计算智能-粒子群优化算法的电力系统.doc_第1页
计算智能-粒子群优化算法的电力系统.doc_第2页
计算智能-粒子群优化算法的电力系统.doc_第3页
计算智能-粒子群优化算法的电力系统.doc_第4页
计算智能-粒子群优化算法的电力系统.doc_第5页
免费预览已结束,剩余5页可下载查看

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

计算智能课程期末论文 姓 名 班 级 学 号 粒子群优化算法的电力系统最优潮流1.粒子群优化算法的基本思想粒子群优化(Particle Swarm Optimization,PSO)算法是近年来出现的一种依赖经验参数少、收敛速度快的仿生智能优化算法,具有良好的优化性能,其操作原理简单、收敛速度快,适合求解需要满足一定精度和速度要求的电力系统组合优化问题。和早期的基于群体进化的算法相比,PSO算法在计算速度和消耗内存上有较大优势,因为它的实现是通过个体间的“协作”来搜索最优解,只需简单的数学运算和较少的程序代码。与GA类似,PSO也是一种基于迭代的多点随机搜索算法,但与GA不同的是PSO算法在寻优过程中无需复制、选择、交叉和变异等操作,而是根据粒子速度和当前位置决定搜索路径。粒子群优化算法的基本思路为:首先PSO算法初始化为m个n维随机粒子(随机解),粒子i(i1,2,L,m)的位置和速度分别为Xi=Xi1,Xi2,L,Xim和 Vi=Vi1,Vi2,L,Vim,每个粒子具有与优化目标函数相关的适应值表示粒子的优劣,然后通过迭代找到最优解。在每一次迭代中,粒子i所经历的历史最好位置记为Pi=Pi1,Pi2,L,Pim,Pbest=P1,P2,L,PmT称为个体极值;记整个种群当前找到的最好位置为Gbest=g1,g2,L,gnT也称为全局极值。对第k代的第i个粒子,PSO算法根据如下的公式来计算第k+1代第i个粒子的速度和位置:vijk+1=wvijk+c1r1(pijk-xijk)+c2r2(gjk-xijk) (i=1,2,L,m;j=1,2,L,n) (1)xijk+1=xijk+vijk+1 (2)式中r1,r2是介于(0,1)之间的随机数,w是权重系数, c1,c2是学习因子。权重系数w是影响PSO算法收敛性的重要参数,控制着粒子的历史速度对当前速度的影响程度。当w较大时,粒子有能力扩展搜索空间,搜索新的区域,整个算法的全局搜索能力较强。当w较小时,粒子主要在当前解的附近搜索,局部搜索能力较强。因此,选取适当的w值能平衡PSO算法的全局和局部搜索能力,从而得到更好的解。实验结果表明,在进化初期,将w设置为较大值可以提高算法的全局搜索能力,然后在进化过程中逐步减小w以搜索到精确解。本文中,权重系数w采取线性递减调整策略,即:w=wmax-wmax-wmin*k/kmax (3)式中wmax、wmin分别为权重系数的最大和最小值; k为当前迭代次数;kmax为最大迭代次数。进化过程中粒子速度受最大速度vj,max的限制,如果某一维更新后的速度超过用户设定的vj,max那么这一维的速度就被限定为vj,max。2. 粒子群优化算法的实际应用随着PSO的不断改进和完善,PSO被众多的研究者应用到了越来越多的领域当中。作为连续领域的优化算法,PSO基本上能够胜任所有这方面的应用。例如,在调度和规划方面的电力系统最优潮流也应用了粒子群优化算法。最优潮流(Optimal Power Flow,OPF)是指在电力系统的结构参数及负荷情况均给定的情况下,通过调节发电机功率、变压器抽头、无功补偿器等可控设备所找到的满足所有运行约束条件,并使系统的某一性能指标或目标函数达到最优时的潮流分布。根据采用的目标函数和选择的控制变量及约束条件,最优潮流问题可分为对有功及无功进行综合优化的最优潮流、有功最优潮流、无功最优潮流等。本文主要研究电力系统有功最优潮流问题。最优潮流是一个典型的有约束非线性规划问题。求解OPF问题的经典算法主要有简化梯度法、线性规划法、二次规划法、牛顿法、内点法和解耦法等。其特点是利用目标函数对控制变量一阶或二阶梯度求解,但是当搜索起始点在局部最优解的收敛域以内时,常常会陷入局部最优解甚至造成发散。近年来,人 工智能和计算智能技术取得飞速发展,一些新型、高效的启发式优化算法如混沌优化方法、进化规划、遗传(Genetic Algorithm,GA)算法、蚁群算法和粒子群优化(Particle Swarm Optimization,PSO)算法等,由于其不依赖于求解对象的数学特性并且具有全局收敛性,已广泛应用于电力系统组合优化问题的求解,取得了较好的成果。本文提出了一种基于改进粒子群优化算法的有功最优潮流模型及求解方法,同时采用自适应罚函数法来处理OPF问题的各种约束条件,并给出了相应的算例仿真结果。(1) 数学模型电力系统最优潮流的数学模型一般可以表示为:s.t. min f(u,x)gu,x=0hu,x0 (4)式中,u为控制变量,如除平衡节点以外其它发电机组的有功出力、发电机节点(包括平衡节点)及具有可调无功补偿设备节点的电压幅值、带负荷调压变 压器的变比;x为状态变量,如节点电压幅值和相角。