基于智能優化算法的電力系統無功優化的研究

段穎梨

（黑龍江科技大學電氣與控制工程學院,黑龍江哈爾濱，150022）

1 電力無功優化問題

1.1 電力系統無功優化問題概述

當前電力系統的運行已經十分穩定了，但是給予這樣的一種情況下如果想要保持系統的穩定和電力的質量就需要使用無功優化的方式對其進行優化。可以說這種方式具備的價值是非常重要的, 因此當前我國有非常堵偶的學者開始注重對其的研究, 并且也紛紛的提出了很多與無功優化有關的理論和其自身執行的具體方法。電力系統無功功率優化的最終目標是使電力系統中涉及的指標能夠以最合適的優化方式運行。處理無功優化問題的前提是需要在功率流分配的情況下完成，并且當保持給定電源和電源時，當前電力系統本身的可變值可以是在約束范圍內完成。

1.2 建立無功優化數學模型

一般來講當前電力系統無功優化上通常主要是將有功網損目標為最小目標。而要想達成這一目標，就需要對無功源頭進行變更使其能夠完成潮流布局的轉變，并且還能夠去對電壓自身的峰值以及變壓器分接頭去進行適當的調整，在實際對其誒與實現的時候還需要把以上涉及到的變量相彼此之間產生的與潮流方程保持一致。并且在調整這些參數的時候還需要放眼大局，在整體上去進行考量。在對參數進行調整的時候不還需要實現的變量的有效區分。而在對數學模型進行設置的時候，主要可以通過以下幾種方式去實現：

1.2.1 功率方程的限制條件

在節點上不僅僅需要對有功或是無功進行思考，同時還應該對于有功或者是無功等內容給予限制，但是不論是在哪一個節點上其自身都需要可以滿足具體提出的要求：

在表達式上：節點i位置的Pi代表的是一種有功的功率、Qi代表的則是一種無功的功率、Ui大表的是節點i上所產生的電壓；PGi則屬于當前電機節點所具備的一種有功出力、QGi屬于當前發電機節點上的產生的無功出力；節點i位置的有功電荷主要是PLi、還有節點i位置的的無功負荷主要是QLi和QCi并且其自身也屬于一種無功的補償容量；Gij代表的是節點點i以及節點j彼此之間出現的電導，而Bij則會被納入為電納，電壓之間相角差的為δij；N屬于系統節點的整體數量。

1.2.2 變量方程的限制條件

電力系統在實際運行的過程中有很多問題需要關注，但是其中有一點問題需要加大關注力度，這一問題就是額定電壓，因為有額定電壓的存在才令電力系統自身的質量以及運行需求得到保證。但是盡管是這樣其在輸送和輸出的過程中更讓人需要受到約束條件的制約。當前電力系統里中有發電機以及變壓器接頭等一些硬件上的發電裝備，因此這些裝備在運行上的穩定性就成為了影響電力系統運行的主要原因，同時在斷電位置上的電壓以及接頭位置的還有輸出的電源也需要適當的對其采取無功補償，采取無功補償的目的就是希望電力系統在實際進行運行的過程中能夠保證質量，因此需要對其自身的約束條件給予有效的確認。

對于變量的控制方面的限制條件：

1.2.3 對目標函數的建立

電力系統無功優化的目標函數主要涉及到了其自身的技術性能，而對于其給予的側重點如果存在差異，那么其自身在性能評價上也自然會存在一定的差異。在無功優化問題中其自身的注重點一般需要站在以下的幾個角度去進行思考：電力系統產生的網損并不是很大，并且變壓器在分接頭設置上和其他的變壓器相比少刻很多、除此之外還具有無功補償上小等優勢。而其在所消耗的財務上來講小需要付出的成本花費也并不多。所以針對這些需求上去對無功優化模型完成所需要設置的，需就一定需要站在從經濟層面去進行考量的時候與其相對的數學模型是：

我們從上述模型中能夠看出，在對電壓進行計算的過程中我們不可以將其越界的問題給忽視掉，而一旦其出現越界的情況那么就需要對其采取適當的約束措施，并且，出了需要對電壓越界的問題給予考量之外還需要對無功層面可能產生的問題給予關注，如果其設定的狀態量和預估的狀態量存在差異并且要超出其范圍的時候就可以運用罰函數的方法去對其進行約束。

