網損的降低，各個節點電壓穩定性有所提高[12]。

通過對上述3種智能算法的分析，每一種智能算法都會有各自的缺點和優點，所以在電力系統無功優化時，其所選擇何種算法需要根據實際的情景進行選擇，然后考慮智能算法的優缺點。一個合理的算法才能夠得到更為準確的結果。表2即為3種智能算法的優缺點。

4 結語

綜上所述，無功優化在電力系統中具有非常重要的作用，能夠帶給用戶和電力公司更多的便利和效益。無功優化模型非常復雜，會面臨多個約束條件、多個變量等，所以在進行計算時會非常復雜，主要選擇最為合適的智能算法。文章介紹了3種智能算法，其中各有優缺點，綜合來看，粒子群算法在應用過程中比較容易實現，且其全局搜索能力較強，尋找問題最優解將會更加的準確和快捷，但是其在選擇參數時需要依賴經驗。隨著在電力系統無功優化智能算法上的不斷改進和研究，新的智能算法將不斷涌現，求解電力系統無功優化模型將會更加精準化。

參考文獻

[1]熊玉輝，電力系統無功優化[D].南昌：南昌大學，2005.

[2]徐曉靜，孫明燦，陳慶春，等，同步關合技術在無功補償中的應用[J].高壓電器，2007，43（5）：333-335.

[3]金立軍，安世超，廖黎明，等.國內外無功補償研發現狀與發展趨勢[J].高壓電器，2008，44（5）：463-465.

[4]戴彥，倪以信，文福拴，等.電力市場下的無功電價研究[J].電力系統自動化，2000，24（5）：9-14.

[5] Du X， Yin Q， Zhang A， et al.Fast Computing Modelfor Multi- objective Reactive Power Optimization[C]//Power and Energy Engineering Conference （APPEEC），2010 Asia-Pacific.IEEE. 2010.

[6]陳海焱.含風電機組的配網無功優化[J].中國電機工程學報，2008，28（7）：40-45.

[7]蔣金良，林廣明，歐陽森，等，改進災變遺傳算法及其在無功優化中的應用[J].華南理工大學學報（自然科學版）（3）：99-104.

[8] Eberhart R， Kennedy J.A new optimizer using parti-cle swarm theory[C]// MHS'95.Proceedings of the SixthIntemational Symposium on Micro Machine and HumanScience.IEEE.2002.

[9] Kennedy J，Eberhart R.Particle swarm optimization[C]，/Proceedings of lCNN'95- International Conferenceon Neural Networks.IEEE. 1995.

[10] Shi Y.A Modified Particle Swarm Optimizer[C]//Proc.of lEEE lCEC conference， Anchorage. 1998.

[11]劉述奎，基于自適應聚焦粒子群算法的電力系統無功優化[D].成都：西南交通大學，2009.

[12]關維國，戴永彬，呂娓基于改進模擬退火算法的配電網無功優化方法[J].遼寧工學院學報，2006，26（2）：73-75.

作者簡介：陳來迎（1963-），男，漢族，山東濟南人，大學本科，高級工程師，研究方向：電網建設方面。