f(u,x)为标量目标函数,如发电燃料耗量或发电费用;g(u,x)为潮流方程等式约束;h(u,x)为不等式约束,主要是系统运行的安全性及电能质量要求,如电源发电功率约束、电压幅值约束、线路潮流约束等。电力系统有功最优潮流问题是一个多变量、非线性、多约束的组合优化问题,其目标函数一般采用发电燃料耗量最小或发电费用最小,控制变量为有功电源出力,而无功电源出力或相应节点的电压幅值固定不变。以发电燃料耗量最小为目标函数的有功最优潮 流模型可以表示为:S.t. min i=1NgFi(Pgi)Pi=Uij=1nUj(Gijcosij+Bijsinij)Qi=Uij=1nUj(Gijsinij-Bijcosij)Pgi,minPgiPgi,maxQgi,minQgiQgi,maxUi,minUiUi,maxSliSli,max (5)式中,Ng为系统内常规发电机组台数;为机组的有功出力; Pi、Qi分别为节点i的注入有功功率和注入无功功率Gij、Bij分别为节点导纳矩阵元素的实部、虚部;ij为节点i、j的电压相对相位角;Pgi,max、Pgi,min分别为发电机i的有功功率上、下限; Qgi为发电机i的无功出力; Qgi,max、Qgi,min分别为发电机i无功功率上、 下限; Ui为第i个节点的电压; Ui,max、Ui,min分别为第i 个节点的电压上、下限;Sli为第i条线路传输功率;Sli,max为第i条线路传输功率上限; Fi(Pgi)为机组i的耗量特性,一般用二次函数近似表示,即:FiPgi=aiPgi2+biPgt+ci (6)式中,ai、bi、ci为机组i的耗量特性参数。(2)改进算法为了使PSO算法能够处理等式和不等式约束条件,找到OPF问题的最优解,本文对PSO算法进行了改进,采用了以下策略:采用了自适应罚函数法处理各种等式和不等式约束条件,如机组无功出力约束、节点电压约束和线路传输容量约束等。机组有功出力约束通过初始化粒子群的位置及判断粒子位置是否超出范围上边界和下边界自动满足;而潮流方程等式约束则通过潮流计算来处理。重新初始化不活动粒子。在进化过程中失去全局或局部搜索能力的粒子称为不活动粒子。对不活动粒子施加扰动或重新初始化不活动粒子,可以提高算法的搜索能力。如果粒子i与粒子的位置差Fi,在给定范围内出现Tc次时,则认为粒子i为不活动粒子。Fi定义如下:Fi=Fi-Fgmin|Fi|,Fg (7)式中Fi,Fg分别为粒子i和全局极值Gbest的适应值。本文取=0.001,Tc=4。PSO算法实现的步骤如下: 设置参数,初始化粒子群的位置、速度,计算粒子的适应值并初始化个体极值和全局极值。 按式(1)、(6)更新种群中粒子的速度和位置。 判断粒子位置是否超出范围上边界和下边界,若是,则置为边界值。 对于种群中的每个粒子,调用潮流计算程序进行潮流计算并计算粒子的适应值。 判断粒子是否为不活动粒子,若是,则重新初始化粒子,并计算新的适应值。 更新粒子的个体极值Pbest和全局极值Gbest。 判断算法是否满足终止条件,若是,则计算结 束,返回当前最优粒子及其适应值;否则,返回步骤 进行下一代进化计算。(3)算例与分析为了说明利用本文提出的模型和方法求解OPF 问题的有效性,本文以IEEE-30节点系统为例,利用MATLAB7。0编程对上述模型和方法进行了验证。表1 是算例系统中参与优化的各个常规发电机经济参数及出力限值,发电机承担的系统总负荷Psd=283.40MW。表1 发电机经济参数及出力限值为了进一步说明本文提出的模型和方法的优点,本文同时采用粒子群优化算法和遗传算法求解OPF 问题,并把两种算法得到的计算结果进行比较。PSO算法中,粒子个数m=20,最大迭代次数kmax=200次,c1=c2=2, w采取线性递减调整策略,wmax=0.90, wmin=0.40,粒子最大速度设定为粒子的范围宽度。GA算法中,种群个数m=20,最大迭代次数kmax=200次,采用二进制编码、轮盘式选择及精英保留策略,交叉算子采用单点交叉,交叉概率pc=0.7,变异概率pm=0.01。算例采用P-Q分解法计算交流潮流及网损,该系统中选择节点1为平衡节点。 忽略耗量特性的阀点效应,优化结果如表2所示(表中有功功率单位为MW)。表2 优化结果本文分别采用PSO算法和GA算法计算10次,PSO与GA优化结果比较如表3所示。表3 PSO与GA优化结果比较从表2和表3可以看出,GA算法得到的计算结果与PSO算法得到的计算结果基本一致,PSO算法的寻优能力略优于GA算法;基于本文提出的方法获得的优化结果中,系统的最小与最大费用值相差甚小,说明算法的数值稳定性较好,每次运行结果都非常接近 最优解。(4)结论本文提出了一种基于改进粒子群优化算法的有功最优潮流模型及求解方法,同时采用自适应罚函数 法来处理OPF问题的各种约束条件,使得算法能够较快收敛,提高了算法的性能。通过在IEEE-30节点系统进行仿真测试,并且与遗传算法进行比较,结果表明该算法能够更好地获得全局最优解,提高了解的质量和算法的数值稳定性,具有实用意义。3.参考文献(1)王永刚。牛顿法优化潮流的实用化研究J。继电器,1999,27(5):6-9。(2)刘盛松,侯志俭,蒋传文。基于混沌优化和BFGS方法的最优潮流算法J。电力系统自动化,2005,(5):13-17。