电力系统无功优化智能算法研究

陈来迎 林雨

摘要：文章分析了无功优化的意义，能够降低网损，有助于提高用户的体验感和电力公司的经济效益。再对电力系统无功优化模型进行了分析，阐述了4种不同情境下无功优化模型，其中包含着多个约束条件和多个变量，可知求解电力系统无功优化比较复杂。最后对遗传算法、粒子群算法和模拟退火算法进行了详细分析，分析了其原理和优缺点。每一种智能算法各有其优点和缺点，所以智能算法选择问题上要通过综合的考虑，如果算法选择不巧当，将会严重影响电力系统无功优化模型结果的准确度。

关键词：电力系统;无功优化;智能算法

中图分类号：TM711

文献标识码：A

文章编号：1001-5922（ 2020）06-0078-04

随着我国在电力需求上的不断增多，对电力系统的重视程度越来越高。其中对电力系统无功优化进行研究可以避免电压崩溃、损坏绝缘等事故的发生，保证电力系统能够更加安全、高效、经济的运行[1]。无功优化智能算法决定着解决问题的精确度，于是本文将对智能算法进行研究，有利于电力系统无功优化智能算法的选择。

1 无功优化的意义

无功优化具有重要的意义，主要从2个角度进行分析，第1个就是站在用户的角度，电力系统最主要、最基本的目的就是向用户提供安全、经济、优质的电能，且在人们的日常生活中有着不可或缺的作用，必须要确保电能质量，其中电压就是一种衡量电能质量的的标准，因为电力的质量好坏就会直接的影响电力系统稳定运行、电网损耗等，所以对电压质量进行改进将有助于电力系统更加高效、安全的运行。改善电压质量的基本条件就是合理分布和无功功率平衡。第2个就是站在输电公司的角度进行分析。随着我国生活的不断提高，用电量发生了非常大的改变，电量不断急剧上升，而且电网在运行过程中的电损越发的被重视，电网公司所面临的一种重要问题是提高输电效率和经济性。电力系统的无功优化在一定程度上可以降低网损，有助于电力系统的经济性，能够让电力公司得到更多的经济效益和利润。

所以，对电力系统的无功优化，不仅可以提高电力系统的稳定运行和维持电压水平，更有利于用户的生产发展和日常生活;而且还可以降低电网损耗，能够提高电力公司的经济效益和利润。因此，对电力系统无功优化进行研究具有重要的现实意义和理论意义。

2 无功优化模型的介绍

对于不同的工程，所需要的无功优化模型将会不一样，每种无功优化模型的作用不同，于是本文將介绍几种典型的电力系统无功优化模型。

2.1 无功优化模型考虑网损及电压质量的情景

在考虑网损及电压质量的情景下建立无功优化模型时，主要会从两个不同的角度建立目标函数。其中第1种就是考虑到经济性的原因，即成本最小化，就是要将网损控制在最小值时其经济性更优，于是以网损最小为目标函数[2]。第2种就是考虑到安全性[3]。这两种不同角度下建立的无功优化模型有所不同，于是分别对模型进行介绍。

1）以网损最小为目标函数，其目标函数为：

2.4 无功优化模型考虑分布式电源接入的情景

随着人们需求的不断上升，电网智能化快速发展，在电力系统中加入了各种的分布式电源，在此情景中建立无功优化模型将会有新的需求。于是各位相关的研究人员提出了不同的无功优化模型，其中较为

3 求解无功优化智能算法

通过上文模型的分析，可以得到电力系统无功优化在数学上是一个复杂的混合非线性规划问题，其中包含着多个变量和约束条件，控制变量还包含着两种，分别为离散变量和连续变量，而且还是一个多峰值的函数，所以在求解时会非常的复杂，其中计算量很大。求解无功优化问题有不同的方法，每种方法适用的范围不一样，需要选择最为合适的方法才能得到理想的结果。一般情况下有分为2种优化算法，分别为常规优化算法和智能优化算法，表1即为2种算法的优缺点比较。智能算法能够解决离散变量，能够以较大的概率搜多到全局最优解，在实际应用过程中具有较为广泛的应用，于是本文将对智能算法进行研究，分析了几种智能算法的特点，有助于电力系统无功优化时选择最为合适的智能算法，从而得到更加准确的最优解。

3.1 遗传算法

遗传算法是一种智能，也属于一种仿生算法，是根据生物在进化和遗传中的规律所得到的。其原理是将需要优化的问题进行编码成染色体，优化问题的目标函数转为染色体适应度函数，目的在于产生初始染色体种群，将其作为基础，再进行繁衍等，就会生产出下一代的染色体。下一代的染色体经过结构化的交换彼此信息，与第一代染色体相比其染色体将会更加优异。于是依照此规律就会生产出很多代的染色体，生物在繁衍过程中会存在优胜劣汰，于是存活下来的质量会更好。再解码这些染色体，于是就可以得叨最初问题的解。