2 人工智智能能算法的電力系統無功優化應用

2.1 粒子群算法

粒子群算法可以說是一種群智能的算法，而我國在將其融入到優化問題中進行研究的時候可以看出，粒子群算法自身存在的優勢是非常多的，在對其進行使用的過程中一般都會將進行改善之后的粒子群算法和融合了其他智能算法的混合算法共同進行使用。而在對其進行研究的過程中，對其進行考量的角度則能夠在參數上去進行研究，這個方面需要能夠與具體的電力系統保持結合，持續的去對參數給予優化，另其能夠與具體的情況保持一致并且為日后的應用打下一個堅實的理論基礎，當前在進行研究過程中所使用的理論模型一般都是驗證模型，其自身需要在參數實際的設置上給予有效的優化。而其自身在粒子多樣性上也有很多專家進行了研究，認為是可以對其自身的高解和精度給予提升的。

2.2 免疫粒子群算法

魯忠燕,鄧集祥為了能夠使得粒子群優化算法具備的收斂性能得到提升，特別把在粒子群算法中添加了免疫信息處理方式，這種方式的加入使得粒子群算法更加的優化，因此其也被人們稱之為免疫粒子群算法。這一計算的方式主要是把當前免疫算法里具備的免疫記憶以及調節機制納入到PSO中，同時使用針對基于粒子濃度機制自身多樣性的措施去對優化和搜索過程進行知道。可以說這種改進之后的計算方式不僅僅令原本算法中的優越性得到了保持同時還提升了在優化過程中出現的退化問題，令算法在精度和速度上的收斂效果都獲得了保障。

2.3 遺傳算法

何正文把遺傳算法使用在了電力系統的無功優化上，其主要是闡述了遺傳算當前的編碼方式和遺傳算子還有就是中止判據等方面的相關內容，并其自身還設置了遺傳算法在當前電力系統無功優化上的計算模型，可以說這種計算模型的出現改變了以往數學優化方式存在的不足。在對其模型進行仿真計算后獲得的結果顯示出這種算話對于全局進行優化上獲得的效果是非常理想的同時也與具體的情況能夠保持一致，其不僅可以很好的令電壓質量以及降低網損得到降低。同時這些方式也已經被使用在實際的電力系統的優化中，并且獲得了非常好的優化效果。

2.4 人工魚群算法

唐劍東,熊信銀,吳耀武等學這在對智能優化算法進行研究的過程中把人工魚群算法(AFSA)使用在了電力系統無功的優化過程中，并且針對具體的情況還設置了與其相對的優化模型，對IEEE6、IEEEl4 節點，系統和某地區在電力系統上的具體使用情況給予了無功優化等計算，同時使其和遺傳算法(GA)與進行改進之后的搜索算法去進行了對比，通過對比的結果看出當前人工魚算法在優化系統上獲得的效果十分明顯，因為其不僅能夠在收斂性上變現出較好的優勢，同時其自身的魯棒性也非常的優秀。可以說這種算法和粒子群算法相同，都是屬于一種群體化的智能算法，其自身在對無功優化給予處置上也有著調節參數的問題，因此仍然需與在對參數給予優化上多加注意、下足功夫，并且還需要在搜索效率上去也進行適當的研究提升搜索效率。

2.5 混合優化微分進化算法

李秀卿,孫守剛等學者使在微分進化算法進行變異算子的出現上使用了不同的策略，令算法自身的搜索效率得到了快速的提升，同時在對其給予優化的使用還將父代以及子代合群的處置方式融入其中，使得算法在全局上的搜索能力得到了一定的強化，而在地使用使用對其進行計算和分析之后顯示，本文所指出的算法在對于電力系統無功優化問題進行處置上有著很多的優勢。所以，這一算法對于當前大規模電力系統無功優化問題在求解上會有非常大的啟發意義。

2.6 蟻群優化算法

當前在電力無功優化上對于計算方法進行研究上針對蟻群算法研究的內容相對較多，因為這種算法自身的特性相對較好所以在其處理問題上也展現出了自身的優勢。但是蟻群算法經常會陷入局部最優解但是卻不能夠獲得一個比較理想的結果，所以在對這種問題給予處置的在過程中。我國的相關研究人員指出可以對于蟻群優化算法適當的使用狀態轉移的方式，另其能夠形成一種比較通用的計算算法，并且使其能夠在進行試驗的過程中獲得比較理想的效果，在當前小型的電網進行運用時其自身具備比較大的可行性，但是其在日后的工作里還需要針對大型電網的使用上去進行研究。蟻群算法的求解結果與參數自身的設置有著比較大的聯想，因此參數自身的改進對于問題處理有著非常好的促進作用。

3 結束語

智能算法在我國電力系統對無功優化上經常會被使用到，并且伴隨著當前智能優化算法的持續發展，對于智能優化算進行研究已經成為了必然。在算法參數進行設置上對其獲得更優的結果能夠起到非常好的作用，參數設置需要按照當前電力系統具體的情況去進行相關調整，并且還能夠基于智能算法上的差異進行研究，另其能夠在具體應用過程中能夠滿足使用需求。