(3)侯云鹤,熊信艮,吴耀武,等。基于广义蚁群算法的电力系统经济负荷分配J。中国电机工程学报,2003,23(3):59-64。(4)张军,詹志辉,等。计算智能,清华大学出版社。4.算法程序#include#include#include #include#include#define S 20 /*试验次数 */#define G 2000 /*混合迭代次数*/#define P 40 /*个体总数*/#define c1 2.0 /*学习因子1*/#define c2 2.0 /*学习因子2*/#define V 30 /*个体维数*/#define MAX 5.12#define MIN -5.12double D=MAX; /*蛙跳的最大值*/int i1,i2,i3,i4;int try_number=0;int try_max=5;#define R (double)(rand()%RAND_MAX)/RAND_MAX)/0-1之间的随机数,精度为1/10000double Wmax=0.9;double Wmin=0.4;double PI=3.14159265;double W=0.9;double c1=2.0;double c2=2.0;double Vpso=0.0;double Tolerance=0.0000001;/收敛精度double c3=0.03;/扰动幅度double e=2.718281828459;/自然对数底数int sm=3;int bz=0;/扰动因子标志typedef struct double dV;double fitness;Individal;typedef struct double sdV;psom;psom psoP;/*记录每个离子各位的更新速度*/Individal px;/*全体中最好位置*/Individal individualP;/*全部个体*/Individal individualaP;/*全部个体*/Individal tem;/*选择测试函数为Sphere*/*选择测试函数为Sphere*/double fitness(double a)int i;double sum=0.0;double sum1=0.0;double s1=0.0,h1=0.0;double x1V+1;for(i=0;iV;i+)x1i=ai;for(i=0;iV;i+)/for(i=0;iV-1;i+)sum=sum+pow(x1i*x1i+x1i+1*x1i+1),0.25)*(pow(sin(50*pow(x1i*x1i+x1i+1*x1i+1),0.1),2)+1) ;/ for(i=0;iV;i+)sum=sum+x1i*x1i;for(i=0;iV;i+) sum=sum+(x1i*x1i-10*cos(2*PI*x1i)+10);/for(i=0;iV-1;i+)sum=sum+100*(x1i+1*x1i+1-x1i)*(x1i+1*x1i+1-x1i)+(1-x1i)*(1-x1i);/sum=sum+sum;/*for(i=0;iV;i+)s1=s1+x1i*x1i;h1=h1+cos(2*PI*x1i);sum=(-20)*pow(e,(-0.2)*sqrt(1.0/30)*s1)-pow(e,(1.0/30)*h1)+20+e;for(i=0;iV;i+)s1=s1+x1i*x1i;h1=h1*cos(x1i/sqrt(i+1);sum=(1.0/4000)*s1-h1+1.0;*/ return sum; /*对每一个个体初始化*/void init() int i,j,pmin=0;srand(unsigned)time(NULL);for(i=0;iP;i+)for(j=0;jV;j+)individuali.dj=R*(MAX-MIN)+MIN; individuali.fitness=fitness(individuali.d);individualai=individuali;for (i=0;iindividuali+1.fitness)pmin=i+1;px=individualpmin;/*按照适应度降序对全部个体进行排序和族群划分*/*群组内更新*/void update()int i,j,k,l,n;double a;double b;W=Wmax-(double)(i2)*(Wmax-Wmin)/(double)(G); for(i=0;iP;i+) for(j=0;jD) psoi.sdj=D;if(psoi.sdj-D) psoi.sdj=-D; individuali.dj=individuali.dj+psoi.sdj; a=fitness(individuali.d);/printf(old是%.16f,individuali.fitness); individuali.fitness=a;/ printf(new是%.16f,individuali.fitness);/getchar();if (ai

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论