遗传算法的优点：鲁棒性能够强，功能强大;遗传算法寻优能力非常的强，所以其比较适合饮应用于求解多约束、大规模、多变量、非线性离散问题，即其能够求解非常困难的离散问题，而且不会存在“维数灾”的问题。

遗传算法的缺点：其属于随机概率寻优算法，需要随机访问很多不同的路径，所以在计算过程中优化速度会比较慢，尤其是对非常大型的电力系统无功优化计算时会消耗很长的时间。另外，虽然遗传算法找到全局最优解时是以较大的概率进行寻找，但是对于全局搜索能力还是存在缺陷，所以还会存在局部最优解现象。于是就有学者正对该缺陷进行研究，提出改进的办法，林广明等人设计了与个体适应度相关的变异概率和与进化代数相关的交叉概率，从而提高了遗传算法的收敛性能[7]。

3.2 粒子群算法

粒子群算法是一种智能算法，其本质是来源于鸟群捕食行为。通过模拟社会系统，在多维解空间中构建“粒子群”，于是每个粒子就会不断的对方向和速度进行改正，跟踪自己或者群体发现的最优解[8-9]。粒子群算法和遗传算法比较相像，刚开始都是一组随机解，然后以迭代的方式不断搜寻最优解。两者的区别就是粒子群算法没有变异和交叉操作，而是每个粒子不断的跟随最优的粒子进行搜索。

公式（8）中Ci和C2为加速因子，w为惯性因子，rand（）在0-1之间的随机数，其中粒子速度要小于或者等于粒子的最大速度。

粒子群算法与其它的算法相比较，有以下的优势：具有较好的收敛性，计算速度比遗传算法的快，而且不会受到问题维数的限制，能够很大程度上寻找到全局最优解;另外，粒子群算法的原理是比较简单的，能够与其他算法进行融合。刘述奎等人研究电力系统无功优化问题时就采用了粒子群算法，提高了问题计算的精确度、收敛稳定性，还提高了计算时间[11]。

3.3 模拟退火算法

该算法原理就是对物体的温度进行适当的控制，然后通过利用双向随机搜多技术，对范围内进行粗略搜索，还会对局部进行精确搜索，用来寻找最优解，并且该算法的原理比较简单。模拟退火算法在理论上属于全局最优算法，其计算结果较为准确。其缺点在于CPU时间比较长，当电力系统的规模变大或者是复杂性变大时，所需的CPU时间将会更长。关维国等人通过模拟退火算法，通过使用设置阀值方式控制循环过程，结果表明，使用模拟退火算法有利于网损的降低，各个节点电压稳定性有所提高[12]。

通过对上述3种智能算法的分析，每一种智能算法都会有各自的缺点和优点，所以在电力系统无功优化时，其所选择何种算法需要根据实际的情景进行选择，然后考虑智能算法的优缺点。一个合理的算法才能够得到更为准确的结果。表2即为3种智能算法的优缺点。

4 结语

综上所述，无功优化在电力系统中具有非常重要的作用，能够带给用户和电力公司更多的便利和效益。无功优化模型非常复杂，会面临多个约束条件、多个变量等，所以在进行计算时会非常复杂，主要选择最为合适的智能算法。文章介绍了3种智能算法，其中各有优缺点，综合来看，粒子群算法在应用过程中比较容易实现，且其全局搜索能力较强，寻找问题最优解将会更加的准确和快捷，但是其在选择参数时需要依赖经验。随着在电力系统无功优化智能算法上的不断改进和研究，新的智能算法将不断涌现，求解电力系统无功优化模型将会更加精准化。

参考文献

[1]熊玉辉，电力系统无功优化[D].南昌：南昌大学，2005.

[2]徐晓静，孙明灿，陈庆春，等，同步关合技术在无功补偿中的应用[J].高压电器，2007，43（5）：333-335.

[3]金立军，安世超，廖黎明，等.国内外无功补偿研发现状与发展趋势[J].高压电器，2008，44（5）：463-465.

[4]戴彦，倪以信，文福拴，等.电力市场下的无功电价研究[J].电力系统自动化，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]陈海焱.含风电机组的配网无功优化[J].中国电机工程学报，2008，28（7）：40-45.

[7]蒋金良，林广明，欧阳森，等，改进灾变遗传算法及其在无功优化中的应用[J].华南理工大学学报（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]刘述奎，基于自适应聚焦粒子群算法的电力系统无功优化[D].成都：西南交通大学，2009.

[12]关维国，戴永彬，吕娓基于改进模拟退火算法的配电网无功优化方法[J].辽宁工学院学报，2006，26（2）：73-75.

作者简介：陈来迎（1963-），男，汉族，山东济南人，大学本科，高级工程师，研究方向：电网建设方面。